【文章內(nèi)容簡介】 目標跟蹤算法 Mean Shift算法一個很大的特點就是它是在某一個位置的鄰域內(nèi)而不是全局搜索，因而Mean Shift算法是一種高效的匹配算法，已經(jīng)在對實時性要求較高的可視跟蹤領(lǐng)域有很重要的應(yīng)用。 目標圖像的建模 在視頻序列的初始幀中，用灰度或顏色分量等信息來描述目標特征。由于Mean Shift算法是一種交互式的半自動跟蹤方法，因此可以用手工方式確定跟蹤目標的搜索窗口，則在該窗口中第u個特征概率可以表示為： ()其中d0為搜索窗口的中心坐標，表示該窗口中第i個象素的坐標，表示象素總個數(shù)；表示核函數(shù)，h表示核函數(shù)的帶寬；函數(shù)b 和的作用是判斷第i個象素的灰度或顏色值是否屬于特征值u；C 是一個歸一化系數(shù)，且，使得，其中表示特征個數(shù)。當前幀搜索窗口中第u個特征概率可以表示為： () 其中d1表示當前幀搜索窗口的中心坐標。 是一個歸一化系數(shù)，且，使得，其中表示特征個數(shù)。 這里用Bhattacharyya系數(shù)來表示初始幀目標特征模型和當前幀目標的匹配程度，按如下定義： （） 其幾何含義是m維單位矢量和夾角的余弦值，顯然當越大時匹配程度就越高，即當前幀目標與初始幀目標最相似。，就能夠使目標搜索成功。以前一幀搜索窗口的位置作為當前幀的起始搜索位置，設(shè)窗口中心為d1，在該領(lǐng)域內(nèi)尋找最優(yōu)目標位置。，則線性部分近似為： （）其中 （）對公式13求極值，即得到Mean Shift向量： （）因此連續(xù)的迭代，將會收斂于局部極大值，即滿足的固定點，也就是說Mean Shift是一個連續(xù)迭代過程，使達到當前幀目標最優(yōu)位置。 Mean Shift目標跟蹤算法為了在當前幀中找到和目標模型最相近的圖像區(qū)域的位置，就要使Bhattacharyya系數(shù)[]最大。在模式匹配中，其初始位置就是上一幀中目標的位置。由相似度函數(shù)的光滑性，我們可以用基于梯度的方法進行尋優(yōu)處理。本論文采用的就是Mean Shift算法進行尋優(yōu)。在這，我們假定目標區(qū)域在初始幀中進行人為指定，即用鼠標畫出目標所在位置的矩形框。 系數(shù)最大化前面我們說過，在Mean Shift匹配中，當前幀中搜索目標是從上一幀的匹配位置開始的。我們假設(shè)在上一幀中目標的位置為。因此，以為中心的候選目標區(qū)域概率應(yīng)當被優(yōu)先計算出來。對于 （）當候選目標自開始變化不大時，即當目標的運動不是太快時，這種近似處理是可行的。而在實際的跟蹤中，目標在連續(xù)幀間的運動往往是很小的，所以這種近似是可行的。由式（）： （）其中， （）為使取得最大值，只要求得第二子項最大值即可（第一子項與y無關(guān)）。而第二子項則表示當前幀位置y處利用加權(quán)后的核函數(shù)k(x)的概率密度，而這個概率密度的極值問題則可以用Mean Shift算法求得。在匹配的過程中，核函數(shù)的中心從處利用式 （）不斷移動得到新的位置處。 算法描述根據(jù)上面的結(jié)果，我們可以給出Mean Shift目標跟蹤算法的具體實現(xiàn)步驟。假定目標模型和上一幀的匹配位置。1. 計算并且估算2. 根據(jù)式（）計算權(quán)重3. 利用式（）找到下一個新的位置4. 計算并估算5. While Do 估算 6. 如果 則停止， 否則，轉(zhuǎn)步驟2 本章小結(jié) Mean Shift是一種核密度估計的無參匹配算法。其實際上就是把數(shù)據(jù)點朝向Mean Shift矢量的方向不斷的移動從而最終收斂到某一點。此時核中心的位置對應(yīng)概率密度的極值。在Mean Shift目標跟蹤中，以Bhattacharyya系數(shù)來描述目標模型與候選區(qū)域所對應(yīng)的核函數(shù)的直方圖的相似性。4 Visual C++ 2008編程實現(xiàn)Mean shift目標跟蹤 目前對目標跟蹤已經(jīng)進行了大量的研究，人們提出了各種各樣的算法，如Kalman濾波算法，粒子濾波算法，Mean Shift算法等，都取得了不錯的效果。本論文的編程是在Visual C++ 2008基于OpenCV下實現(xiàn)的。 基于可視化面向?qū)ο蟮腣isual C++ 2008 Express Visual C++是Microsoft公司推出的開發(fā)Win32環(huán)境程序，面向?qū)δ愕目梢暬删幊滔到y(tǒng)。