專利名稱：基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種灰度目標(biāo)跟蹤算法，屬于圖像處理技術(shù)領(lǐng)域。
背景技術(shù)：
目標(biāo)跟蹤已經(jīng)被廣泛地應(yīng)用在計(jì)算機(jī)視覺、監(jiān)控系統(tǒng)、民用安檢和紅外制導(dǎo)等研 究領(lǐng)域。目標(biāo)跟蹤的本質(zhì)是確定目標(biāo)在圖像序列中的位置和幾何信息。相較于彩色目標(biāo)， 灰度目標(biāo)包含的圖像信息少，運(yùn)動(dòng)較為不規(guī)則，易受背景的遮擋或干擾，這使得灰度目標(biāo)跟 蹤的難度大大增加，已成為計(jì)算機(jī)視覺領(lǐng)域的研究熱點(diǎn)。目標(biāo)跟蹤方法分為兩大類一類是基于目標(biāo)的運(yùn)動(dòng)；另一類是基于目標(biāo)的特征。 由于基于目標(biāo)特征的跟蹤算法有更好的穩(wěn)定性和適應(yīng)性，因此得到了更為廣泛的應(yīng)用。均 值移位算法本質(zhì)上也是一種基于目標(biāo)特征的跟蹤算法，主要利用目標(biāo)的顏色和紋理特征的 統(tǒng)計(jì)分布來描述目標(biāo)，并利用均值移位向量的梯度下降搜索達(dá)到目標(biāo)跟蹤的目的。目前，國(guó)內(nèi)外對(duì)于彩色目標(biāo)的跟蹤算法已經(jīng)做出了很多的工作，提出了不少有效 的跟蹤算法，例如模版匹配、信任域方法、均值移位算法等，再結(jié)合Kalman濾波或者粒子濾 波對(duì)目標(biāo)位置進(jìn)行預(yù)測(cè)，能夠做到較為穩(wěn)健的跟蹤。其中，均值移位算法作為一種性能出色 的跟蹤算法，在彩色目標(biāo)跟蹤領(lǐng)域已經(jīng)得到了較為廣泛的應(yīng)用。但是由于灰度圖像與彩色 圖像的圖像特性有較大差異，灰度目標(biāo)所包含的信息較少，當(dāng)采用灰度直方信息作為目標(biāo) 的特征空間時(shí)，均值移位算法的跟蹤效果并不好。對(duì)于這個(gè)問題，學(xué)者們進(jìn)行了研究，對(duì)均 值移位算法進(jìn)行了一些改進(jìn)，如采用灰度加權(quán)直方圖或級(jí)聯(lián)的灰度空間等方法來描述目標(biāo) 特征。這些方法在某種程度上雖然提高了跟蹤算法的性能，但是當(dāng)目標(biāo)的紋理或者尺寸發(fā) 生改變時(shí)，往往會(huì)導(dǎo)致跟蹤失敗，并且跟蹤過程很容易受到背景灰度變化的影響。為了避免 這些問題，可以考慮在均值移位算法中用灰度目標(biāo)的邊緣信息作為目標(biāo)描述的特征，從而 能夠提高跟蹤算法的穩(wěn)定性，并減少算法處理的時(shí)間。

發(fā)明內(nèi)容
本發(fā)明的目的在于提出一種基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法，該方 法在傳統(tǒng)均值移位跟蹤算法的基礎(chǔ)上，摒棄采用目標(biāo)灰度信息作為特征空間的方法，而是 充分利用目標(biāo)的邊緣信息，實(shí)現(xiàn)了對(duì)灰度和大小均有變化的非剛性灰度目標(biāo)的穩(wěn)健跟蹤。本發(fā)明不涉及目標(biāo)檢測(cè)部分，在初始幀圖像中，已經(jīng)確定了目標(biāo)區(qū)域的大小和位 置，為一個(gè)包含目標(biāo)像素的最小矩形框。在此，將當(dāng)前幀目標(biāo)圖像定義為第k幀圖像，則前 一幀圖像為k-Ι幀圖像。本發(fā)明一種基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法，是通過以下技術(shù)方案 實(shí)現(xiàn)的1、對(duì)初始幀及后續(xù)每一幀灰度目標(biāo)圖像進(jìn)行預(yù)處理，包括對(duì)圖像的去噪、增強(qiáng)及 微分算子濾波等處理；對(duì)后續(xù)的每一幀圖像也需要進(jìn)行相同的處理。2、在預(yù)處理后的初始幀圖像中，提取目標(biāo)的邊緣信息作為特征模版。
