（信号与信息处理专业论文）基于均值漂移的动态目标跟踪算法研究.pdf

型型i 奎隧型塑塑堕i i 二一 ；i ；i i i i ；i i ；i ；i 薯；i ；。一 摘要 动态目标跟踪是机器视觉领域中重要的内容之一，它应用极其广泛，如交通、医 学、军事、人机交互等领域。目前大多数跟踪算法只是针对某一方面的问题。均值漂 移跟踪算法是动态目标跟踪中常用的算法之一，由于该算法在目标跟踪的过程中采用 颜色直方图的方式对目标进行描述，所以在背景环境比较简单的情况下具有很好的鲁 棒性，同时实时性也很好，对变形的目标也具有很好的跟踪效果。但是该算法也有一 些缺陷，本文针对其缺陷提出以下的改进： 针对均值漂移跟踪算法不能有效跟踪运动速度过快或被严重遮挡的目标的问题， 采用了均值漂移与卡尔曼滤波相结合的跟踪算法。改进后的算法基本思想是：目标运 动速度过快的情况下，卡尔曼滤波预测本帧目标的位置，均值漂移跟踪算法根据该位 置进行迭代，这样不仅迭代次数减少，而且目标不会丢失；目标被遮挡的情况下，卡 尔曼滤波器预测本帧中目标的位置，并把该位置当做本帧目标的真实位置，直到卡尔 曼滤波预测位置和收敛的最优位置之问的距离小于阈值，这时表示目标没有被遮挡， 然后根据均值漂移跟踪算法来对目标进行跟踪。两组对比实验表明，改进后的算法不 仅能够有效地对运动目标进行跟踪，而且实时性也比较好。 针对均值漂移跟踪算法核函数带宽始终不变的问题，采用了相应的改进算法，其 基本思想是：由于目标逐渐变小，跟踪窗宽相对变大，从而跟踪框内有了更多的背景 不利于跟踪，所以提出加减百分之十带宽的方法，窗宽的大小随着目标的变化而变化； 目标逐渐变大时，跟踪窗口相对变小，从而导致跟踪宽口在局部地区收敛，此时采用 均值漂移算法对形心进行定位，然后再根据特征点匹配进行更新跟踪窗口，通过对比 实验表明，改进算法不仅能够有效地跟踪动态目标，而且其跟踪窗口能够随着目标的 变化而变化。 关键字：目标跟踪；均值漂移；核函数；卡尔曼滤波 a bs t r a c t d y n a m i ct a r g e tt r a c k i n g i so n eo ft h em o s ti m p o r t a n tc o n t e n ti nt h em a c h i n ev 1 s l o n f i e l d i t sa p p l i c a t i o ni se x t r e m e l yw i d e ，s u c h a st r a n s p o r t a t i o n ，m e d i c a l ，m i l i t a r y ，a n d h u m a n c o m p u t e ri n t e r a c t i o n m i a s tt r a c k i n ga l g o r i t h m s a r ep r o p o s e df o rt h ep r o b l e mo fo n e p a r t i c u l a ra s p e c t t h em e a ns h i f tt r a c k i n ga l g o r i t h mi so n eo fc o m m o n l yu s e dd y n a m i c t a r g e tt r a c k i n ga l g o r i t h m i tu s e sc o l o rh i s t o g r a mt od e s c r i b et h et a r g e td u r i n g t h et a r g e t t r a c k i n gp r o c e s s , s oi t sr o b u s t n e s sa n dr e a l t i m ep e r f o r m a n c ea r ev e r yg o o d i nt h er e l a t i v e l y s i m p l eb a c k g r o u n de n v i r o n m e n t i ta l s oh a sag o o dt r a c k i n ge f f e c to n t h em o r p ht a r g e t b u t t h em e a ns h i f tt r a c k i n ga l g o r i t h mh a ss o m ed e f e c t s ，a c c o r d i n gt ot h i s ，t h i sp a p e rp r o p o s e s t h ef o l l o w i n gi m p r o v e m e n t s ： s i n c et h em e a ns h i