首页 > > > 基于Mean.shift的灰度目标跟踪新算法.pdf

基于Mean.shift的灰度目标跟踪新算法.pdf

基于Mean.shift的灰度目标跟踪新算法.pdf

上传者: wanghao198901 2013-12-08 评分1 评论0 下载0 收藏10 阅读量699 暂无简介 简介 举报

简介:本文档为《基于Mean.shift的灰度目标跟踪新算法pdf》,可适用于硬件技术领域,主题内容包含第卷第期年月光学技术OPTICALTECHNIQUEVoI.No.Mar.文章编号:~()基于Mean.shift的灰度目标跟踪新算法张旭光一赵恩良符等。

第33卷第2期 2 0 0 7年 3月 光 学 技 术 OPTICALTECHNIQUE VoI.33 No.2 Mar. 2007 文章编号:1002~1582(2007)02—0226—04 基于 Mean.shift的灰度目标跟踪新算法 张旭光 ,一,赵恩良0,王延杰 (1.中国科学院长春光学精密机械与物理研究所,长春 130033) (2.中国科学院研究生院,北京 100039;3.沈阳建筑大学 理学院,沈阳 110168) 摘 要:Mean—shift算法是一种非参数密度估计算法,可以实现快速的最优匹配,在目标的实时跟踪领域起着非常 重要的作用。为了有效的将 Mean—shift算法应用到灰度图像中,采用了以方向直方图建立目标模型的策略,提出了在灰 度图像中以Mean—shift为核心的目标跟踪算法。实验结果表明,该算法具有不受光照条件影响的优点,在低对比度的情 况下仍能实现稳定、实时的跟踪目标。 关 键 词:目标跟踪;Mean—shift;方向编码;方向直方图;Bhattacharyya系数 中图分类号:TP242.6 2;TP391 文献标识码:A A new algorithm for tracking gray obj ect based on Mean-shift ZHANG Xu—guang 一,ZHAO En-liang3,WANG Yan-jie (1.Changchun Institute of Optics,Fine Mechanics and Physics,Chinese Academy of Sciences,Changehun 130033,China) (2.Graduate School of the Chinese Academy of Sciences,Beijing 100039,China) (3.Faculty of Basic Sciences,Shenyang Architecture and Civic Engineering University,Shenyang l10168,China) Abstract:The Mean—shift algorithm is a nonpararnetfic density estimation method.The fast and optimal mode matching can be achieved by this method.This algorithm plays a very important roles in real—time object tracking field.In order to apply Mean—shift algorithm on gray—level image,a strategy that using orientation histogram to represent target is adopted.A new al— gorithm based on Mean—shift is established.Experiment results show that this algorithm can adapt the change of illumination. Though the contrast of image is low,the object can be tracked robust and real—time using the new algorithm . Key words:object tracking;Mean—shift;orientation code;orientation histogram;Bhattachayya coefficient 1 引 言 目标的实时跟踪在计算机视觉领域有着非常重 要的应用。近年来在目标跟踪领域提出了许多很好 的算法,如以提取轮廓 j、纹理、颜色等特征来实现 对目标的识别,在频域下利用傅里叶_2j和小波L3 J来 进行目标识别和利用神经网络_4 J来识别 目标等。 然而许多算法由于计算复杂都未能应用到对实时性 要求较高的场合。Dorin Comaniciu将Mean—shift算 法引入到了目标跟踪领域【5,6 J,极大的减少了跟踪 算法的计算量。因此国内外有许多学者继续在完善 Mean-shift算法的应用 J,解决了算法中存在的一 些缺点和不足 8。Dorin Comaniciu提出的算法是 以彩色直方图作为特征来实现目标的识别与定位 的。对灰度图像来说,由于灰度直方图所包含的图 像信息单一,使得 Mean shift算法很难应用于灰度 图像,限制了 Mean—shift算法的适应环境。目前国 内外的学者还没有提出成熟的算法来解决上述问 题。本文提出了以代表图像的梯度方向信息的方向 直方图_9_9为特征,将方向直方图与Mean—shift算法 相结合,使得 Mean—shift算法在灰度图像中的应用 更加有效。由于方向直方图代表的是图像的梯度方 向信息,因此具有抗缩放和抗光照的优点,体现了图 像的边缘及纹理特征,尤其在图像的对比度低的情 况下,方向直方图仍可以稳定地跟踪目标。 2 Mean.shift的原理 Mean-shift算法[10]是一种非参数概率密度估 计算法,可以通过迭代快速的收敛于概率密度函数 的局部最大值,因此在目标实时跟踪领域有着很高 的应用价值。对在 维欧式空间X中的有限序列S 来说,样本数据点 z X处的样本均值被定义 为[11] 收稿日期:2006.04—18;收到修改稿日期:2006 07—13 E-mail:mtnf2000@yahoo.COITI.cn 作者简介:~ (1978.),男(满族),长春光学精密机械与物理研究所博士研究生,从事实时图像处理、目标识别与跟踪的研究。 226 维普资讯 http://www.cqvip.com 第2期 张旭光,等: 基于Mean—shift的灰度目标跟踪新算法 K(s—z)叫(s)s 莹 s(1) 5S 式中:K 为核函数;叫为样本的权值函数。差值 (z)一z被称为Mean—shift矢量,反复将数据点朝 着 Mean—shift矢量方向移动直至收敛的过程被称为 Mean-shift算法。在迭代过程中的 处,利用核函数 K计算出的Mean—shift矢量指向卷积曲面 (.z)= G(口一 )叫( )的负梯度方向,其中核函数 K a 与G的相互关系应满足g (r):一 (,.),r= fI S— z lj ,C>0,g和k分别为核函数G与K的轮廓函 数,C为常数。当迭代结束时,核中心的位置对应某 个概率密度 的极值。在 目标跟踪的过程中,通过 J(z)来刻画目标模型和侯选区域之间的相似形,从 而使跟踪问题转化为 Mean—shift的模式匹配问题。 3 目标模型的描述 3.1 方向直方图 给定一灰度图像 J,定义像素的梯度方向角为 - arctan器 (2) 式中af/3x和3f/Oy分 别是该像素处沿 和v 方向的梯度,可以通过 梯度算子(如sobel算子) 来获得。梯度方向角 的 取值范围为 0~2兀(图 1)。为了获得方向编码, 需要对 方 向角 进行 量 化。设方向角量化的间 57c/8 7c 3n/8 3~/4@ |4 : | | 7~t/8 图 1 方向编码示意图 距为 AO,于是方向编码可按式(3)计算: f[Oo/AO] I 3f/Ox f+J Of/Oy J> T 1 。thenvise (3) 如果方向编码被量化成 in个,则 c 的取值为{0,1, 2,,19l一1}。对于 I 3f/ax J+『af/3y I小于阈值 丁的像素来说,定义其方向编码为 ,由于此区域 很难计算出稳定的的梯度方向角,因而阈值 T可根 据经验来选择,即根据要跟踪的目标的梯度丰富程 度做适当调整,本文选择 T=5。如果采用的量化方 向为 16个,则方向编码的间距 A0取 7c/8。 方向直方图就是统计各个方向编码在图像中出 现的概率。图像 J中第 U=0,l,, 一1个方向 编码出现的频率为 (“)= ( 一f ,) (4) (i.J)』 式中 是 delta函数。 3.2 模板模型 方向直方图统计的是图像中梯度的方向编码出 现的概率,不受目标尺寸变化以及光照条件变化的 影响。假设目标模板的中心为 Y ,核函数窗口宽度 为 h,模板中的各个像素位置用 { _l’ 表示, 目标的模型被量化成 个方向编码,则归一化后的 目标的第 “=0,1,,77/一1个方向编码出现的概 率可表示为 (Y0)=ch 32 [b( )一“] (5) 式中:函数 b为R 一 {0,1,, ~1}时 处的像 素向方向编码索引的映射,实验中选取 =16; 是 derlta函数;Ch是方向直方图的归一化常数。为了 增加密度估计的鲁棒性,对距离中心 Y0较远的像素 分配较小的权值,这是因为位于此处的像素很可能 是背景;对于距离中心 Yo较近的像素分配较大的权 值,这是因为位于此处的像素更可能是要被跟踪的 目标。对方向直方图进行加权处理,引入核 函数 k( ),则模板的方向直方图随即修改为 = 窭走(jJ [b(Xi) (6) 由条件 =1得到的归一化常数为 = 1/k(11( 。一Xi)/h (7) 3.3 候选区域模型 为了实现在当前帧中准确的匹配跟踪 目标,需 要得到目标侯选区域的概率模型,设 {z } 一 为目标候选区域的各个像素的位置,当前帧的中心 位置为 Y,应用同样的核函数 k(oT)以及窗口宽度 h,则目标候选区域的第 U=0,1,,IT/一1个方向 编码出现的概率可由下式计算: )= 鍪 (8) 式中的 与式(7)的结果相同。 与侯选区域的中 心位置Y无关,只与核窗IZl的宽度 h有关。如果需要 调整 h来适应 目标的尺寸变化,则需要计算新的 C^ 。 4 用Bhattacharyya系数度量相似度 在得到 目标模板和候选区域的概率密度函数 227 维普资讯 http://www.cqvip.com 光 学 技 术 第33卷 后,在当前帧中寻找 目标位置的任务就转换成了寻 找使得密度函数 ( )与 ( 0)最相似的位置。这 里用 Bhattacharyya系数评价方向直方图的相似性。 目标模型的概率分布 ( 0)与候选模型概率分布 ( )的Bhattacharyya系数为 — m - , 1 — — . . . . — . — — — — — — — — — — . . . . . . — — — — 一 ( )= ~/ (Y) ( o) (9) “:0 P(Y)越大,则模板与侯选区域越相似。跟踪过程 就是通过Mean—shift算法的快速匹配迭代到与模板 最相似的位置。 5 目标的定位 采用Mean—shift算法搜索目标位置,定义样本 均值为 m h ,g(x) nh nh 叫 厨 (1l (10) 式中:g(z)=一志 ( )为核密度估计;W 为数据点 , 的权值。 一 ) 定义样本均值与实际数据点之差为 Mean—shift矢量 , g( ),即 Mh ,g( )= mh,g( )一 (12) Mean-shift的 过 程 就 是 计 算 Mean—shift矢 量 M ,^ ( ),并根据 , ( )来反复迭代更新核函数窗 口的中心位置。