5
3、當(dāng)?shù)趉-Ι幀跟蹤結(jié)束后，通過Kalman濾波器預(yù)測(cè)第k幀目標(biāo)的起始搜索位置。4、用均值移位跟蹤算法在Kalman濾波器預(yù)測(cè)的目標(biāo)起始位置附近搜索得到第k 幀中目標(biāo)的最優(yōu)位置。5、每隔固定周期，結(jié)合Carmy算子對(duì)目標(biāo)模版進(jìn)行更新。本發(fā)明基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法，具體實(shí)現(xiàn)步驟如下步驟1 對(duì)灰度目標(biāo)圖像進(jìn)行預(yù)處理。針對(duì)灰度圖像噪聲強(qiáng)、背景雜波大、目標(biāo)與背景的對(duì)比度低等特點(diǎn)，本發(fā)明首先對(duì) 每一幀灰度圖像進(jìn)行預(yù)處理，從而減少噪聲和背景的干擾，提高跟蹤的穩(wěn)健性。整個(gè)預(yù)處理 過程包括如下步驟(1)去除灰度圖像的噪聲，可根據(jù)噪聲的種類不同，采用不同的平滑方法。對(duì)于高 斯白噪聲，可選擇3X3窗空間域平均法；而對(duì)于椒鹽噪聲，可以選擇中值濾波。(2)為了更好地提取目標(biāo)邊緣信息，選擇直方圖對(duì)比度增強(qiáng)方法來增強(qiáng)目標(biāo)與背 景的對(duì)比度。(3)用一階Sobel微分算子對(duì)增強(qiáng)后的圖像進(jìn)行濾波，χ方向的濾波器掩模為
-1 0 1"-1 -2 -1"-2 0 2，y方向的濾波器掩模為0 0 0，可以得到兩幅濾波后的灰度圖像-1 0 11 2 1步驟2 在預(yù)處理后的初始幀圖像中，提取目標(biāo)的邊緣信息作為特征模版。與彩色圖像不同，灰度目標(biāo)的灰度分布不能提供足夠的信息完成跟蹤，并且易受 到灰度變化和背景干擾的影響。因此，本發(fā)明選擇邊緣信息作為目標(biāo)的特征空間，目標(biāo)模版 的提取方法如下取2幅預(yù)處理后得到的χ方向?yàn)V波圖像和1幅y方向?yàn)V波圖像，分別作為彩色圖 像的RGB三個(gè)通道圖像，合成一幅RGB彩色圖像。將得到的RGB圖像變換為HSV圖像，并提 取其H通道圖像，取H通道值在
T，其中x(k)和y(k)分別是目標(biāo)中心的橫坐標(biāo)和縱坐標(biāo)，χ' (k)和y' (k)則分別 表示在橫坐標(biāo)和縱坐標(biāo)上的速度；測(cè)量向量為Y(k) = [xc(k) y。(k)]T，其中x。(k)和y。(k) 分別表示在橫坐標(biāo)和縱坐標(biāo)的觀測(cè)值。于是，狀態(tài)模型可用下式表示X (k) = A (k-1) X (k-1) +B (k) W (k)觀測(cè)模型為Y(k) = C(k)X(k)+V(k)其中W(k)、V(k)為外部控制矩陣和過程噪聲協(xié)方差矩陣，在這里不需要使用。那 么，Kalman濾波算法可以由下式表示
'x(k)‘ 010"、(眾-1)“y(k)0101y{k-\)x'(k)0010x\k-\)y\k)_0001y\k-\)_
'xM"1 0 0 0"ycik)_0 10 0
'x(k)‘ y(k)
x\k) /⑷
初始值可設(shè)為X(O) = [x0 Y0 0 0]，xQ和yQ表示初始幀目標(biāo)的中心坐標(biāo)。 步驟4 用均值移位跟蹤算法在Kalman濾波器預(yù)測(cè)的目標(biāo)起始位置附近搜索得到
