基于均值漂移的改进视频目标跟踪算法

VIP免费

3.0 侯斌 2024-11-19 4 4 3.98MB 68 页 15积分

侵权投诉

摘要

视觉跟踪是计算机视觉研究领域的核心课题之一，它主要应用于模式识别、

智能交通、国防安全、视频监控、医学图像诊断等众多领域，所以本课题具有重

要的研究价值和意义。但是运动目标本身特征的多样性以及运动场景的复杂性给

目标跟踪带来了很大的困难，虽然已经有很多视觉跟踪算法，但是提高算法的实

时性、准确性和鲁棒性始终是目标跟踪算法的要点，并且随着各个领域的飞速发

展，算法需要与时俱进，不断改进，满足人们的需求。

本文采用的跟踪算法是经典的Meanshift算法，Meanshift算法是一种无参数密

度估计、实时性好、计算简单的算法。针对传统的均值漂移算法中核窗宽无法实

时适应运动目标大小变化的问题，文章提出了一种改进的Meanshift跟踪算法。该

算法通过将对数坐标变换后的目标图像以及候选图像进行灰度投影计算，得到两

幅图像的相对位移量，从而计算出窗口缩放尺度以便对核窗宽自适应调整。实验

证明，该算法可以有效地提高Meanshift算法跟踪的准确性。

其次，由于Camshift算法采用HSV颜色模型，当光照变化或者目标尺寸发生变

化时，其仍可以准确地跟踪目标，它是Meanshift算法的改进，称为连续自适应的

MeanShift算法，它的基本思想是对视频图像的所有帧作MeanShift运算，并用上一

帧的跟踪结果去初始化下一帧MeanShift算法跟踪窗口，如此迭代下去，本文在接

下来的研究中采用Camshift算法。

最后，针对传统的Camshift主要根据目标的颜色信息来进行跟踪，在跟踪时要

手动选取目标位置，当目标颜色与背景颜色相似或目标被遮挡情况下，会出现跟

踪丢失等一些问题，提出了一种基于改进Camshift和无迹卡尔曼滤波的目标跟踪算

法。该算法采用SURF（Speed Up Robust Features）跟踪算法的结果线性加权Camshift

算法的结果，避免了相似颜色背景对目标跟踪的影响从而改进了Camshift算法；为

了解决遮挡问题，结合了UKF(Unscented Kalman Filter)算法，有效地预测目标位置。

实验结果表明，算法能够有效避免背景颜色干扰和目标被遮挡问题，且在目标发

生较大形变、尺度变化的时候仍具有很强的稳定性，且满足实时性跟踪需求。

关键词：Meanshift 灰度投影计算核窗宽调整目标跟踪算法

Camshift UKF 遮挡问题颜色干扰

ABSTRACT

Visual tracking is one of the core topics in computer vision field, which is widely

used in many fields such as pattern recognition, intelligent transportation, national

defense and security, video surveillance, medical image diagnosis and so on, so this

topic is of important research value and significance. But multiple characteristics of

moving target and complexity of moving background bring great difficulties for

tracking, although there have been many visual tracking algorithms, improving the

real-time, accuracy and robustness of the tracking algorithm is always the key point.

With the rapid development of various fields, the algorithm needs to keep pace with the

times, also it should be continually improved to meet the people's requirements.

The tracking algorithm used in this paper is the classical Meanshift algorithm,

Meanshift algorithm is a non parametric density estimation algorithm of good real-time

performance and simple calculation. For the problem that bandwidth of the traditional

target tracking algorithm based on Meanshift is unable to adapt to the size change of

moving targets in real time, an improved Meanshift tracking algorithm is proposed in

the paper. This algorithm by calculating the gray-scale projection of the target image

and the candidate image after their log-polar coordinate transformation obtains the

relative displacement of the two images and calculates the scale factor to adjust the

bandwidth. Experimental results show that the proposed algorithm can improve the

accuracy of Meanshift tracking algorithm.