f tt r a c k i n ga l g o r i t h mc a nn o te f f e c t i v e l yt r a c kt h et a r g e t sw h i c h m o v et o of a s to ro c c l u d e dh e a v i l y ，w ep r o p o s e dt h et r a c k i n ga l g o r i t h mw h i c hc o m b i n e st h e m e a ns h i f la l g o r i t h ma n dk a l m a n m a nf i l t e r t h eb a s i ci d e ao ft h ei m p r o v e da l g o r i t h mi s ： w h e nt h et a r g e tm o v e st o of a s t ，k a l m a nf i l t e ri su s e dt op r e d i c tt h ep o s i t i o no ft a r g e ti nt h e c u r r e n tf r a m e ，a n dm e a ns h i f ta l g o r i t h mi t e r a t i v e sb a s e do nt h i sp o s i t i o n ，s ot h a ti tn o to n l y r e d u c e st h en u m b e ro fi t e r a t i o n s ，b u ta l s ot h et a r g e tw i l ln o tb el o s t ；w h e nt h et a r g e ti s o c c l u d e d k a l m a nf i l t e rc a np r e d i c tt h ep o s i t i o no ft h et a r g e ti nt h ec u r r e n tf r a m e ，a n dt h e n m a k e st h i sp o s i t i o na st h et r u ep o s i t i o no ft h et a r g e ti nt h ec u r r e n tf r a m e ，u n t i lt h ed i s t a n c e b e t w e e np o s i t i o np r e d i c t e db yt h ek a l m a nf i l t e ra n do p t i m a lp o s i t i o nc o n v e r g e di sl e s st h a n t h et h r e s h o l dv a l u e ，w h i c hr e p i e s e n t st h a tt h et a r g e ti sn o tb e i n go c c l u d e d ，t h e nw ec a n t r a c kt h et a r g e tb a s e do nt h em e a ns h i f tt r a c k i n ga l g o r i t h m t h r o u g ht w og r o u p so fc o n t r a s t e x p e r i m e n t s ，t h ee x p e r i m e n t sr e s u l ts h o w st h a tt h ei m p r o v e da l g o r i t h mc a n n o to n l yt r a c k t h em o v i n gt a r g e te f f e c t i v e l y ，b u ta l s ot h er e a lt i m ei sq u i t eg o o d f o rt h ep r o b l e mt h a tt h e k e r n e lb a n d w i d t ho ft h em e a ns h i f ta l g o r i t h mr e m a i n s u n c h a n g e da l lt h et i m e w ep r o p o s e d t h ec o r r e s p o n d i n gi m p r o v e da l g o r i t h m t h eb a s i ci d e a o ft h ei m p r o v e da l g o r i t h mi s ：s i n c et h et