7第k幀中目標(biāo)的最優(yōu)位置。均值移位跟蹤算法是一種基于外部特征的跟蹤算法，通過均值移位的迭代計(jì) 算，可在當(dāng)前幀中搜索到與目標(biāo)模板特征分布最相似的候選目標(biāo)，兩者間的相似度用 Bhattacharyya距離來度量。目標(biāo)的定位過程實(shí)質(zhì)上就是迭代計(jì)算均值移位向量使之小于 閾值的過程。Bhattacharyya距離是用于衡量候選目標(biāo)與目標(biāo)模版之間相似性的參數(shù)，其計(jì)算 方法如下候選目標(biāo)pu與目標(biāo)模版qu之間特征分布的概率密度Bhattacharyya系數(shù)為 目標(biāo)最優(yōu)定位過程利用Bhattacharyya相似性測(cè)度，在當(dāng)前幀中找到一個(gè)位 置y可以最小化Bhattacharyya距離，即最大化Bhattacharyya系數(shù)。在pu (y。)處對(duì) Bhattacharyya系數(shù)進(jìn)行Taylor級(jí)數(shù)展開并取近似，可以得到 其中，qu為目標(biāo)模版的特征概率密度分布，pu(y。)為當(dāng)前幀候選目標(biāo)的特征概率密 度分布。將式(5)代入式(7)，可得
(8)其中，
上式可以看出，第一項(xiàng)與無關(guān)，第二
項(xiàng)表示了用剖面核函數(shù)k計(jì)算出的位置y。處的密度估計(jì)，并且Wi給每個(gè)數(shù)據(jù)點(diǎn)賦予權(quán)值。 因此，最大化式中的第二項(xiàng)就相當(dāng)于最大化了當(dāng)前幀候選目標(biāo)的加權(quán)特征概率密度分布， 這需要使均值移位向量為0。均值移位向量定義為 其中，g(x)=-k' (χ)。如果當(dāng)前候選目標(biāo)的位置為yQ，當(dāng)均值移位向量為0時(shí)， 可以得到新的候選目標(biāo)的位置為 如果選擇Epanechnikov核函數(shù)，那么g (χ) = 1。通過上述內(nèi)容可以看出，目標(biāo)最優(yōu)定位過程實(shí)際上就是均值移位向量的迭代計(jì)算 過程，具體方法如下如果目標(biāo)特征模版為{qjpi,...』，在當(dāng)前幀的初始位置為％，那么重復(fù)以下步驟 可得到目標(biāo)的新位置Y1
(1)估計(jì)當(dāng)前幀中在％處候選目標(biāo)的特征{Pu},
⑵計(jì)算權(quán)值· ν^/=1，..., ο。
(3)利用均值移位算法計(jì)算目標(biāo)的新位置
n，計(jì)算
⑷更新{PuGiMu =。
，計(jì)算(5)如果I Iy1-Ll I < ε，則停止，否則71的值賦予％，轉(zhuǎn)到第2步繼續(xù)循環(huán)。其中，ε是移動(dòng)距離的門限值，可取為1。步驟5 每隔固定周期，結(jié)合Carrmy算子對(duì)目標(biāo)模版進(jìn)行更新。在跟蹤過程中，目標(biāo)可能出現(xiàn)一系列的變化，因此需要在跟蹤過程中不斷更新目 標(biāo)模版，以保證跟蹤算法的穩(wěn)定性和對(duì)非剛性目標(biāo)的適應(yīng)性。本發(fā)明采取的更新策略是每 隔固定周期對(duì)目標(biāo)模版進(jìn)行更新，具體的更新方法如下在均值移位算法找到當(dāng)前幀的目標(biāo)后，取步驟2中的灰度圖象，在該灰度圖象的 目標(biāo)位置取原目標(biāo)模版1. 1倍大小的區(qū)域，并用Carmy邊緣濾波算子對(duì)該區(qū)域進(jìn)行邊緣濾 波，在此可以根據(jù)需要設(shè)置Carmy濾波算子的閾值上下限，閾值上限用于控制強(qiáng)邊緣的初 始分割，閾值下限用于控制邊緣連接，可設(shè)灰度上限值為120，下限值為30。對(duì)該濾波后的 鄰域圖像進(jìn)行先膨脹后腐蝕的形態(tài)學(xué)，然后找出其中的最大連通域，該連通域即為目標(biāo)的 邊緣。通過該連通域的邊界點(diǎn)即可獲得新目標(biāo)模版的精確位置和大小，然后利用步驟2所 述的目標(biāo)模型建立方法，即可完成對(duì)目標(biāo)模版的更新。本發(fā)明的理論基礎(chǔ)是基于核密度估計(jì)的均值移位算法，實(shí)現(xiàn)方法是步驟1-8，其完