Then the Camshift algorithm based on the HSV color model can still track the

target accurately when the illumination changes or target size changes , it is the

improvement of Meanshift algorithm, also called continuous adaptive Meanshift

algorithm, its basic idea is doing Meanshift operation to all the frames of video

sequences, then making the center and the size of search window of last frame as the

initial value for the next frame's, iteration continues like this, so Camshift algorithm is

adopted in this paper in the following research.

Finally, a tracking algorithm based on improved Camshift and UKF is proposed in

this paper to deal with the problems those exist in traditional Camshift algorithm, such

as artificial orientation and tracking failure under color interference as well as object’s

changed illumination and occlusion. Camshift algorithm's tracking results are weighted

by SURF's to avoid influence of similar color background and improve itself;

Meanwhile, in order to solve the sheltered problem, the UKF is combined with

improved Camshift algorithm to predict the position of the target effectively.

Experiment results show that the proposed algorithm can avoid the interference of the

background color and solve the sheltered problem of the object, so that achieving a

precise and timely tracking of moving objects also it has better robustness to color

noises and occlusion when the object’s scale changes and deformation occurs.

Keyword: Meanshift, gray-scale projection calculation, adjustive band

width, tracking algorithm, Camshift, UKF, sheltered problem,

interference of the background color

中文摘要

ABSTRACT

第一章绪论 ...................................................................................................................1

1.1 研究背景及意义 .................................................................................................1

1.2 国内外研究现状 .................................................................................................2

1.3 主要研究内容 .....................................................................................................3

1.4 论文的章节安排 .................................................................................................4

第二章视觉跟踪的主要算法 .........................................................................................6

2.1 基于区域的目标跟踪算法 .................................................................................6

2.2 基于特征的目标跟踪 .........................................................................................7

2.2.1 特征提取 ....................................................................................................7

2.2.2 特征匹配 ....................................................................................................8

2.3 基于模型的目标跟踪 .........................................................................................8

2.3.1 自由式可变形轮廓模型 ............................................................................9

2.3.2 参数可变模型 ............................................................................................9

2.4 基于运动特性的目标跟踪 ...............................................................................10

2.5 本章小结 ...........................................................................................................10

第三章 SURF 算法 ........................................................................................................11

3.1 SURF 算法的来源 .............................................................................................11

3.2 SURF 算法的实现原理 .....................................................................................11

3.2.1 SURF 算法的主要特点 ...........................................................................11

3.2.2 建立积分图像 .........................................................................................12

3.2.3 尺度空间的构建 ......................................................................................12

3.2.4 特征点检测 .............................................................................................14

3.2.5 特征描述子的生成 .................................................................................15

3.2.6 特征点匹配 .............................................................................................18

3.2.7 SURF 算法的缺点 ...................................................................................19

3.3 基于 SURF 的目标定位与跟踪 .......................................................................20

3.4 本章小结 ...........................................................................................................21

第四章卡尔曼滤波 .......................................................................................................22

4.1 卡尔曼滤波算法 ................................................................................................22

4.1.1 卡尔曼滤波的计算原理 ..........................................................................22

4.1.2 卡尔曼滤波的优缺点分析 .....................................................................25

4.2 扩展卡尔曼滤波算法 .......................................................................................25

4.3 无迹卡尔曼滤波算法 .......................................................................................29

4.3.1 UT 变换 ................................................................................................... 30

4.3.2 UT 变换的精度分析 ............................................................................... 31

4.4 本章小结 ...........................................................................................................34

第五章 Meanshift 算法及其改进 ................................................................................. 35

5.1 Meanshift 算法 .................................................................................................. 35

5.1.1 Meanshift 算法的基本原理 .................................................................... 36

5.1.2 扩展的 Meanshift ................................................................................... 36

5.1.3 Meanshift 目标跟踪 ................................................................................ 38

5.2 基于灰度投影变换的运动目标参数估计 .......................................................41

5.2.1 行、列灰度投影计算 .............................................................................41

5.2.2 位移相关检测 .........................................................................................42

5.2.3 对数极坐标变换 .....................................................................................42

