本發(fā)明屬于圖像處理領(lǐng)域，特別是在行人檢測，行人跟蹤領(lǐng)域。

背景技術(shù)：

運動目標(biāo)跟蹤是計算機視覺領(lǐng)域的核心研究內(nèi)容之一，主要任務(wù)是獲取圖像序列中運動目標(biāo)的位置，以便準(zhǔn)確獲得目標(biāo)其它所需的特征信息，完成更高級的智能需求。目標(biāo)跟蹤技術(shù)在很多領(lǐng)域有著廣泛的應(yīng)用，如視頻監(jiān)控、人機交互、游戲控制等。目前已經(jīng)存在許多有效的目標(biāo)跟蹤算法，例如Mean-Shift跟蹤算法但在實際的復(fù)雜環(huán)境中應(yīng)用目標(biāo)跟蹤算法時，由于受到光照、遮擋等干擾因素的影響，許多跟蹤算法并不能取得理想的跟蹤效果。因此，準(zhǔn)確穩(wěn)定的目標(biāo)跟蹤算法仍是一大研究挑戰(zhàn)，其研究成果也具有很高的應(yīng)用價值。

技術(shù)實現(xiàn)要素：

本發(fā)明的目的是針對基本Mean-Shift跟蹤算法的不足設(shè)計一種基于信息融合的改進Mean-Shift跟蹤算法。

本發(fā)明分析基本Mean-Shift跟蹤算法的不足，針對光照不足的情況，對視頻進行非線性圖像增強處理；針對目標(biāo)模板單一的情況，使用Vibe算法添加目標(biāo)的運動信息，形成一個基于信息融合的改進Mean-Shift跟蹤算法，增強跟蹤的穩(wěn)健性；最后針對目標(biāo)被遮擋的情況，改進算法核函數(shù)，并添加Kalman濾波器模塊，對目標(biāo)位置進行預(yù)測。因此本發(fā)明一種基于信息融合的改進Mean-Shift跟蹤方法，該方法包含如下步驟：

步驟1：在確定當(dāng)前幀光照不足的時候，對當(dāng)前幀圖像進行非線性圖像增強處理，分為自適應(yīng)動態(tài)范圍壓縮和局部對比增強兩個部分，若光照足夠，則進入到步驟4；

步驟2：應(yīng)用sigmoid轉(zhuǎn)換函數(shù)來增加圖像的動態(tài)范圍，其中采用對圖像統(tǒng)計特性可自調(diào)的雙曲正切函數(shù)進行圖像動態(tài)范圍壓縮；

步驟3：通過局部對比增強方法來增強圖像的局部對比度；

步驟4：選取矩形的跟蹤區(qū)域，獲得選取矩形區(qū)域的顏色直方圖信息；

步驟5：使用Vibe算法獲得跟蹤區(qū)域的目標(biāo)運動信息，并和步驟4中得到的顏色信息一起作為匹配模板；

步驟6：根據(jù)上一幀圖像中跟蹤區(qū)域的狀態(tài)數(shù)據(jù)，采用Kalman濾波器獲得當(dāng)前幀跟蹤區(qū)域的狀態(tài)數(shù)據(jù)，狀態(tài)數(shù)據(jù)包括跟蹤區(qū)域的位置及運動方向；

步驟7：采用核函數(shù)為的Mean-Shift算法以步驟6中獲得的跟蹤區(qū)域位置作為跟蹤區(qū)域起始候選區(qū)域進行均值漂移，得到當(dāng)前幀中跟蹤目標(biāo)的準(zhǔn)確位置，其中Mean-Shift算法的匹配對象為步驟5獲得匹配模板，其中x、y表示目標(biāo)區(qū)域任意像素點的坐標(biāo)值；σ為權(quán)值調(diào)整參數(shù)，其經(jīng)驗取值范圍為：0.01<σ<0.5，σ參數(shù)的作用是控制邊緣像素的權(quán)重使其不會發(fā)生劇烈變化，(h_x,h_y)為跟蹤框的大小參數(shù)，表示跟蹤框中心點坐標(biāo)；

步驟8：以步驟7獲得位置信息更新跟蹤區(qū)域狀態(tài)數(shù)據(jù)和Kalman濾波器的參數(shù)，輸出跟蹤區(qū)域最終位置。

進一步的，所述步驟7的具體步驟為；

步驟7.1：以步驟6中獲取的跟蹤區(qū)域位置為初始候選區(qū)域為跟蹤區(qū)域的中心位置；

步驟7.2：計算初始位置候選區(qū)域與匹配模板的相似度

步驟7.3：通過公式計算新的候選位置其中x_i表示候選區(qū)域第i個像素的像素值，g(·)與核函數(shù)的關(guān)系為g(·)＝-k′(·)，h是核函數(shù)的窗口半徑；n表示區(qū)域內(nèi)像素點的總個數(shù)，n_h表示候選區(qū)域像素點的索引；m表示顏色直方圖中bin的總個數(shù)，表示目標(biāo)模型的m-bin直方圖，表示在給定點的候選模型的m-bin直方圖，表達式δ[b(x_i)-u]表示判斷目標(biāo)區(qū)域中像素x_i是否屬于顏色直方圖的第u個bin，屬于則表達式的值為1，否則表達式的值為0，b(x_i)表示x_i在顏色直方圖中的索引，(a,b)表示候選區(qū)位置，c表示候選區(qū)域運動方向；