9整算法實(shí)現(xiàn)框圖如圖1所示。本發(fā)明的主要?jiǎng)?chuàng)新之處在于選擇了邊緣信息作為目標(biāo)特征， 并采用一種新的目標(biāo)特征提取方法，即將不同方向的Sobel濾波圖像合成為RGB圖像并變 換為HSV圖像，提取其H通道信息作為特征空間的方法。本發(fā)明的另一創(chuàng)新之處在于結(jié)合 Canny濾波算子對(duì)目標(biāo)模版進(jìn)行更新。本發(fā)明的優(yōu)點(diǎn)及功效在于基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法實(shí)現(xiàn)了 對(duì)灰度目標(biāo)的有效跟蹤，采用邊緣信息作為特征空間，并結(jié)合Carmy濾波算子精確地更新 目標(biāo)模版，在目標(biāo)形狀、灰度、背景有變化以及發(fā)生短時(shí)遮擋時(shí)，均具有較好的魯棒性，與此 同時(shí)還具有很好的實(shí)時(shí)性。


圖1為本發(fā)明中完整的算法實(shí)現(xiàn)框圖。圖2為本發(fā)明實(shí)施例中灰度目標(biāo)序列的初始幀圖像。圖3為本發(fā)明實(shí)施例中的原始灰度目標(biāo)圖像序列。圖4為本發(fā)明實(shí)施例經(jīng)過對(duì)比度增強(qiáng)后的目標(biāo)圖像。圖5為本發(fā)明實(shí)施例中由Sobel濾波圖像合成的RGB目標(biāo)圖像。圖6為本發(fā)明實(shí)施例中利用Kalman濾波器預(yù)測(cè)得到的目標(biāo)起始位置。圖7為本發(fā)明實(shí)施例中得到的目標(biāo)跟蹤結(jié)果。圖8為本發(fā)明實(shí)施例中經(jīng)過Carmy邊緣濾波并經(jīng)過膨脹、腐蝕后的目標(biāo)邊緣圖像。
具體實(shí)施例方式以下通過具體的實(shí)施例對(duì)本發(fā)明的技術(shù)方案作進(jìn)一步的詳細(xì)描述。對(duì)一組目標(biāo)的灰度分布、形狀大小及背景灰度均有變化的飛機(jī)灰度圖象序列采用 本發(fā)明的跟蹤算法進(jìn)行跟蹤，圖像大小為314X240，目標(biāo)大小從78X71變化至18X9，初始 幀圖像如圖2所示，紅色窗口標(biāo)出的為初始目標(biāo)；原始圖像序列如圖3所示。步驟1 對(duì)灰度目標(biāo)圖像進(jìn)行預(yù)處理。(1)采用圖像平滑方法去除灰度圖像的噪聲，可根據(jù)噪聲的種類不同，采用不同的 平滑方法，在此選擇3X3窗的空間鄰域平均法對(duì)圖像進(jìn)行平滑。(2)為了更好地提取目標(biāo)邊緣信息，選擇直方圖對(duì)比度增強(qiáng)方法來增強(qiáng)目標(biāo)與背 景的對(duì)比度，增強(qiáng)后的圖像如圖4所示。(3)用一階Sobel微分算子對(duì)增強(qiáng)后的圖像進(jìn)行濾波，χ方向的濾波器掩模為
-1 0 Γ"-1 -2 -1"-2 0 2，y方向的濾波器掩模為0 0 0，可以得到兩幅濾波后的灰度圖像-1 0 11 2 1步驟2 在經(jīng)過預(yù)處理的初始幀圖像中，提取目標(biāo)的特征模版。與彩色圖像不同，灰度目標(biāo)的灰度分布不能提供足夠的信息完成跟蹤，并且易受 到灰度變化和背景干擾的影響。因此，本發(fā)明選擇邊緣信息作為目標(biāo)的特征空間，目標(biāo)模版 的提取方法如下取2幅預(yù)處理后得到的χ方向?yàn)V波圖像和1幅y方向?yàn)V波圖像，分別作為彩色圖像 的RGB三個(gè)通道圖像，合成一幅RGB彩色圖像，如圖5所示。將得到的RGB圖像變換為HSV圖像，并提取其H通道圖像，取H通道值在