5.2.4 缩放参数实时估计 .................................................................................44

5.3 改进的 Meanshift 跟踪算法 ............................................................................ 44

5.3.1 带宽自适应的 Meanshift 跟踪算法步骤 .............................................. 44

5.3.2 实验及分析 .............................................................................................45

5.4 本章小结 ...........................................................................................................47

第六章 Camshift 算法及其改进 ................................................................................... 48

6.1 Camshift 基本原理 ............................................................................................ 49

6.2 改进的 Camshift 算法 ...................................................................................... 51

6.3 基于改进 Camshift 和无迹卡尔曼滤波相融合的算法 .................................. 52

6.4 实验结果与分析 ...............................................................................................54

6.5 本章小结 ...........................................................................................................56

第七章总结与展望 .......................................................................................................57

参考文献 .........................................................................................................................59

在读期间公开发表的论文和承担科研项目及取得成果 .............................................64

致谢 ...............................................................................................................................65

第一章绪论

1.1 研究背景及意义

计算机视觉是用计算机和相关机器来模拟人类视觉获取丰富的物理信息，帮

助人类感知世界以便进一步理解和研究世界的一门学科，其涉及到物理学、模式

识别、生物仿生学、人工神经网络、数学和计算机图形学等学科，广泛应用于车

辆跟踪、视频监控、医学辅助诊断、机器视觉导航、智能人机接口、物体的三维

识别与重建等众多科学领域，目前是人工智能领域中研究得最多的方向之一，其

主要通过对图片或者视频进行处理分析以获得相应背景和目标的信息来完成任

务。

随着电子信息技术的发展，计算机视觉的研究逐步由静态图像阶段发展到了

动态视频阶段。显然，视频图像比静态图像包涵更多的数据信息，因而，视频目

标跟踪是计算机视觉的一个重要研究方向。视频目标跟踪对通过摄像头获取的视

频序列图像进行特征、位置等分析，建立目标模型，基于一些跟踪算法的基础上，

实现对后续帧中的目标进行跟踪的目的。与传统的雷达跟踪系统或者红外跟踪系

统相比较，视觉跟踪系统采用廉价的光学成像设备以及计算机相关的设备，不仅

获取的信息量大而且视觉跟踪系统有着很强的抗电子干扰能力和不对外辐射无线

电波，它有着更高的性价比、隐蔽性，因此在很多相关领域有着广泛的应用。

视觉跟踪主要对视频图像序列中感兴趣的运动目标进行跟踪，被跟踪的运动