它不僅具有程序框架自動生成、靈活方便的類管理、代碼編寫和界面設(shè)計集成交互操作、可開發(fā)多種程序等優(yōu)點，而且通過簡單的設(shè)置就可使其生成的程序框架支持數(shù)據(jù)庫接口、OLEWinSock網(wǎng)絡(luò)、3D控制界面。由于Visual C++是一個圖形化的開發(fā)工具，所以對開發(fā)圖像處理系統(tǒng)提供了極大的方便。Visual C++現(xiàn)在已經(jīng)成了開發(fā)Win32程序的主要開發(fā)工具。 OpenCV及其在目標跟蹤中的應(yīng)用OpenCV[]是Intel開源計算機視覺庫。它由一系統(tǒng)C函數(shù)和少量C++類構(gòu)成，實現(xiàn)了圖像處理和計算機視覺方面的很多通用算法。它有三個重要的特性。1. OpenCV擁有300多個C函數(shù)的跨平臺的中、高層API。它不依賴于其他的外部庫。2. OpenCV對非商業(yè)應(yīng)用和商業(yè)應(yīng)用都是免費（FREE）的，也就是說OpenCV是一個開源函數(shù)庫。3. OpenCV為Intel Intergrated Performance Primitives(IPP)提供了透明接口。這意味著如果有為特定處理器優(yōu)化的IPP庫，OpenCV將在運行時自動加載這些庫。 基于Mean Shift的視頻球體的跟蹤的軟件設(shè)計 跟蹤算法流程視頻結(jié)束用Mean Shift算法在下一幀找出與目標最匹配的y。計算目標模型的核密度函數(shù)，找出質(zhì)心點并建立目標的顏色直方圖在視頻的初始幀用鼠標確定所要跟蹤的目標開始視頻輸入NoYes結(jié)束 Mean Shift算法流程圖 跟蹤算法的實現(xiàn)Mean Shift算法假定滿足兩個條件：1. 在目標初始幀中已經(jīng)檢測出目標。本文采用在初始幀用鼠標畫出目標所在的矩形框，故滿足此條件。2. 目標的顏色不會突然發(fā)生變化。在論文程序所用的視頻，運動球體的顏色是恒定的。 在上一章，我們已經(jīng)詳細的介紹了Mean Shift目標跟蹤算法的具體步驟。在本文中，我采用Visual C++ 2008 Express作為開發(fā)工具。程序是基于OpenCV的Mean Shift視頻球體跟蹤。 算法的性能分析本章的算法是在Pentium(R) DualCore T4300 ，2GB內(nèi)存的電腦，Windows 7操作系統(tǒng)下用Visual C++ 2008下編程實現(xiàn)的。，共有495幀，長度為33s，幀寬640像素，高480像素，用Mean Shift算法跟蹤的效果。特別說明的是本次實驗中視頻球體運動速度并不快?？梢钥闯觯琈ean Shift對此視頻球體的跟蹤效果還是比較理想的。 Mean Shift算法對視頻球體的跟蹤效果圖 Mean Shift算法在對視頻球體出現(xiàn)遮擋的情況下跟蹤效果圖，說明Mean Shift算法在出現(xiàn)遮擋的情況下，其魯棒性也是很好的。 本章小結(jié) 本章實現(xiàn)了運動Mean Shift算法對視頻球體進行了跟蹤，并對結(jié)果進行了分析?？梢钥闯鯩ean Shift算法在目標跟蹤方便有很大的優(yōu)勢，其實時性非常好，并且在球體出現(xiàn)遮擋的情況下，也不會出現(xiàn)跟蹤失敗，故Mean Shift算法還有很好的魯棒性。5 總結(jié)與展望 總結(jié)可視跟蹤是當今計算機視覺領(lǐng)域的研究重點。一般來說，目標跟蹤算法要有良好的實時性并且能夠適應(yīng)目標自身復(fù)雜的運動以及場景的變化。Mean Shift算法以其非常優(yōu)秀的搜索效率、無參的初始化過程較好地滿足了快速模式匹配的要求。本文在分析目標圖像序列的基礎(chǔ)上，對本課題基于Mean Shift的運動目標檢測與跟蹤進行了研究。總結(jié)如下：1. 根據(jù)實際應(yīng)用背景，確立了本課題的任務(wù)是采用圖像處理的方法來解決動態(tài)圖像的目標識別與跟蹤。2. 研究了核概率密度估計理論，對基于無參估計的Mean Shift進行了深入了解。并通過實驗驗證了Mean Shift算法在視頻目標跟蹤中的有效性。并且證明了在目標跟蹤領(lǐng)域，Mean Shift算法有很好的實時性和魯棒性。對遮擋的魯棒性也不錯。同時也指出了Mean Shift算法的缺點，如缺乏模板更新能力，對快速運動目標的跟蹤效果不理想等。 展望 Mean Shift算法以核函數(shù)