a r g e tb e c o m e ss m a l l e rg r a d u a l l y ，a n dt h et r a c k i n g w i n d o ww i d t hb e c o m e sl a g e rr e l a t i v e l ya n dt h e r ei sm u c hm o r eb a c k g r o u n di nt h et r a c k i n g f r a m ew h i c hi sn o th e l p f u lf o rt r a c k i n g ，w ep r o p o s e dt h em e t h o do fp l u so rm i n u st e n p e r c e n tb a n d w i d t h ，w h i c hm a k e st h es i z eo ft h ew i n d o ww i d t hc h a n g ea st h e s i z eo ft h e t a r g e tc h a n g e s ；w h e nt h et a r g e tb e c o m e sl a g e rg r a d u a l l y ，a n dt h et r a c k i n gw i n d o ww i d t h b e c o m e ss m a l l e rr e l a t i v e l y ，w h i c hl e a d st ot h et r a c k i n gw i n d o wc o n v e r g e n c ei nt h e l o c a l a r e a ，t h ec e n t r o i i di sp o s i t i o n e db a s e do nt h em e a ns h i f ta l g o r i t h m ，a n dt h ea c c o r d i n gt ot h e f e a t u r ep o i n t sm a t c h i n g ，t h et r a c k i n gw i n d o wi s u p d a t e d t h ec o n t r a s te x p e r i m e n ts h o w s t h a tt h ei m p r o v e da l g o r i t h mc a nn o to n l ye f f e c t i v e l yt r a c kt h em o v i n gt a r g e t ，b u ta l s ot h e t r a c k i n gw i n d o wc a nc h a n g ea st h et a r g e tc h a n g e s k e y w o r d s ：t a r g e tt r a c k i n g ；m e a ns h i f t ；k e r n e lf u n c t i o n ；k a l m a nf i l t e r 第1 章绪论 1 1 课题研究背景和意义 第1 章绪论 随着计算机科学技术和信息技术的发展，视频处理系统从以前的模拟阶段发展到现 代的数字阶段，产生了质的变化。让计算机具有视觉功能是人类的一个梦想，因为计算 机具有视觉功能对世界的影响很大，它可以帮助人类完成一些人类无法完成或比较危险 的任务，而且效率很剐1 1 。人们进行了大量的探索，试图研究出能够更加有效采集图像 信息的新算法，对得到的模拟信号数据进行采样、量化从而输出数字信号，再使用计算 机进行相应的处理模仿出人类眼睛对视觉信息的处理过程1 2 j 。 目标跟踪是计算机视觉系统中研究的热点和难点，它吸引越来越多的研究者。目标 跟踪涉及到很多学科，如人工智能、模式识别、数字图像处理、自动控制原理以及其他 计算机与通信相关的学科，这就决定了目标跟踪是一个比较难的研究课题【3 】。视频目标 跟踪就是对视频图像序列的每一帧图像中感兴趣的目标进行检测、识别及跟踪的过程， 也是消除误差的处理过程。目标跟踪的基本思想是：首先通过摄像机获得图像数据，并 进行相应的预处理，然后通过人工的方式确定所要跟踪的目标，对所确定的目标特征进 行建模，得到目标的初始模型，最后在之后的图像序列中找到和目标模型相匹配的区域， 此区域就是目标在当前帧的位置，该过程还要进行相应的误差修正。 目标跟踪在科学技术研究和工程中具有重要的研究价值，同时在日常生活中也有很 广泛的应用前景。其典型的应用主要有以下几个方面： ( 1 ) 智能人机交互领域：目前人机交互主要停留在计算机的键盘和鼠标上，但是 人们期望计算机具有人类的智能，能够以自然的方式与人类进行交流，人类的一个动作 计算机就能够明白人类的意思，并做出相应的反应。