目标可以通过后台自动选取获得，也可以通过人机交互而得，其在智能人机交互、

智能视频监控、智能交通系统、军事领域应用比较多。

智能人机交互：自计算机出现直至发展到如今，人机交互经历了命令行语言

阶段，图形窗口阶段，多媒体多通道技术阶段，各阶段的发展分别以 IBM 大型机、

Windows PC 机、触摸屏为典型。为了提高与计算机进行交流和互动的方便性，

如今的人机交互的发展是基于手势、面部表情等方式的，这就需要计算机有着像

人一样的智能识别技术。因此计算机视觉需要对人的各种手势、姿态等能够进行

准确的识别,准确的语义解释和精确的跟踪，从而弥补鼠标、键盘在使用中的不足，

甚至可以替代某些情况下的鼠标和键盘。

智能视频监控：监控已从现场依赖人值守发展到数字存储、无人在场的远程

监控，并且视频监控一直朝着数字化、网络化和高清化的方向不断发展。常见的

名胜古迹门口、地下停车场、公关场所，甚至青奥会、世界杯等大型国际活动对

安防的需求为视频监控相关产品的开发与广泛的应用起到了极大的促进作用，更

上海理工大学硕士学位论文

能使其引起空前关注的是来自恐怖主义的攻击。智能视频监控系统是通过摄像头

来自动完成目标的检测、识别以及跟踪过程，其是计算机视觉领域的核心问题，

准确、实时以及有效的跟踪一直是智能视频监控系统技术的最为重要标准。

智能交通系统：实现对闯红灯、超速等违规车辆的自动跟踪以及车流量统计、

车牌的统计等。目前国内外各个大学，例如英国的 Reading 大学正在车辆识别、

跟踪以及交互作用方向上进行研究。

军事领域：包括军事上的机器导航、目标检测与跟踪、自动驾驶、武器制导

等。1997 年，美国的麻省理工大学等一些高校参与的自动视频图像理解的研究，

该研究主要应用于战场以及普通民用场景；此外，实时视觉监控系统 W4 不仅可

以识别和分割场景中的人，还可以通过建立外观模型来完成多目标跟踪，对目标

的一些简单行为进行判断并且采取措施。

视觉跟踪应该具有很好的鲁棒性和实时性，能够适应目标姿态变化、复杂背

景变化、遮挡等带来的干扰。近年来，跟踪领域的一些专家们对特征空间、粒子

滤波、卡尔曼滤波、无迹卡尔曼滤波、尺度空间等进行了深入的研究，这使得视

觉跟踪技术有了突破性进展。

然而每种跟踪算法需要特定的条件，才能发挥相应比较好的效果，不具有广

泛的场景适用性，例如，不能处理复杂背景问题或者实时性受到算法本身的制约。

因此，在现有研究的基础上，对跟踪算法进行进一步研究，以追求更好地满足人

们需求的算法性能很有必要。

1.2 国内外研究现状

视觉跟踪近年来是全球在计算机领域的重要研究点，由于计算机技术的快速

发展，跟踪技术也取得了很大的进步。

国外对视频目标跟踪技术的研究很早。国外在该领域理论层面上的研究最早

起于 20 世纪 80 年代，Horn B K 等人提出了光流法

[1]

，目标跟踪技术才从静态图

像步入到动态序列图像研究的领域。由于光流法的计算量大且计算复杂，要求计

算机设备的处理速度极高，并且容易受视频中噪声的影响，由于准确性和实时性

上很难满足实际场合的需求，应用得范围不广。20 世纪 90 年代，欧洲和美国等

一些发达国家对视觉跟踪理论也进行了深入的研究，

1995 年Yz．

Cheng

[2]

使用无

参数密度估计算法进行目标跟踪，提出了基于 MeanShift 的运动目标跟踪算法。

1996 年，Ryuzo Okada 等人

[2][3]

研究了基于光流和边缘信息的目标跟踪算法，此

外，

S．

Asaad

[4]

运用目标的边缘信息对目标进行准确地跟踪。

1998 年，

Y．

Zhong

等人

[5]

采用可变形轮廓模型的方法对目标进行跟踪，M Kass 等人

[6]

提出基于主动

文档加载中……请稍候！
如果长时间未打开，您也可以点击刷新试试。

下载文档到电脑，查找使用更方便

15 积分 4人已下载

立即下载 VIP免费下载

摘要：

摘要视觉跟踪是计算机视觉研究领域的核心课题之一，它主要应用于模式识别、智能交通、国防安全、视频监控、医学图像诊断等众多领域，所以本课题具有重要的研究价值和意义。但是运动目标本身特征的多样性以及运动场景的复杂性给目标跟踪带来了很大的困难，虽然已经有很多视觉跟踪算法，但是提高算法的实时性、准确性和鲁棒性始终是目标跟踪算法的要点，并且随着各个领域的飞速发展，算法需要与时俱进，不断改进，满足人们的需求。本文采用的跟踪算法是经典的Meanshift算法，Meanshift算法是一种无参数密度估计、实时性好、计算简单的算法。针对传统的均值漂移算法中核窗宽无法实时适应运动目标大小变化的问题，文章提出了一种改...

展开>> 收起<<

基于均值漂移的改进视频目标跟踪算法.pdf

共68页,预览7页

还剩页未读，继续阅读

基于均值漂移的改进视频目标跟踪算法

相关推荐

开通VIP享超值会员特权

作者详情

相关内容

推荐作者

热门标签

举报选择: