一种分层MeanShift目标跟踪算法_图文

1、 自 选 定 目标模型 区 5 0 聚 类 日标模型 聚类 模式点描述 述 动 化 学 报 . 35 卷 生 的计算 量 N 爪 也 很小 那 么 二 层 像素 匹配 的计 算 量 为 , , . , 凡 , = c N + 戈 孔 . 第 从 若聚 类 块 匹 配后 直 获取下 一 帧 , 获取 候选 日标区 (戈 为中心 戈 为尺 度 , 一 一 M s 迭 代 sD 聚类 (带宽 6 5 于 候选 目 标模 型 聚类模式点描述 聚类块 (前景 匹 配 块 内 像素点匹 配 M S 迭代 夕 及 s 接 运 算 d 对 相 匹 配 的聚 类 逐 点 比较产 生 的计 算 量 又 n 、 x

2、 n “ 从 = d ( 而 本文 给 出结合邻域一 致性 分层 匹 配 只 需计 算 聚类模式 点近 似 比较 从 = d x 5 1 令 s N 为适 应 日标尺 度 的变化 而迭 代搜索的尺 度数 日的计算 量 那 么 执行 一 次分 层 M S 匹 配迭 代 算法 总的计 算代 价为 C = 从 ( + 从 = 从 ( l N c N + + d x 1 显 然 本文的匹 配计 算量 C 除聚 呱 , . , . , , 类计 算量 N 较大 之外 其他都 是儿个模式 点的匹 配 c 及 数乘运 算 , . 3 实验 , , 输 出跟 踪结果 图 F ig 4 . 4 H MS ra

3、跟 踪原 理 框 图 o n f H M S t ra e k i g P ro . o B l e k d ia g m e e ss 量越大 得到 的聚类数 d 越 人 , 太大 会 使聚类 分 割丢掉太多细 节; a 太 小 不 能起 到增强 颜色特 征 的 , , , 鲁棒性 的作 用 ( 文 初始 , 参数 是 经 过 反 复实验 的 本 经 验值 设 聚类 后 求质心 前 景/ 背 景 分离 匹配 模 式点 的计算 量 为 戈 由于聚类 个数 d 很小 因而 产 . 、 、 刀 , , : . 实 验 平 台 环 境 硬 件 为 主 频 1 5 G H z 内存 e slZ M 的

4、 R SO 的 IB M 笔记 本 电脑 软件为 M a la b t 1 通 过 大量 真实实验 调 试 与 其他 两 种算法 队 7 7 相 比 本文 算法 是 有效可 行 的 在跟 踪准确性 方 面 抗 光 照 遮 挡 阴影 噪 声干 扰等 鲁棒 性方 面 强于 经 典方法 搜索迭 代次数 随所选 目标 不 同而 有所 不 同 略高 于经 典方法 卜 给 出 一 些 本文 算 法跟 踪 结 果 面 及 性能 分析 第 一 帧手 动初始化 日标模 型区 匹配 允 c 许误 差范 围闽值 T = 1 1 实验 户 外足 球 比 赛 图 像序 列 图像 大 小 为 0 x 5 0 像素 共 2

5、 8 帧 球 员之 间相 互 遮挡 存 2 7 6 5 多的 颜色特 征相 似 的 日标 对 快速 运 动 的球 员 在较 日标 进行 跟踪 第一 层 初始 聚类带 宽及前 景 / 背 景分 5 8 离距 离参数为 几 = !3 1 第二 层 核 函 数带宽 a = 8 1 2 a 川 1 设定 的聚 类带宽较 大 聚类 程度较 适应 聚类 为 1 5 类 中途 10 1 、 1 2 0 帧 1 4 2 高 白 10 5 1 0 帧 出现 运 动 日标 遮 挡 及 碰 撞 序 列 帧 9 0 5 1 1 4 16 2 15 5 2 3 3 跟 踪结果如 图 5 所 示 甸帧迭 代 . . ,

6、, . , 、 、 , , . , , . . , , . , , . , , , , , . , , . 、 . , , , , , , 图5 F ig 5 . 足 球赛 运动 球 员 H M S 算 法 跟 踪 结 果 k in g r e su c j 肠a lts o ff o o t b a l Pl l a y er u si n g H MS 4 期 : i t 许海 霞等 一 种分层 M e n S h f 目标跟 踪 算法 a 欺 招 U u 尸 O 的 1 二 一 _ 1 黝” ” 盯 ” 1 让撇 门门 邵 一 F r出 11 e 一 n L _ J de x ; 丁 .