人机交互领域最为成功的发明是 s i v i t ( 西门子虚拟触摸屏) ，该系统的模块包括投影仪、摄像机、红外发射器以及跟 踪识别模块【4 5 】。演讲者把相应的图像以及数据投放到幻灯银幕上，使用索引手指就可以 进行相应的操作。这种以人为本的人机交互系统必定是以后人机交互的发展方向，而技 术实现的前提条件是具有较好的跟踪系统。 ( 2 ) 医疗诊断领域：动态目标跟踪在医学图像处理中的应用非常广泛，其中典型 的是超声波扫描仪，它能够产生实时的视频图像序y u t6 1 。由于超声波图像的噪声较多， 掩盖了很多有用的信息，使得在静态分析时找出目标的难度很大，但是如果利用图像序 哈尔滨工程大学硕士学位论文 i ；i ；i ；i i ；i ；i i ；i ；i ；i ；i ；i ；i ；i ；i ； 列的相关性进行处理，得到的结果将会更加准确，更有价值。同时超声波扫描仪：丕具有 技术成熟、价格低廉、操作方便的优点。 ( 3 ) 智能机器人领域：通过动态目标跟踪得到的数据是智能机器人的一种重要的 信息来源，智能机器人必须能够跟踪和识别环境中的物体。其中，智能机器人很；要有应 用前景的例子就是无人驾驶车辆，它能够很好的了解道路特征，并对其进行建模7 1 。在 机器人手眼的应用中，摄像头是可以自由转动的，可以从不同的角度采集数据，三位一 体的采集可以保证数据的准确性，再根据目标跟踪算法便能算出其运动轨迹。 ( 4 ) 视频监控领域：在视频安全及监控中，监控系统应该能够检测并跟踪其所感 兴趣的目标，特别是在公共场所，如大街、火车站、银行、地铁、以及停车场等，能够 跟踪行人、车辆并判断出车辆行驶是否违规、行人是否有异常行为【8 j 。典型的应月例子 是a d v i s o r ，该系统旨在通过摄像头获取视频数据，再通过计算机处理来改进公共交 通的管理，通过相关算法完成对行人及车辆的检测、跟踪，并检测出口、入口是否堵塞， 是否有人打架等等。 ( 5 ) 军事领域：精确制导武器在现代战争中扮演着越来越重要的角色，精确制导 武器的精度主要靠导引头来牵引。利用人工智能和信号处理等技术的导引头系统能够独 立地对| 目标进行搜索、捕捉及跟踪，一旦所跟踪的目标与被攻击的目标相匹配就能进行 主动攻击【9 j 。现在各国都在加大力度研究无人机，因为无人机可以减少士兵的阵亡率， 而对目标进行精确、实时地跟踪是无人机的前提条件。 此外，目标跟踪还可以运用在视频压缩、自动化生产、虚拟现实、智能交通、图像 检索等 疯域。因此本课题对于发展迅速的计算机视觉跟踪领域具有很重要的研究意义， 其成果有着广泛的应用前景。 1 2 国内外研究现状 2 0 世纪5 0 年代中期人们开展了视频目标跟踪的研究工作，致力于对行人的识别。 2 0 世纪8 0 年代初期光流法的提出拉开了对动态目标跟踪进行研究的高潮i l 。从：0 世 纪9 0 年代初期到现在的这二十多年里，由于计算机和摄像机性能的提高以及价格的下 降，使得目标跟踪能够很好的应用在人机交互、视频监控、医疗诊断、军事国防等领域。 均值漂移算法于2 0 0 3 年首次被应用于跟踪领域，其具有计算复杂度低和实时性好等优 点，因此得到了广泛应用 1 1 - 1 3 。目标跟踪在国民经济和军事国防中发挥着越来越重要的 作用，因此目标跟踪已经成为计算机视觉中的一个研究热点，吸引着越来越多的专家学 一；耋圣兰耋二丝堡垒；亩；宣；暑i一 ；i ；i i ；i ；i i ；i ；i ；i i ；i ；j 苦；墨；鲁i i ；富i ；i i i i i 。i 。一 者，并且取得了很多成果。国际上也有多个会议组织探讨目标跟踪这门学科的发展方向， 比如国际计算机视觉会议( i c c v ) 、欧洲计算机视觉会议( e c c v ) 、国际模式识别会 议( i c p r ) 、亚洲计算机视觉会议( a c c v ) 等。 美国国防部在1 9 9 6 年组织卡内基梅隆大学、麻省理工学院及美国国防高级研究计 划局，耗资上亿美元研究出v s a m 系统 1 4 , 1 5 1 ，该系统主要从自身携带的摄像机获取图 像视频序列，然后通过计算机对视频序列进行处理，再结合网络和传感器等技术以达到 控制目标的目的。该系统可以广泛应用于对城市环境的控制，同时也可以应用于未来的 战争上，用它来完成人类无法完成或者危险性极大的任务，以此来减少战争的成本和战 士的阵亡率。美国马里兰大学和i b m 公司联合研制的w 4 ( w h a t 、w h e n 、w h o 、w h e r e ) 系统【1 6 , 1 7 1 ，旨在利用目标的运动信息和目标跟踪算法相结合，通过计算机处理来实现对 目标的跟踪。该系统对跟踪物体外观数据迸行采集，在目标被旋转的情况下取得了较好 的效果。美国雷神公司研制的新型标准6 型防空导弹，该智能弹导技术可以独立自主的 搜索空中目标，采集相关数据并对目标进行识别与跟踪，这在现代战争中显得尤为重要。 它克服了以往导弹无法识别外形极为相似的静态或者动态假目标的缺点，确保对目标的 精确打击。很多专家学者还研究了在复杂道路环境的十字路口情况下对车辆和人的检测 和跟踪，用于对交通流量的控制，以此来减少交通的拥堵【l8 i 。牛津大学工程科学系机器 人研究组研究出的视觉绘制系统【1 9 】，该系统由彩色摄像机、图像采集卡和计算机组成， 能够实现自动初始化以及实时而准确的绘制。本田公司研制的机器人阿西莫( a s i m o ) 具有很好的性能，阿西莫检测目标、感知运动、识别目标以及跟踪目标是通过头顶上的 两架视频摄像机和肚子里面的电脑来实现的，通过对运动目标的连续跟踪，阿西莫能够 判断出目标的运动轨迹、运动方向和目标的距离。 由于我国计算机技术水平有限，而视频图像跟踪技术所要处理的数据比较复杂，因 此国内对目标跟踪方面的研究起步较晚t 2 。我国于二十世纪六十年代末开始研究，经过 四十多年的发展，将现代图像处理、机器学习、模式识别等技术应用到目标跟踪领域， 在很多专家学者的努力下也取得了不少的成就。在国内，模式识别国家重点实验室依托 中国科学院自动化研究所【2 1 1 ，在谭铁牛主任的带领下，该实验室以计算机视觉、模式识 别基础理论与图像处理以及语音信号处理为主要研究方向，研究人类识别机理以及有效 的计算方法，为开发出智能的目标跟踪提供了关键技术。由该实验室提出的远距离身份 识别算法、智能轮椅视觉导航算法以及基于扩展卡尔曼滤波器的动态目标跟踪算法都很 好的应用在实际生活中。国家8 6 3 计划也包含了对目标跟踪的研究内容，同时国内高校， 其中哈尔滨工业大学、清华大学、北京航空航天大学、中国科技大学、上海交通大学等 哈尔滨工程大学硕士学位论文 冀；i ；笛；苦i 宣；皇；i ；音；音；音；_ = ；苫；蔷；i ；i 葛i i ；i i i ii i i ；i j ； 在目标跟踪的研究上取得了大量的成果，如哈尔滨工业大学研究目标跟踪的机器人足球 视觉系统具有很好的实用性。 由于国内对目标跟踪的研究起步较晚，相对落后于发达国家在所难免，但是，疋要我 i 蚕, d h 大对目标跟踪领域的投入，使科研环境更加优越，再加上我们科研工作者加倍的努 力，我国的目标跟踪领域必定能得到加快发展。 1 3 目标跟踪方法的分类 在对目标进行跟踪的过程中，重点是提取出目标的主要特征，包括纹理、颜色、形 状、运动方向等信息【2 2 】。实时性、鲁棒性、精确性等是跟踪的重点也是难点，这些难点 主要是由以下几方面引起的： ( i ) 目标形状的变化：目标可能由几种铰接体组成的，其形状、位置及尺度可能 是变化的，这些变化会影响对目标特征的描述。 ( 2 ) 目标以及获取视频工具的运动：目标的无规则运动常常导致原有的跟踪模型 失效，因为无法及时的获知目标的速度、方向、以及加速度等信息；获取视频工具的运 动会导致其与平面内目标的相对位置发生改变，且这种改变往往也是无规则的。 ( 3 ) 跟踪背景：跟踪视频中的背景可能是动态的，其颜色特征可能与所跟踪的目 标极其相似并具有很强的噪声，这样导致跟踪算法无法区分目标与背景。 针对以上e j 标跟踪的难点，专家学者们提出了很多种算法，常用的目标跟踪方法可 以分为以下三类： 1 3 1 基于滤波理论的动态目标跟踪方法 在对目标进行跟踪的过程中，使用滤波理论对目标所形成的状态概率密度函数是以 视频中目标的建模为基础的，并且在时间序列上进行传播。动态目标跟踪方法中使用滤 波理论一般要包含以下的三个内容【2 3 1 。 ( 1 ) 跟踪：过程中的观测方程，又名观测密度，也就是观测概率密度函数，观测当 前帧视频图像中的目标特征，并且进行相应的计算从而求出其密度。 ( 2 ) 跟踪：过程中的运动方程，又名先验密度，也就是先验概率密度函数，对当前 帧视频图像中目标状态进行预测，该预测是根据上一帧图像中目标状态情况来确复三。 ( 3 ) 跟踪过程中的后验密度，也就是后验概率密度函数，当前时刻目标在当前帧 的后验概率密度是根据贝叶斯规则、观测的信息、运动信息计算而得出。 第1 章绪论 ；i i 薯；i ；i ；i 高；i ；i ；i i ；i ；i 赢；i 蔷；i 葺i 置i i ；i i ；i i ；i i i i ；i ；高i ；i 葺 早期的跟踪方法假定目标的运动方程和观测方程是线性的高斯过程，因此系统状态 的后验分布服从高斯分布，可完全由其协方差矩阵和均值向量决定，这种情况下可以采 用扩展卡尔曼滤波和卡尔曼滤波进行跟踪 2 4 1 。但是在现实环境中，不稳定因素很多，比 如环境中光照变化、目标形状颜色特征相似的物体干扰、图像中的噪声、摄像机或者物 体的运动都会影响跟踪的效果，因此这种理想中的线性和高斯往往达不到，很容易导致 跟踪失败。对于非线性问题，有学者提出了粒子滤波的方法【2 5 , 2 6 】，该思想是蒙特卡罗模 拟，其中系统状态的后验密度由一组带有权重的离散采样粒子来表示。该方法首先是采 样阶段，采样得到一组新的粒子，然后对其进行观测得到观测密度，最终计算出各个粒 子新的权重并输出系统的状态估计，再对粒子集重新采样以获得独立同分布的粒子集。 我国对该类算法的研究取得的成果也比较多，比如王建宇等用灰度图像中大量的矩形特 征表达目标，再选择具有分辨能力的特征与粒子滤波器算法紧密的结合进行跟踪。 1 3 2 基于均值漂移的动态目标跟踪方法 基于均值漂移的目标跟踪算法由于具有实时性、鲁棒性和易于实现的特点，近年来 引起国内外专家学者广泛的关注，相关的改进算法也不断涌现。基于均值漂移的动态目 标跟踪算法本质上是一种梯度下降的算法，该算法进行有限次迭代直至收敛到相似函数 的局部极大值点。 f u k u n a g a 等人最早提出了均值漂移的概念【2 7 】，c h e n g 又于1 9 9 5 年对其作出了相应 的改进，为了使得不同的样本点对中心点的贡献不一样，他定义了一族核函数【2 8 1 。把均 值漂移算法成功地运用到动态目标跟踪领域的是c o m a n i c i u 等人【2 引，他们提出用非参数 估计来对目标的颜色进行建模，采用b h a t t a c h a r y y a 系数来代表概率密度函数的相似度， 通过代价函数的梯度推导出均值漂移向量，均值漂移向量再经过有限次的迭代收敛到一 个极值点，这个极值点就是跟踪过程中目标的真实位置，这一伟大的改进引起了很多专 家学者的关注，后来由此而产生了很多新颖的改进算法。传统的基于均值漂移的动态目 标跟踪算法通过一阶梯度下降算法将代价函数极小化来寻找目标位置的真实位置，但是 该算法只是使用了代价函数的一阶信息，而高阶信息从未使用到。l i u 等人认为基于均 值漂移的跟踪算法是跟踪领域的一种很好的方法，他们将目标的颜色信息和目标的边缘 信息相结合，提出来一个新的更加有效的跟踪算法【1 1 o 但是在跟踪的过程中，位置、角 度、尺度等因素的变化，使得该算法对目标的跟踪变得非常的困难。针对跟踪过程中目 标发生旋转的情况，z h a n g 等提出对旋转目标进行跟踪的改进算法【3 。 哈尔滨工程大! 学硕士学位论文 1 3 3 基于偏微分方程的动态目标跟踪方法 自从主动式的轮廓线性模型被k a s s 提出来以后【3 ，基于偏微分方程开始被应用于 动态目标跟踪领域，并且在上个世纪末期也就是二十世纪九十年代，基于偏微分的方法 对目标进行跟踪的研究进入了活跃期。一方面是基于偏微分方程近几年来的研究成果较 多。男外就是基于偏微分方程的应用比较广泛。进入二十一世纪以来，该方法得到了不 断的改进，不同的改进算法不断的被提出，同时也把该方法根据不一样的标准，对其进 行不一样的分类，如几何式的轮廓模型和参数式的轮廓模型就是根据曲线的不同：果分 的；根据视频图像中特征的异同，可以将其分为很多种方法【3 2 1 。虽然根据不同的差则有 不一样的分类，但是不管是哪一种分类都要面临三个重要的问题。首先是目标图像中特 征的选择，如p a r a g i o s 等推导偏微分方程时采用的是视频中帧与帧之间的运动信恩和光 流信息【3 3 j ；接着成立泛函数模型，其中典型的方法有贝叶斯推断法、基于m u n f o r d s h a h 的建模：疗法、基于相似度的建模方法；最后求解偏微分方程，最早的时候使用有限元和 有限的差分方程的方法来求解，但是效率比较低下，现在一般使用的是水平集的方法来 求解。 1 4 本文研究内容 本文主要研究基于均值漂移的动态目标跟踪算法在目标跟踪中的应用，并对善；存在 的缺点进行相应的改进。 ( 1 ) 提出用卡尔曼滤波与均值漂移相结合的方法对目标进行跟踪。目标运动速度 过快，则所跟踪的目标中心离上一帧图像中目标的中心距离较远，而均值漂移跟踪算法 却是根据上一帧目标中心为起始迭代点，导致在有限的迭代过程中很难收敛到目标的真 实位置，利用卡尔曼滤波与均值漂移相结合的方法可以解决这个问题。卡尔曼滤波可以 根据目标的当前信息预测出下一帧目标可能存在的位置，并以该位置作为迭代开始点， 经过有限的迭代收敛到目标的真实位置。当目标被其他物体遮挡时，则卡尔曼滤波的预 测位置和最后收敛的最优点之间会有一定的距离。如果他们之间的距离等于或大于一定 的阈值，说明物体被遮挡，则均值漂移算法迭代收敛的位置必定和目标真实的位置不同， 而此时目标的真实位置可以通过卡尔曼滤波的预测来得到，直到目标没有被遮挡为止。 如果目标没有被遮挡，则再根据均值漂移算法对目标进行跟踪。实验结果表明这两种情 况下本文提出的算法跟踪效果要好于传统的均值漂移跟踪算法。 第1 章绪论 ；iii 毒i 嵩i 宣；i ；i 葛i 薯；i 高；i ；i ；宣i ；i 岛宣置i ；i ； ( 2 ) 出于传统的均值漂移算法的跟踪框始终没有改变，在跟踪过程中，当目标逐 渐减小时，虽然空问定位比较准确，但是目标的尺度会远远小于跟踪框的尺度，这样跟 踪框过大会影响跟踪的实时性，本文提出采用加减百分之十核函数带宽的方法来解决此 问题，实验结果表明，本文算法优于传统均值漂移算法。 ( 3 ) 当目标跟踪过程中目标尺度逐渐增大时，采用传统的均值漂移算法对目标进 行跟踪会出现尺度误差极大，空间定位不准确的问题，对此，本文提出在均值漂移算法 的基础上采用形心定位和特征点匹配的方法来解决这些问题。实验结果表明本文提出的 算法不仅在尺度上随着目标尺度的变化而变化，而且在空问定位上也很准确。 文章内容安排如下： 第1 章，介绍本课题的研究背景和意义，国内外的研究现状并简要的介绍了动态目 标跟踪方法的分类。 第2 章，详细分析了均值：瞟移跟踪算法的基本理论，概述了无参密度估计，重点研 究核函数密度估计从而导出了均值漂移向量，验证了它的收敛性，研究均值漂移跟踪算 法的原理和其在目标跟踪领域的应用。 第3 章，分析了在目标跟踪过程中目标速度过快和目标被部分遮挡时，均值漂移跟 踪算法失败的原因，并由此提出了卡尔曼滤波与均值漂移相结合的跟踪算法，通过两组 实验来验证本文提出的算法要优于传统的均值漂移跟踪算法。 第4 章，分析了均值漂移跟踪算法在对目标进行跟踪的过程中跟踪窗口始终不变， 并提出了相应的改进算法。当目标尺寸逐渐减小时，提出了采用加减百分之十核函数带 宽的算法；当目标尺寸逐渐增大时，本文提出采用形心定位和特征点匹配的算法，最后 通过两组实验来验证本文算法的有效性。 哈尔滨 ：程人学硕十学位论文 ；i ；i ；i ；i ；i ；i ；i ；i ；i i ；i ；i ；i ； 2 1 引言 第2 章均值漂移算法理论 f u k u n a g e 和h o s t e t l e r 等人于1 9 7 5 年提出了均值漂移算法【2 7 】，虽然该算法具笮实时 性和效率高等优点，但是一直没有引起学术界的关注。直到2 0 年后， y i z o n gc h e n g 于 19 9 5 年：发表了一篇关于均值漂移的文献1 2 引，将其成功地应用到计算机视觉领域。文献 中对均值漂移算法进行了相应的改进：引入了核函数和相应的比例系数。不同的样：拉点， 其重要性不同，比例系数也不同，离中心点越近的样本点所占比重越大，越远的样本点 所占比重越小，该改进大大的扩大了均值漂移算法的应用范围。c o m a n i c i u 等人在文献 中提到目标模型和候选目标模型之间概率密度的相似程度通过b h a t t a c h a r y y a 系数决定， 通过非参数概率密度建模目标的颜色分布，这样目标的真实位置就是均值漂移向益：的迭 代收敛到代价函数的极值点 2 3 , 3 4 j 。 基于均值漂移的动态目标跟踪算法实际上是一个梯度下降的跟踪算法，利用e 。标的 梯度函数来估计目标的位置，并且在该位嚣上具有良好的线性收敛性【3 5 j 。均值漂移算法 采用颜色来描述目标，通过概率密度和颜色直方图的形式来表示，然后逐渐漂移到目标 的真实位置，因此该算法的计算量很小，在视频图像背景简单的情况下可以实现箩；时跟 踪。采用颜色对目标进行跟踪可以解决目标的形变或者出现小部分被遮挡的问题l _ 6 , 3 7 1 , 同时该算法还具有很大的开放性，可以和很多算法相结合，这些优点激发了国内夕、研究 学者对均值漂移算法的研究激情。但是，该算法也有很多缺点，如目标被其他物它i 遮挡 比较严重的情况下，很容易导致目标跟踪失败；背景颜色与目标颜色极其相似的时候跟 踪的效果不理想等等，针对这些不足，近| l 年来很多专家学者都提出了不同的改进意见。 2 2 密度估计理论 概率分布是统计推断的核心，从某种意义上来看，联合概率密度提供了关于所要分 析变量的全部信息，有了联合密度，就可以回答变量子集之问的任何问题。从广义上看， 参数估计是在假定的数据总体密度下对参数的估计，一旦参数固定，则概率密度分布完 全确定，因而可以说参数统计推断的核心内容就是对密度的估计，这种概率密度分布函 数是通过估计的参数而得来的函数，因此将该方法称之为参数密度估计方法1 3 引。实际生 活中，很多数据的分布是无法提前知道或者事先假设的，加上决策的可靠性要求夕 断提 一竖坠型塑墼堇墅i三一 ；i ；墨i ；i i ；i ；宣；i i ；i ；i ；i ；i 葺；i i i i i i i 。一 高，因此需要适应性更广的密度估计方法。无参密度函数估计恰好能够很好的处理这些 问题。 2 2 1 参数密度估计 对于一些i 口- j 题，人们已经断定总体的分布属于某个分布族，只要针对总体参数做出 推断即可了解总体分布的基本特征，找一个已知函数类型的概率密度函数，该函数的分 布就是我们分析的数据分布，这也是传统参数概率密度估计的目的。设概率密度分布函 数已知，随机变重t x - f ( x ；p ) ，p 是该函数的未知参数，0 o ，这里的o 表示参数所有 可能取值全体组成的集合。x c x 作n 次观测得到样本x = ( _ ，x ：，x 。) ，通过样本构造 适当的统计量，对总体中的未知参数0 的大小进行估计。 德国数学家g a u s s 于1 8 2 1 年提出的最大似然估计方法是参数密度估计的一种。该 方法在刚提出来时未得到重视，直到r a f i s h e r 在1 9 2 2 年再次提出了最大似然估计的 思想并探讨了它的性质使之得到广泛的研究和应用。概率密度函数f ( x ；o ) 扮演了很重要 的角色，当0 已知时，f ( x ；o ) 显示概率密度是怎样随x 的变化而变化；相反，当样本x 给 定后可考虑对不同的秒概率密度如何变化，它反映了对x 的解释能力，这就是似然。设 置，e 是一些样本，这些样本点都是从符合概率密度函数厂中独立提取出来，且这些 样本点服从高斯分布n ( 2 ，1 7 2 ) ，其中，t 是均值参数，盯2 是方差参数，则x 和盯这两 个参数的似然估计可以通过下列公式计算： 方差估计： d 2 = ( 薯一i ) 2 ( 2 1 ) ， 一、 7 、 7 i = i 均值估计： p = 百1 x ( 2 2 一) 2 百己x ( 2 _ ) v 工e x 以上采样均值p 和采样方差毋2 就是最大似然估计。 只要参数密度估计满足了无偏性、一致性和有效性，则利用参数密度估计的优点很 多，如可以将大量的数据压缩，以几个参数的形式简单明了的表现出来，数据的分布可 以通过几个参数就可以准确的描述，这对数据量很大的领域是很有价值的。但是参数密 度估计也有相应的缺点，如在许多情况下无法知道数据是符合哪一种分布规律，特别是 在视觉跟踪领域，由于图像背景复杂，因此要达到参数估计的要求不太现实。如果假设 的概率密度函数分布模型不正确，或者误差很大，密度估计所得到的结果就会有很大的 哈尔浜工程大学硕士学位论文 偏差甚至是错误的，而且这种偏差或者错误不会随着采样数据的增多而消除。所以参数 密度估计在动态目标跟踪领域是不适用的。 2 2 2 无参密度估计 非参数密度估计的概念来自于2 0 世纪4 0 年代化学家f w i l c o x o n 等人的工作，它属 于数理统计的一个分支非参数统计学的范畴。进入2 0 世纪7 0 年代以后，随着计算 机技术的发展，使得无参密度估计方法借助计算机技术，获得更稳健的估计和预：则，因 而在应用领域i 玟得了长足的进展。其中，常用的非参数密度估计方法有：直方图密度估 计法、最近邻估计法和核密度估计法 3 9 】。 ( 1 ) 直方图密度估计法 直方图密度估计法是最基本的非参数密度估计方法，也是2 0 世纪5 0 年代之l 守最常 用的非参数密度估计方法。以一元参数为例，假定有数据 x 1 ，x 2 ，x n ) ，首先对数据从 d , n 大进行排序，记为x l x 2 x 。将数据覆盖的区域( n ，b ) ，a 1 ) 。) 2 1 4 ) ( ：! - 1 5 ) 纛一卜 一坠坠型堡墼i丝型垒一 ；i ；i i ；i 宣i ；i ；暑；i ；i ；i ；i ；i 裔i i ；i 葺；i i i i i 。- 。一 图2 4e p a n e c h n i k o v 核函数 2 3 2 多维无参密度估计 在给定的d 维e u c l i d e a n 空间x 中，用k m ( x ) 表示该空间中的核函数，x 是其中的 一个点，则概率密度通过下式进行估计： - ( x ) = 圭b ( x 一_ ) ( 2 1 6 ) 其中k h ( x ) 为： ( x ) = 1 日f 彤k ( f 日f 彤x ) ( 2 - 1 7 ) 式( 2 1 7 ) d 0 ，h 表示的是彳d 带宽矩阵，在不同的子空间中采用不同的带宽，这样 就增加了估计中带宽矩阵h 的灵活性，但是伴随而来的是计算量的增大，影响效率。解 决这个问题有两种方式，第一种就是采用比例单位阵的形式：h = h 2 ，在维数固定的 空间中只需要提供一个参数h 就可以计算出带宽矩阵，减少了计算量，提高了效率；第 二种就是采用对角阵形式的带宽矩阵：h = d i a g l 啊2 2l 。它相对第一种形式的计算 量显得稍微复杂，一般在带宽矩阵中采用第一种形式，因此，式( 2 1 6 ) 可以写为： 夕( 垆嘉喜k ( 寻 p 1 8 ) 把轮廓函数代入上式，则概率密度估计为： f h , k 寺圳寻| f 2 ( 2 - 1 9 ) 式( 2 1 9 ) 就是均值漂移算法中常用来计算特征值概率密度的公式。 2 3 3 均值漂移