之間的像素，超出此范圍值的像素不計(jì) 入在內(nèi)。將該H色度通道作為目標(biāo)的特征空間，將其量化為m個(gè)特征值，量化間隔越小，目 標(biāo)特征描述精度越高，m可取為30，此時(shí)特征空間的量化間隔為6。步驟3 當(dāng)前幀中用Kalman濾波器預(yù)測(cè)目標(biāo)的起始位置。由于均值移位跟蹤算法只在目標(biāo)的鄰域內(nèi)有效，因此當(dāng)目標(biāo)運(yùn)動(dòng)速度過快的時(shí) 候，無法進(jìn)行有效跟蹤。Kalman濾波器作為一種有效的運(yùn)動(dòng)估計(jì)手段，可以對(duì)快速運(yùn)動(dòng)的目 標(biāo)位置進(jìn)行有效預(yù)測(cè)，預(yù)測(cè)結(jié)果如圖6所示。步驟4 用均值移位跟蹤算法在該起始位置附近搜索得到當(dāng)前幀中目標(biāo)的最優(yōu)位置。均值移位跟蹤算法是一種基于外部特征的跟蹤算法，通過均值移位的迭代計(jì) 算，可在當(dāng)前幀中搜索到與目標(biāo)模板特征分布最相似的候選目標(biāo)，兩者間的相似度用 Bhattacharyya距離來度量。目標(biāo)的定位過程實(shí)質(zhì)上就是迭代計(jì)算均值移位向量使之小于 閾值的過程。最終的跟蹤結(jié)果如圖7所示。步驟5 結(jié)合Carmy算子對(duì)目標(biāo)模版進(jìn)行更新。在跟蹤過程中，目標(biāo)可能出現(xiàn)一系列的變化，因此需要在跟蹤過程中不斷更新目 標(biāo)模版，以保證跟蹤算法的穩(wěn)定性和對(duì)目標(biāo)變化的適應(yīng)性。在當(dāng)幀目標(biāo)位置的鄰域內(nèi)，可取1. 1倍目標(biāo)窗口大小的鄰域，將合成得到的RGB圖 像轉(zhuǎn)化為灰度圖象，并用Carmy邊緣濾波算子對(duì)該鄰域內(nèi)的圖像進(jìn)行邊緣濾波，可以根據(jù) 需要設(shè)置Carmy濾波算子的閾值上下限，閾值下用來控制邊緣連接，閾值上限用來控制強(qiáng) 邊緣的初始分割，將灰度上限值設(shè)為120，下限值設(shè)為30。對(duì)濾波后的圖像進(jìn)行先膨脹后腐 蝕的形態(tài)學(xué)操作，可以得到目標(biāo)的邊緣圖像，如圖8所示。確定該邊緣的邊界點(diǎn)，即可獲得 新目標(biāo)模版的位置和大小，然后利用步驟2所述的目標(biāo)模型提取方法，即可完成對(duì)目標(biāo)模 版的更新。本發(fā)明采取的更新策略是每隔固定周期對(duì)目標(biāo)模版進(jìn)行更新。本實(shí)施例中，對(duì)于目標(biāo)形狀變化速度較快的圖像序列，可實(shí)時(shí)地更新目標(biāo)模版，算 法實(shí)現(xiàn)軟件平臺(tái)是VC++，運(yùn)行的硬件平臺(tái)是英特爾雙核2. 4GHz處理器，采取實(shí)時(shí)更新時(shí)， 算法的處理速度仍可以達(dá)到35幀/秒以上。
權(quán)利要求
一種基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法，其特征在于包括如下步驟本發(fā)明不涉及目標(biāo)檢測(cè)部分，在初始幀圖像中，已經(jīng)確定了目標(biāo)區(qū)域的大小和位置，為一個(gè)包含目標(biāo)像素的最小矩形框；將當(dāng)前幀目標(biāo)圖像定義為第k幀圖像，則前一幀圖像為k 1幀圖像；步驟1、對(duì)初始幀及后續(xù)的每一幀灰度目標(biāo)圖像進(jìn)行預(yù)處理，包括對(duì)圖像的去噪、增強(qiáng)及微分算子濾波等處理；步驟2、在預(yù)處理后的初始幀圖像中，提取目標(biāo)的邊緣信息作為特征模版；步驟3、在第k 1幀跟蹤結(jié)束后，通過Kalman濾波器預(yù)測(cè)第k幀目標(biāo)的起始搜索位置，步驟4、用均值移位跟蹤算法在Kalman濾波器預(yù)測(cè)的目標(biāo)起始位置附近搜索得到第k幀中目標(biāo)的最優(yōu)位置；步驟5、每隔固定周期，結(jié)合Canny算子對(duì)目標(biāo)模版進(jìn)行更新。
2.根據(jù)權(quán)利要求1所述基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法，其特征在于 該步驟1中，對(duì)灰度目標(biāo)圖像進(jìn)行預(yù)處理過程，依次進(jìn)行以下操作圖像去噪根據(jù)目標(biāo)圖像情況選擇是否對(duì)圖像進(jìn)行去除噪聲，可以選擇3X3窗算術(shù)平 均平滑處理或者中值濾波；圖像增強(qiáng)采用直方圖對(duì)比度增強(qiáng)方法，增加目標(biāo)與背景的對(duì)比度；微分算子濾波用一階Sobel算子圖像分別進(jìn)行χ方向和y方向?yàn)V波，χ方向的濾波器 模為 方向的濾波器掩模 ，可以得到兩個(gè)方向上濾波后的灰 度圖象。
3.根據(jù)權(quán)利要求1所述基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法，其特征在于 該步驟2中，對(duì)預(yù)處理后的初始幀圖象進(jìn)一步處理，可以提取目標(biāo)模版的特征空間 將預(yù)處理后得到的2幀χ方向?yàn)V波圖像和1幀y方向?yàn)V波圖像，分別作為彩色圖像的 RGB三個(gè)通道圖像，合成一幅RGB彩色圖像。將得到的RGB圖像變換為HSV圖像，并提取其 H通道圖像，取H通道值在
之間的像素，超出此范圍值的像素不計(jì)入在內(nèi)。將該H 色度通道作為目標(biāo)的特征空間，將其量化為m個(gè)特征值，量化間隔越小，目標(biāo)特征描述精度 越高，m可取為30，此時(shí)特征空間的量化間隔為6。目標(biāo)模型的描述方法在初始幀的目標(biāo)窗口中，設(shè)目標(biāo)模型的像素集合為{xJi = ^， 中心在χ。，取m= 30，定義函數(shù)b (Xi) =R2 - {l...m}，用于表示像素\的量化特征值。核函 數(shù)選取Epanechnikov核函數(shù)，設(shè)k (χ)為其剖面函數(shù)，為 目標(biāo)模型的量化特征的概率密度分布可以描述為 其中δ為Kronecker Delta函數(shù)，u = 1，2，. . .，m為不同的特征值，h是核窗口帶寬 (取為目標(biāo)窗口長(zhǎng)和寬的一半)，Cq是歸一化常數(shù)，有 對(duì)于當(dāng)前幀內(nèi)的候選目標(biāo)，也可以采用同樣的方法進(jìn)行描述。設(shè)其像素集合為{Xi}: 中心在y，那么它的量化特征概率密度分布可描述為 均指像素在目標(biāo)區(qū)域中的坐標(biāo)位置。需要注意的是，上述的χ。、y以及IxJ i =