7、 o u 。 的 4 一 望 日 花 三 一 . Fr 田 11 e in d e x 图6 F ig 6 文献 (左 与本文 ( 右 每帧迭 代次 数的对 比 s w i th re Th e nu m be r s o f it e ra t io n s g a d to th e f r r m a e in d e x u s in g re e f re n e e 3 t 【 (l f e a n d H MS ( rig ht , 次数如 图 6 所 示 与文献 . . 1 均每帧迭 代 2 2 5 2 验 2 室 内人 脸 图像序列 图像大 小为 1 8 x 2 实 % 像

8、素 共 1 0 帧 人脸 从 正 面 转 向反面 再转 过 0 来 遮 挡 严 重 相 对 于 实验 1 而 言 实 验 2 跟 踪 的 目标颜色分布较 细 腻 变 化较 小 第 一 层 初始 聚类 6 2 带 宽及 前景/ 背 景分离 距 离 参数 为 T l= 【 2 0 a h = 1 第 二 层 核 函 数带 宽 h 2 1 a 【 0 设 定 的 聚类 带 宽较 小 聚类程 度较低 图 7 显 示 了 本 文算法 与文献 8 4 0 l s 算 法对 序列 帧 1 2 9 的跟 踪 结 果 与其 他两 3 7 种 M S 算法 (文 献 【 中 的 M S 算 法 1 文 献 【 中

9、 M S 算法 2 相 比 日标质心 的跟 踪误 差 如 图 8 所 的 示 本文 算法 的准确性 更高 , . s 算 法相 比 本文 算法 平 次 文献 算法 为 2 0 4 6 次 1 s , , 比 , 0 口标质 心 的跟 踪 误 差如 图 1 . 页 (见 卜 所示 显 . , . , 然 本文 算法 的跟 踪准确性 更高 从 以上 儿 个实验 的跟 踪 效果 图及 性 能图 比 较 分 7 析来看 与其他 两种 M S 算法 队 相 比 本文 算法 中 , , , , , . , 、 聚 类块 模式 点增 强 了颜 色 特 征表 征 的 鲁棒 性 在一 定程 度上 克服 了光照

10、噪声等 的影响 可 获取 稳定 的 , 、 , , , , , , . , . , , . , , , . 图7 F ig 7 . 本文算法 ( 卜 与文献 (下 的 人脸 跟 踪结 果 s 肠a c k in g re su re t l。 o f f a e e u si n n g H ro M S (u p r w o 、 an d e f re n e e o 3 ! (d w w 、 实验 3 . 户 外 强 光照 下 穿梭 于草地 . 沙 漠 公路 , 车辆 较 长时 间行 驶 在 强 光照 卜 阴 影 影 响较严 重 目标 的尺 度变 化大 背 景环 境 变化 大 图像序 列

11、来源 于 P E T S 2 0 图像 大 小为 1 0 x 0 5 6 上 的 车辆 图像 序 列 , . , , 0 1 7 像素 共 1 8 10 帧 并提 供 有真实数据 设 定 的 聚 类 带 宽及 前 景 / 背景 分 离距 离参 数 为 几 1 = a , 3 18 0 2 3 核 函 数 带宽 h = 【 12 聚 为 9 类 序 , , . 图 Fi g 8 . 8 , 室 内人脸 序列 的文献 !3 7 1 算法 与本 文 算 法 的跟踪 误 差 比较 , , , , , , . C o m P a r i so in n r o f t r a e k in g d if

12、 e , , e r ro s r lg o f 列 帧 6 0 2 1 0 5 8 0 1 2 5 0 1 5 1 0 1 8 0 0 的 跟 踪 结果 7 如 图 9 (见 卜 所 示 与其 他两 种 M S 算 法 队 相 页 , , , , , . d o o r re o f e f t hr e e re t n a o r i th c a f e s , se q u e n e e m re n e e s 3 7 1 a n d H MS 35 卷 运动块 先聚类块 匹 配 再 像素 匹配 提高 了 日标 匹 配 , 、 的有效 性 跟踪效 果 更好 分层 匹配算 法有效

13、可 行 , , . 4 结论 , , 、 图9 . 穿梭于 草地 沙漠 公路 上 的车辆 升 a e k in g r e su an 、 H MS e ar n i 算 法 跟踪 结 果 th e F 19 9 lts d o f ru n n i n g r g a ss , d e se r t ro a d u si n g HMS 本 文 提 出 了一 种 分 层 M e a S h f 目标 跟 踪 算 n i t 法 通 过 多组实验 分别从 直观跟 踪效 果 迭代运 算 次数 和跟 踪 误 差方 面 与其他两 种 M S 算法 进 行 比 较 分析 了本文给 出算法的性 能及有

14、 效性 本 文 的贡 献 在 于: l 将 区域 匹配 的 M S 日标 跟踪 算法分 层执 行 提 出分层搜索的思 想 即先 块 匹配 再 像素匹配 ; 2 以 聚类块模 式 点描述 日标模 型 利 用 邻域 一 致 性 计 算 日标 运 动平 移 量 给 出 分 层 的 M S 匹配 迭 代 跟 踪 算法 将 N 个数据 点收敛 于 d 个 模式 点 再收敛 于 目标质 心 模式 点 与经 典方 法相 比 分层 处 理 提 高 了 日标模 型 表达 与 匹 配 的鲁棒性 无 需 逐 点计 算 高 斯 核 大大 节 省 了计 算量 但 是增加 了聚 类的运 算 : 本文 算法存在 的主要 问

15、题 是 在跟踪 过 程中 日 参 标 ( 考 模型 描述 没有在 线 更新 ; 环 境的变化 可 能 导 致 目标 的前 景 颜色 发生 较 大变化 而 本 文 的匹 配 误 差允 许 闽值 不 能设 定 的太 大 这 样 可 能使 日标 丢 失而 跟 踪失败 因此 将来 的工 作是 着 重解 决如何在 参考 模 型描述 的 问题 以获得 更 为鲁 线 更新 日标 ( 棒 的跟 踪 以及 研 究 效率更 高的聚类算法 , , . , , , , , . , . , , , , . , , , . , , . R 1 Com n o n r a n e e f V e re n ce S . i

16、e iu o D , R ig id e b j e ts us m a in g h es . , Me e r P s R : ea l t im 一 e tr ae o i k n g o f - m n a hif t . n I P ro ee e d in g s f IE E E - C o m P u t e r S o e ie t C o n f r e n e e o n C o m p u t e r V is io n a n d P a t e y , , o o e s : te r n R e eo n g it i n H ilt n H a I la d U

17、 S A IE E E 2 0 0 0 d n 14 2 一 1 4 9 2 ua Fk e n a ga t n o f n : . a e H o t e t l r L D T h e e s t im a t io n o f t h e g a d i r s ea o s d 璐 it f n e t io n w it h y u t e r re e o g 即 p li ti n in P a t n K , . - e - n it io ZE E E 32 一40 ie iu . 升 a n s c a 亡 j 21 1 ( n o V tj 、 o n n o I f

18、功 r a 七 f o y 朋 乃e r e , 1975 , 3 C m tr o n a n D , R , a m es h , , Me e r P o n : . Kernelba s 一 d o e b j et E c a ki g 里 E n e l g 曲j l 亡 l n e i e 4 E 乃 a n sae o n s n ee 200 3 ga r ra 25 5 . ( : 5 64一 575 a 亡 P 亡e n r A n a l s y js n a d M a - B ir e h e l S T d o f R r re , g i o n 一 ba s

19、. a R e n j an n . S S p a io g r t In o n d t n c a ki g re n e e , P ro eee m a s e v s g . r su s o his t o g r a m s d in Pu t e r S o ee o e e i ty C o n e f C o m p u te r , E f I E E Co m V is io n a n d P a t e r n t g n it io . S a n D ie g o g ba s U S A : IE E E d eo o r 200 5 la n d 1 1

20、5 8 一1 1 6 3 t a 5 LiP H A o e u s er n l t i e l m o d e bj e e t t r c a k in . g . In : P r o ee e di e n s g n o f n t he . 1 8 t h In t o n s a f g 1g O g r it h m t o f r e rn a , io n a l Co n f e I EE E 6 r en ee , o n P a tt e r n 2006 一 671一6 74 e g R o e it io H K o n C h in a : L i Pe i

21、H u tr a An e a 亡 A im P r o v u o 亡 d m e an s , h if a g o r it h m t l 2007 , o f r o e bjet c a k in g . A m a 亡c ia e 乳 万a n 33 4 . 图 10 F ig 1 0 . 李培 华 ( 一 种改 进 的 M 3 3 4 : 347 一354 ( e a n S h f 跟 踪 算法 i t ( : 34 7一3 54 , 自动化 学 报 20 07 , 车辆序列中 文 献 咚 刘 算 法 与本 文 算法跟 踪 误 差 比较 C o m P a is o n r

22、t h r ee a , o f t ra e k in g s, re e rr o r s ees , n i ea r a n se q u e n e e o f r 7 a Y tr n g C J , D i s u ra i a w a m i R , D v ai s L S , Ef i . e e : i t n Me e ee lg o r t i hm e f ren 3 ! 7 d H MS c a k in g v a ne w s im il ity m r a e s a u re In IE E E e C o m P u t e r S o e ie t y

23、 C o n f r e n ee o n d in g o f s C o m P u t e r V is io n Pr o n a S h if t 4 期 d Pa t e r n t : 许 海霞等 一 种分 层 M e a n i t S h f 目标跟 踪算法 4 09 an 176 一183 8 e R u ra e o g n it io n . Sa n D ie g o , U SA : IE E E , 200 5 a Y e T m n g e , C J D is w a m i R ae 一 , El g , a m m o a 1 A , D e v ai s

24、 s L 5 a ee . e R e a l - t im e K t , er h n ie a l R e n l ba s 一 e d o e Po rt C S T 肠 k in g in J in t R 4567 n C o m P u t e r S e ie n , e t r Fau 2004 , P a i l SP a t c es , D Pa t r - e n U n iv e r s ity a f M a yl r a i w 一 d , , USA 一 st i u t 许 海霞 湖南 大学 电 气 与信 息 工 程 学 院 . 自动化 重 点 实验 室博

25、L 研 究 生 主 要 研 究 方 向为 计 算 机视 觉 目标 跟 踪 和 摄 像 . . , 机标 定 本文通 信作 者 E m th e a il: x x h 一 a i ZOOZ 1 2 6 . . eo m ea n 9 E l am m g in g in te r n lA , D u ra s o n e a u r e s p a ia l s p a e e s In : P r o e e e d in g t j i t f t s C o m p u t e r S o e ie t y C o n f r e n e e o n C o m p u t e r V

26、 is io n e . m a iR D v a is L S P r o b a b ilis t ie t r o a n ae k - x ( U K H ey a i x ia ph D o r d id a te ati n o , a t f IE E E d Pa t La r bo r t a y o n fA g u to m In te o e R eo g n it io , n . M a is o n d . , U S A : IE E E ea , 20 03 in . 78 1一 788 ra n o f E . e l e t r ie a l a n d

27、In o f m ati n o e E n i e e r in g , H u n an , U o - n i e v rs i y t H er r es ear eh , n i t e re s t er a ea v o ra ers eo m P u te r Co v i i n s o 10 L eu n sa g A P G g 5 G t k g w it h d m M n S h if t m p lin g In : P r o e e e d in g o f t h e 1 7 t h B r it is h M a e h in e V i s o n r

28、ae . e b j e t tr a e k in g an d . ea m lb i tio n . rre s P o n d in g s o n i C o n f r en e . ee . E d in b u r g h , B r it is h : U n iv e r s it y 升i er P r e ss , au tho r o f th is p 即e r 王 耀南 . 20 06 11 72 9一 738 N aee m o A , l M il s S P r id m , o re T 一 . St r u e t u n re d e o , m b

29、in a t io In a : n o f - e Pa t ie l f l e r r i t an d ke rn er n re a . e lM B ea n S h if t r a e k in g t e f r e n e e o n , P ro e a n eee d in g s s o n i f t h e 2 1s t In t C o m p u t in g G . t a io n a l C o t ar r er Im g n d V i i a Is l n d a N ew Z e a l d : IE E E , 2006 12 1一6 , H

30、o n a B e Jo o S u re W , D v a is L 5 . P r o b a b ilis t ie f s io u . n t r a k in g c us - s e a re h 湖 南 人学 电 气 与信息 工 程 学 院 , . 教授 主要 研 究方 向为机器 视 觉 智能 图 像处理 和 智能 机器人 E m a l: ya i o 一 n a n hn u . en 、 ( vA N G In s titu t e E n g in o a Y g , o 一 N a n p a n ro e f ssor at a the tio n re a in

31、 g m ix t f th e k r ne 1 1 t h Im , er n : 一 l b 留e d B a y e s ia f l e r in g In : P r o c e d in g s e n i t t a io n a l C o n f r e n e e o n C o m P u t e r V is io n e , e f E l e t r ie a l d In f r m o . . eer i n H u n an U n iv e rs it y H is , J 13 a n e ro i o B r z a il IE E E , 200 7

32、 e . 1 一8 . in t e r e st g , eo ver s eli l eo m P u te r ro v . isio n in te llg i en t im ge PP T h m 朗 M K m b h m tt u C A t M x o im a n S h if v ia s w a m in e l i罗 n e e I : P r o e e e d in g s o f t h e 1 8 t h In t t l r o s t e r n a io n a l C o n f r e n e e o n l w it h A r t if e ia

33、 l In t e ll g n e e ie t e i o T a a n a r io n to ean - p ro e e s sin . n a d i t n t 罗n b ot . t W 公 h in g 14 o n D . C . , U S A : IE E E l C li o , 20 06 . . 58 3一5 90 i t 一 袁小 芳 湖南 大学 电 气 与信 工 程学 院 自 . Pa k M r p ro p a g a , L iu Y X , n s R T g Ef i . e en : m ean s h if t o e o b li f e e

34、 n 动 化重 点 实验 室 博 研 究 生 主 要 研 究 方 向为智能控制 神经 网络 E m a , . t io n o f o n : r v s o n i i tr n c a ki In an Pr o e ee d in g s f IE E E g n it io Co n f e Al s a 15 re n e e , a k U SA Com a C o m P u t e r V is io n , I E E 2008 1一8 E . d P a tt e r n e R en i : yu l a n x i朋 趣Z le 一 n . eo m 、 、 Y (

35、U A N x ia F o a n g ra ph D to r y o ca n di - Han B , an ie iu D , Z hu Y , D s a v a is L 5 e . Se q u o t ia l 一 e k e s j rn e l - d a t e a t he K e y L a b o t tio n , f A u to m a an d e n s it y t n a d it P P li a i n t su a s ae e rn l t r a e k in g E E 升 亡o n s o 刀 j E I n a a t P亡 ac n

36、 e e i e n e e 20 0 8 3 0 7 : 1 1 8 6 一 l x 9 7 M h i l 亡 1J g n ( P Pr x o . im a t io n o re a l t im v a n i A n a , , s y l l d In s t it u t e o e f E l e t r ie a l . d In f o r - m a io n E n g in t e s t e o v e rs eeri n g , H un n a U n n 扮 e r s ity H i吕 n et re s e a r h c in t er - 16 M

37、 ig u e lA a , Ca r s re r i a Pe r P 五 如 u rr n . Fa t s 一 n o n . Pa r n : w it h G 2 3r d In t s n u ia b l e rn : i g M t P di g f th S h if I c t a io n a l C o f r e l 、 e o n M a e hin e L e a n in g P itt s r n e e a n r o ee e m a e t r ie e u s er t in g e in t e llg i en t eo n t ro l a d

38、 n e u ra l o w rk s . n s o . 周 维 b u rg h 17 , U SA , IE E E n , 2006 . 153 一160 . Z ha n g K s s it : en e y f o a T r g M Kw ok J T , y A p p l in g ne ig hb it y o r ho e f o d a eo n - In Pr o ee e d in 邵 . s a f t e u s er n t i o l g an d u e k e eo r n e l d n ens e st im , ti o n f IE E E

39、C o m p t er S o e e i ty C o . n re n e e o n C o m P u t e r V is io n a n d P a t e r n R t , IE E E 2 0 0 5 1 0 0 1 一 10 0 7 18 g n it io S a n D ie g o U SA: 一 in p te r e s t e o ve r s n e . 湘 潭 大学 信息 工 程 学 院 硕 上研 , : 究 生 主 要 研 究 方 向 为 网络 图像 处理 E m the n i g , . . 信 息安全 m d ent , i a l: b ig

40、d d a o d y 2 0O4 1 2 6 . eo z ( HoU 、 1 v七 e Ma s ter stu at eer - t In s t i u f In f o U a rm a t i n o . E n g in r Com an s ie iu D h if t a n , R a m a e s h V i , M e e r P T h e v r ia b le b a n d w id t h a . X ia g n t an n a r n iv e r tity Hi s ity , s r h e ea C m o ea n d d ta d - r v en se a e l se e e n l t io n . In : Pr o e ee d in g s - t f t h e s t h IE E E I毗e r n a io t . n a lCo , e f re n e e . o n C o m P u te r V i o w rk d in o f m o ti n seeu r a n d i