[发明专利]一种基于Mean shift的目标跟踪方法

摘要

本发明涉及一种基于Mean shift目标跟踪改进型方法，其特征在于：首先利用卡尔曼滤波算法对目标当前位置进行预测，然后设计模糊判定准则在线调整目标尺度值，利用Mean shift迭代运算逐步逼近目标完成跟踪，最后，利用相似度和置信度系数设计模型更新准则，以实现模板的自适应更新。利用本发明方法，能够有效适应跟踪目标尺度的变化，避免目标跟踪中的漂移现象，又能有效克服图像中噪声的干扰，跟踪精度明显提高，可实现长时间目标实时稳定跟踪。

主权项

1.一种基于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；步骤5：在候选目标尺度等于h(k)_i条件下进行Mean shift迭代运算，当|L(k)-L(k-1)|<θthρ(k)i>ρth]]>成立时，继续步骤6，否则重复步骤3；所述的ρ(k)_i为第i次Mean shift迭代I(k)与I(k-1)之间的相似度；步骤6：以q(u)(k)＝λ_k×q(u)(k)^*+(1-λ_k)×q(u)(k-1)调整第k帧的目标模板，当ρ[q(u)(k)，q(u)(k-1)]≥ε，调整结束，得到新的目标模板，然后重复步骤2；所述的ε为模型更新阈值；所述的q(u)(k)为第k帧目标模板，q(u)(k)^*为第k帧初始目标模板，q(u)(k-1)为第k-1帧目标模板，λ_k为第k帧更新因子：所述λk=(1+αL(k)-L(k-1)|L(k)|)λk-1,]]>α为学习速度；所述  ρ[q(u)(k)，q(u)(k-1)]为  q(u)(k)与q(u)(k-1)之间的欧式距离：且ρ[q(u)(k)，q(u)(k-1)]＝||q(u)(k)·q(u)(k-1)||₂；所述k值在每次重复时令k＝k+1。