[发明专利]一种基于Mean shift的目标跟踪方法

说明书

技术领域

本发明涉及一种基于Mean shift(均值漂移)算法的目标跟踪改进型方法，设计了一种有效克服跟踪漂移问题并适应目标尺度变化的模糊自适应方法，可以应用于各类运动目标跟踪系统。 

背景技术

目标跟踪是近年来计算机视觉领域中备受关注的研究方向，在安全监控、运动检测等领域都具有广泛的应用前景。目前运动目标的跟踪方法主要有光流法、粒子滤波、Mean shift均值漂移等方法，其中Mean shift算法以其良好的实时特性获得广泛的应用与发展。但传统的基于Mean shift的跟踪算法存在以下问题：1）由于采用固定的核窗宽度，不能很好的适应目标尺度的变化；2）目标模型固定不变，随着跟踪时间的积累，产生跟踪漂移，最终可能会丢失目标。 

基于此，本发明提出了一种基于Mean shift算法的模糊自适应运动目标跟踪方法，在此基础上设计了一个自适应模糊跟踪系统，可有效适应目标尺度的变化另外，增加了模型自适应更新机制，根据候选目标的置信度自适应调整目标模型，理论上这种方法不仅可以适应目标尺度的变化并能克服目标跟踪过程中的跟踪漂移问题。 

发明内容

要解决的技术问题 

能够有效适应跟踪目标尺度的变化，并能够避免目标跟踪中的漂移现象，实现目标长时间实时稳定跟踪。 

技术方案 

一种基于Mean shift的目标跟踪方法，其特征在于：

步骤1：在第1帧图像中选取包含目标跟踪的区域作为目标模板图像； 

步骤2：根据目标运动的位置和速度构造卡尔曼滤波器模型，预测第k帧候选目标 的位置 然后以 为中心，作窗口大小为h(k)^*的矩形窗，得到窗所覆盖的目标图像I(k)；所述的h(k)^*为第k帧候选目标增益尺度，为h(k)^*＝(1+β)×h(k-1)，其中h(k-1)为第k-1帧候选目标尺度，β为拓展因子； 

步骤3：计算第k帧图像候选目标的置信度L(k)和I(k)与I(k-1)之间的相似度ρ(k)，当|L(k)-L(k-1)|＜θthρ(k)>ρth]]>成立时，不进行候选目标尺度的更新，重复步骤2； 

所述的 其中：P_ub(b(y_i))为图像背景的概率密度函数，P_u(b(y_i))为候选目标的概率密度函数，δ为调整因子；y_i为第k帧候选目标第i个像素点的值，N_d为第k帧候选目标像素点总数； 

I(k-1)为第k-1帧的目标图像，ρ(k)=||I(k)·I(k-1)||₂，θ_th为候选目标置信度的下限阈值；ρ_th为候选目标相似度的下限阈值； 

步骤4：以置信度梯度z(k)和相似度梯度m(k)作为模糊控制器的输入,h(k)作为模糊控制器的输出，采用表1所述模糊控制规则建立模糊控制器，输出h(k)_i； 

表1模糊控制规则表 

所述的z(k)＝L(k)-L(k-1)，m(k)＝ρ(k)-ρ(k-1)，h(k)_i＝h(k)₀+Δh(k)_i，h(k)_i为第k帧中第i次Mean shift迭代运算获得的候选目标尺度，i为第k帧尺度调整机制迭代次数；