视频目标跟踪报告

专业硕士研究生实践训练环节视频运动目标检测与跟踪学院：信息科学与工程学院专业：姓名：学号：授课老师：日期：2017目录TOC\o"1-3"\h\u1课程设计的目的和意义 .1基于MeanShift的跟踪算法3.1.1RGB颜色直方图RGB颜色直方图：在运动目标跟踪领域里，颜色直方图是一种典型的描述目标特征的手段，它应用计算和统计学规律，能够反映视频序列帧中颜色的组合结构和比例分布情况，任何一副图像都有与之唯一对应的颜色直方图。RGB彩色模型三维坐标系的每个坐标轴分别由R、G、B三基色组成，其中坐标轴最小值为0，最大值为255。任何一种颜色都能够在这个三维坐标系中找到自己的位置，坐标的原点(0，0，0)表示黑色，而坐标(255，255，255)表示白色。计算图像颜色直方图的目的是为了获取颜色概率分布图像，因此需要颜色量化过程即将颜色空间划分为若干个小的颜色区间，每个区间称为直方图的一个直方格bin，然后计算图片颜色落在每个颜色区间内的像素数量就可以得到颜色直方图。计算直方图的方法可以简单的描述为：给定一个图像的m区间的直方图，定义图像的像素位置为和直方图，同时给定一个表示像素的直方图索引为的函数，因此直方图可以用下式计算： (3-1)其中将直方图区间的值量化到二维概率分布图像的离散像素范围内可以用下式计算： (3-2)即直方图区间的值从量化到新的范围[0,255]内。3.1.2基于颜色和纹理特征的MeanShift跟踪算法颜色是一种有效的视觉特征，它对目标的旋转、物体的遮挡及非刚体变换都比较鲁棒，但是它容易受到光照变化及相似背景颜色的干扰。因此基于单一特征的跟踪算法很难适应环境的变化，而多特征联合起来可以有效的互补克服单一线索的缺陷。本文采用基于颜色和纹理特征的MeanShift跟踪算法，在对运动目标进行颜色特征匹配之后，进一步进行LBP纹理统计特征匹配，有效的提高了匹配效率，避免基于单一颜色特征的MeanShift跟踪算法易受到光照变化及相似背景颜色干扰的缺点。用于跟踪的MeanShift算法是一种半自动跟踪算法.在跟踪序列的初始帧，通过人工或其他识别算法确定目标窗并构建目标模型；然后，在序列第N帧对应位置计算候选目标模型；比较两个模型的相似度，以相似度最大化为原则移动跟踪窗，从而定位目标的真实位置。 (3-3)目标定位问题转化为最大化相似度函数的问题，以前一帧的搜索窗中心为起始点，将在附近Taylor展开，取前两项。即：因此要使得向最大值迭代，只要Y的搜索方向与梯度方向一致即可，通过求导可得到的梯度方向。从而可以推导出MeanShift向量：(3-4)其中，是目标的新中心坐标；，是函数的影子核。通过反复迭代，当Mean-Shift向量，的模值小于给定常量时，则认为完成了目标定位。3.2基于颜色特征的粒子滤波跟踪算法粒子滤波是蒙特卡罗方法和贝叶斯估计理论结合的产物，它通过非参数化的蒙特卡罗模拟方法从时域实现递推贝叶斯估计。粒子滤波算法其思想是利用一系列随机抽取的样本以及样本的权重来计算状态的后验概率密度。从而实现目标的跟踪。粒子滤波算法通过状态-空间模型中不断演化的具有权值的粒子来估计目标状态，不用满足系统为线性、噪声高斯分布，适用于任何能用状态空间模型表示的非线性系统,但是基本的粒子滤波算法会出现粒子退化现象，使跟踪的精确性大大降低。3.2.1贝叶斯重要性采样在粒子滤波算法中，重要性采样是一个重要环节。它解决的问题是在随机变量难以采样的情况下，求取随机变量的数学期望值。由前面讨论可知，后验概率密度可由一组采样加权的粒子来近似，但是在实际情况中，后验概率密度是未知的，所以不能直接对后验概率密度采样获得粒子。要解决这个问题的常见做法是对一个容易获得的建议分布进行采样，于是期望的计算可以转化为：(3-5)其中为重要性权值，计算公式如下：(3-6)将代入式(3-5)中可得：(3-7)其中，表示根据建议分布获得的期望，因此期望可以近似表示为：(3-8)式中，表示从中获得的独立随机样本，表示标准化权值，即(3-9)3.2.2序列重要性采样为了序贯估计后验分布，建议分布的表达式重新写为： (3-10)假设状态变量与观测变量相互独立，且遵循一阶马尔科夫过程，则： (3-11) (3-12)重要性权值的递推公式可以表示为： (3-13)上式表明，只要选择合适的建议分布获取采样粒子，就可以递推计算粒子重要性权值。理想的建议分布选择应该使得重要性权值的方差最小，在实际情况中，通常建议取建议分布为状态先验分布，即： (3-14)将式(3-14)代入式(3-13)中，重要性权值的递推公式可以简化为： (3-15)上式表明，采用状态先验先验分布作为建议分布，重要性权值正比于似然函数。3.2.3粒子退化现象和重采样序贯重要性采样最大的问题就是粒子退化现象，退化现象是指经过若干次的递推之后，少数粒子会具有较大的权值，而其它的粒子的权值都变得很小，以此类推，大量的计算量就会浪费在这些权值较小的粒子上，相应的粒子权值方差会随着时间的推移不断增大，那么此时的粒子集就无法准确地对后验概率分布进行描述。为了避免这个问题，最常用的做法是重采样。重采样的核心思想是在重要性采样的基础之上，加入重采样，以淘汰权值较小的粒子，而集中于权值较大的粒子。粒子的退化程度可以用有效粒子数来度量，有效粒子数可以用下式近似估计得到： (3-16)目前比较常用的判断准则是给定阈值，一般设为，若<，则进行粒子重采样，否则不进行重采样。重采样的算法一般可以描述为从近似描述分布的粒子集中重新抽样次，以产生新的粒子集，并且把粒子的权重全部重新设为。3.2.4基本粒子滤波算法通过对以上基础知识的了解，基本粒子滤波算法一般包含初始化、状态转移、系统观测、状态估计及重采样五个步骤，具体步骤如下：（1）初始化：t=0，根据先验分布，采样初始粒子集；（2）重要性采样：时，进行重要性采样，从建议分布采样，；（3）重要性加权：1）更新粒子权值；2）对权值进行归一化处理；3）状态估计：；（4）重采样：如果，则进行重采样产生新的粒子集；，返回步骤（2）。4流程图4.1MeanShift跟踪算法流程图图4.1MeanShift跟踪算法系统框图4.2粒子滤波跟踪算法流程图图4.2粒子滤波跟踪算法系统框图5实验结果及分析讨论5.1基于MeanShift的跟踪算法仿真结果本节分别给出基于颜色特征的MeanShift跟踪算法以及基于颜色和纹理特征的MeanShift跟踪算法的实验结果。通过自拍室外视频对不同算法在相似背景干扰的情况下进行测试，视频的大小为1280720,视频长度为223帧，帧速率为25fps，以频中运动的人为跟踪目标，实验结果如图5-1、图5-2所示。图5-1基于颜色特征的MeanShift跟踪算法的实验结果图5-2基于颜色和纹理特征的MeanShift跟踪算法的实验结果由实验结果可以看出，在背景颜色与人物颜色相似的情况下，基于颜色特征的MeanShift跟踪算法发生了较大偏差，无法准确地跟踪目标；而基于颜色和纹理特征的MeanShift跟踪算法，由于加入了纹理特征，跟踪性能较为稳定，出现的偏差较小，能准确的跟踪目标。5.2基于颜色特征的粒子滤波算法仿真结果为验证基于颜色特征的粒子滤波算法有效性，这里对室内运动的目标进行跟踪仿真实验。视频的大小为320240，视频长度为132帧，帧速率为15fps。待跟踪的运动目标的参考目标模型是在视频序列帧中第一帧手动选定，粒子滤波算法的粒子数N为150个从实验结果可以看出，与背景颜色反差较大的跟踪目标在运动过程中出现物体遮挡的情况下，基于颜色的粒子滤波算法仍然可以进行准确的跟踪，因此本算法对遮挡情况下目标的跟踪有很好的适应性。图5-3基于颜色特征的粒子滤波算法实验结果6思考题1、目标特征除了采用颜色和纹理特征还可以采用那些特征？对于一些形状特殊的物体，例如坦克，可以用边缘特征。2、对于目标相似背景干扰严重，应采取什么措施？增强对颜色的分辨功能，尽可能的区分差别较小的颜色。3、粒子数不同对实验结果有什么影响。粒子数减少会减少占用内存，增快实验运行速度。粒子数减少可能就会对背景要求较高，背景干扰严重时，不能准确的识别运动物体。4、目标外观变化或遮挡较严重时考虑采用多种算法结合的目标跟踪。7课程设计总结8参考文献马晓路,刘倩,牟海军.基于MeanShift和粒子滤波的运动目标跟踪[J].微型机与应用,2012,