步驟7.4：計算新候選區(qū)域與匹配模板的相似度

步驟7.5：比較與若小于則將的值賦給再從新計算處的候選區(qū)域與匹配模板的相似度

步驟7.6：若停止循環(huán)，認(rèn)定的位置為跟蹤區(qū)域的實際位置，否則將的值賦給分返回步驟7.2進行迭代計算。

本專利針對光照不足，目標(biāo)存在遮擋，目標(biāo)模板不穩(wěn)健的情況，對原始Mean-Shift算法進行非線性圖像增強，改進核函數(shù)，添加Kalman濾波器以及使用Vibe算法提取運動信息與顏色信息融合為目標(biāo)模板，改善了跟蹤效果，增強了穩(wěn)健性。選取網(wǎng)上公開PETS數(shù)據(jù)庫中視頻進行測試，實驗平臺為Visual Studio 2013和OpenCV 2.4.4，硬件平臺為CPU 3.2GHz，8G內(nèi)存。經(jīng)測試，本改進算法跟蹤結(jié)果優(yōu)于原始Mean-Shift算法以及其它常用跟蹤算法，如TLD算法，壓縮感知算法等。

附圖說明

圖1和圖2是非線性圖像增強處理示意圖，其中圖1為增強后，圖2為原圖。

圖3為基于信息融合的改進Mean-Shift跟蹤算法整體流程圖。

具體實施方式

步驟1：在確定當(dāng)前幀光照不足的時候，對當(dāng)前幀圖像進行非線性圖像增強處理，分為自適應(yīng)動態(tài)范圍壓縮和局部對比增強兩個部分，若光照足夠，則進入到步驟4；

步驟2：應(yīng)用sigmoid轉(zhuǎn)換函數(shù)來增加圖像的動態(tài)范圍，其中采用對圖像統(tǒng)計特性可自調(diào)的雙曲正切函數(shù)進行圖像動態(tài)范圍壓縮；

步驟3：通過局部對比增強方法來增強圖像的局部對比度；

步驟4：選取矩形的跟蹤區(qū)域，獲得選取矩形區(qū)域的顏色直方圖信息；

步驟5：使用Vibe算法獲得跟蹤區(qū)域的目標(biāo)運動信息，并和步驟4中得到的顏色信息一起作為匹配模板；

步驟6：根據(jù)上一幀圖像中跟蹤區(qū)域的狀態(tài)數(shù)據(jù)，采用Kalman濾波器獲得當(dāng)前幀跟蹤區(qū)域的狀態(tài)數(shù)據(jù)，狀態(tài)數(shù)據(jù)包括跟蹤區(qū)域的位置及運動方向；

步驟7：采用核函數(shù)為的Mean-Shift算法以步驟6中獲得的跟蹤區(qū)域位置作為跟蹤區(qū)域起始候選區(qū)域進行均值漂移，得到當(dāng)前幀中跟蹤目標(biāo)的準(zhǔn)確位置，其中Mean-Shift算法的匹配對象為步驟5獲得匹配模板，其中x、y表示目標(biāo)區(qū)域任意像素點的坐標(biāo)值；σ為權(quán)值調(diào)整參數(shù)，其經(jīng)驗取值范圍為：0.01<σ<0.5，σ參數(shù)的作用是控制邊緣像素的權(quán)重使其不會發(fā)生劇烈變化，(h_x,h_y)為跟蹤框的大小參數(shù)，表示跟蹤框中心點坐標(biāo)；

步驟7.1：以步驟6中獲取的跟蹤區(qū)域位置為初始候選區(qū)域為跟蹤區(qū)域的中心位置；

步驟7.2：計算初始位置候選區(qū)域與匹配模板的相似度

步驟7.3：通過公式計算新的候選位置其中x_i表示候選區(qū)域第i個像素的像素值，g(·)與核函數(shù)的關(guān)系為g(·)＝-k′(·)，h是核函數(shù)的窗口半徑；n表示區(qū)域內(nèi)像素點的總個數(shù)，n_h表示候選區(qū)域像素點的索引；m表示顏色直方圖中bin的總個數(shù)，表示目標(biāo)模型的m-bin直方圖，表示在給定點的候選模型的m-bin直方圖，表達式δ[b(x_i)-u]表示判斷目標(biāo)區(qū)域中像素x_i是否屬于顏色直方圖的第u個bin，屬于則表達式的值為1，否則表達式的值為0，b(x_i)表示x_i在顏色直方圖中的索引，(a,b)表示候選區(qū)位置，c表示候選區(qū)域運動方向；

步驟7.4：計算新候選區(qū)域與匹配模板的相似度

步驟7.5：比較與若小于則將的值賦給再從新計算處的候選區(qū)域與匹配模板的相似度

步驟7.6：若停止循環(huán)，認(rèn)定的位置為跟蹤區(qū)域的實際位置，否則將的值賦給分返回步驟7.2進行迭代計算；

步驟8：以步驟7獲得位置信息更新跟蹤區(qū)域狀態(tài)數(shù)據(jù)和Kalman濾波器的參數(shù)，輸出跟蹤區(qū)域最終位置。