4.根據(jù)權(quán)利要求1所述基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法，其特征在于 該步驟3中，應(yīng)用Kalman濾波器對(duì)目標(biāo)的起始位置進(jìn)行預(yù)測(cè)；在第2幀到第k_l幀中， 目標(biāo)中心的位置可以形成其運(yùn)動(dòng)軌跡，將這些中心位置信息作為Kalman濾波器的觀測(cè)值， 從而對(duì)第k幀的目標(biāo)位置進(jìn)行預(yù)測(cè)；對(duì)于第k幀圖像，Kalman濾波器的狀態(tài)向量選取為X(k) = [x(k) y(k) χ' (k) y' (k)]T，其中x(k)和y(k)分別是目標(biāo)中心的橫坐標(biāo)和縱坐標(biāo)，χ' (k)和y' (k)則分 別表示在橫坐標(biāo)和縱坐標(biāo)上的速度；測(cè)量向量為Y(k) = [xc(k) yc(k)]T，其中xc(k)和y。(k) 分別表示在橫坐標(biāo)和縱坐標(biāo)的觀測(cè)值； 那么，Kalman濾波算法可以由下式表示 初始值可設(shè)為X(O) = [x0 y0 0 0]，Xtl和y(1表示初始幀目標(biāo)的中心坐標(biāo)。
5. 根據(jù)權(quán)利要求1所述基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法，其特征在于 該步驟4中，第k幀中的Kalman濾波器預(yù)測(cè)的目標(biāo)起始位置附近，用均值移位跟蹤算法精確定位，得到目標(biāo)的最優(yōu)位置；均值移位跟蹤算法是一種基于特征的跟蹤算法，它通過 均值移位的迭代計(jì)算，可搜索到與目標(biāo)模板特征分布最相似的候選目標(biāo)，目標(biāo)定位的過程 實(shí)質(zhì)上就是迭代計(jì)算均值移位向量使之小于某閾值的過程。
6.根據(jù)權(quán)利要求1所述基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法，其特征在于 該步驟5中，在跟蹤過程中，每隔固定周期，對(duì)目標(biāo)模版進(jìn)行更新對(duì)目標(biāo)模版進(jìn)行更新；在當(dāng)前幀目標(biāo)位置的鄰域內(nèi)，可取1. 1倍目標(biāo)窗口大小的鄰域，將合成得到的RGB圖像 轉(zhuǎn)化為灰度圖象，并用Carmy邊緣濾波算子對(duì)該鄰域內(nèi)的圖像進(jìn)行邊緣濾波，可以根據(jù)需 要設(shè)置Carmy濾波算子的閾值上下限，一般可將灰度上限值設(shè)為120，下限值設(shè)為30 ；對(duì)該 濾波后的鄰域圖像進(jìn)行先膨脹后腐蝕的形態(tài)學(xué)操作，得到目標(biāo)的邊緣圖像；通過目標(biāo)邊緣 的邊界點(diǎn)，即可獲得新目標(biāo)模版的位置和大小，然后利用權(quán)力要求3所述的目標(biāo)模型建立 方法，即可完成對(duì)目標(biāo)模版的更新。
全文摘要
一種基于邊緣信息和均值移位的灰度目標(biāo)跟蹤算法，步驟為(1)對(duì)灰度目標(biāo)圖像進(jìn)行預(yù)處理，包括圖像去噪、對(duì)比度增強(qiáng)和Sobel濾波；(2)在經(jīng)過預(yù)處理的初始幀圖像中，提取目標(biāo)的特征模版；(3)在當(dāng)前幀中用Kalman濾波器預(yù)測(cè)目標(biāo)的起始位置；(4)用均值移位跟蹤算法在Kalman濾波器預(yù)測(cè)的起始位置附近搜索得到目標(biāo)在當(dāng)前幀中的最優(yōu)位置；(5)每隔固定周期，結(jié)合Canny濾波對(duì)目標(biāo)模版進(jìn)行更新。本方法以邊緣信息和均值移位算法為基礎(chǔ)，實(shí)現(xiàn)了對(duì)灰度目標(biāo)的有效跟蹤，在目標(biāo)大小、形狀、灰度分布以及背景發(fā)生變化的情況下，依然能夠?qū)崟r(shí)地、穩(wěn)健地完成跟蹤。
文檔編號(hào)G06T7/20GK101916446SQ201010238378
公開日2010年12月15日 申請(qǐng)日期2010年7月23日 優(yōu)先權(quán)日2010年7月23日
發(fā)明者刁偉鶴, 常樂, 毛峽 申請(qǐng)人:北京航空航天大學(xué)