设核函数窗口的初始位置为 Yo, 川 是在 位置计算出的加权均值,则当前帧中的目标 位置 ,+l为 nh (I】 nh 训 (11 J=0,1,2,, (13) 6 实验结果 算法的整个跟踪过程如下: (1)在当前帧初始位置处计算侯选 目标特征模 型 { ( 1)} :0., 一l,并根据式(9)计算侯选区域 模型与模板模型的相似度b(5 )。 (2)计算 {砌 } 1,, (3)根据式(13)计算由Mean—shift算法迭代的 侯选目标新位置。 228 (4)计算新的侯选 目标位置的目标特征模型 i ( 2)} :0. . 一 , 并 计算它 与模板的相似度 ( 2)。 (5)如果 ( 2)< ( 1),贝0 2一 (1/2)( l+ 2)直到 ( 2)> ( 1)。 (6)如果 l J 2一 。ll<£,则停止,否则 l一 2转到步骤(2)。e的选择应使 2与.;,l的间距小于 一 个像素。 利用大量的序列图像对本算法进行了测试。图 2显示了通过空对地拍摄的飞机序列图像,图像的 对比度低,飞机的形状不清晰,且背景中存在着大量 地对飞机特征产生干扰的信息。图像的大小为720 480 pixel。模板大小为7248 pixel,量化的方向 编码为 16个。图 3为在复杂背景下对车辆的跟踪 实验,图像背景复杂且卡车受到电线杆的干扰,序列 图像大小为 720 X 480 pixel。模板大小选择 4040 pixel,量化的方向编码为 16个。在跟踪过程中,通 过人工选定目标后,就无需输入任何参数。实验结 果表明,采用方向直方图具有良好的跟踪效果。本 实验是在奔腾 1.4G的 PC机上运行的,对飞机序列 来说,应用 Mean—shift算法的计算时间大约为5 ms。 对卡车序列来说,应用 Mean—shift的计算时间大约 为2ms,一般迭代 4次就可以收敛。 图 2 飞机序列:第 88,221,382帧 一 _ 图3 卡车序列:第 59,187,259帧 7 结 论 针对灰度图像直方图信息单一使得 Mean—shift 算法难以应用到灰度图像上的情况,本文提出了一 种新的目标概率模型的建立方法。以方向直方图为 目标特征模型,体现了目标的边缘以及纹理特征;以 Mean—shift算法为核心,减小了目标的模式匹配的 搜索范围,通过迭代使得搜索过程快速收敛。实验 结果证明,该算法可以增强 Mean—shift算法在灰度 图像中的稳定性,在图像对比度低的情况下仍能稳 定的识别和跟踪 目标。 参考文献: 『1]张吴,黄战华,郁道银,等.基于差分图像的运动目标跟踪与分 维普资讯 http://www.cqvip.com 第 2期 张旭光,等: 基于 Mean—shift的灰度目标跟踪新算法 割方法的应用研究[J].光学技术.,2005,31(4):565—567. [2]LIANG Yi—xiong,GONG wei.guo,PAN Ying-jun,et a1.Singular value decomposition—based approach for face recognition[J].Optics and Precision Engineering(光学精密工程),2004.12(5):543— 549.(in Chinese). [3]桑爱军,宋建中.基于跟踪度的Gabor小波特征跟踪方法的研究 [J].光学技术,2005,31(4):588—591. [4]XU Ting-fa,ZHANG Min,GU I-hi—jun,et a1.Multi—target re(x)g— nition with improved BP~gofithm[J J.Optics and Precision Engi- neering(光学 精密工程),2003,11(5):5l3—5l5.(in Chi. nese). [5]Comanieiu D,Ramesh V,Meer P.Kemel—based 0hject tracking lJ J.IEEE Transaction on pattern analysis and machine intelli. gence,2003,25(5):564—577. 16 J Comaniciu D,Ramesh V,Meet P Real,Time tracking of non—rigid objects using mean shift【A J.Proe IEEE Conference on Computer Vision and Pattern Recognition【C J.20o0.142—149. 【7 J Ning Song P,Jie Y,Zhi L Mean shift blob tracking with kemel histogram filtering and hypothesis testing[J].Pattern Recognition Letters,2o05.26:605— 14. 【8J PENG Ning.Song,YANG Jie,LIU Zhi,et a1.Automatic selection ofKernel-bandwidth for Mean-shift object tracking[J].Journal of Software(软件学报),2005,16(9):1542—1550.(in Chinese) 【9 J UIlah F,Kaneko S.Using orientation codes for rotation—invariant template matehing[J J.Pattem recognition,2004,37:201—2O9. 【10J Fukana~a K,Hostetler L D.The estimation of the gradient of a density function,with application in pattem recognition[J].IEEE TrRrk~on InformationTheory,1975,21(1):32—4O. [11]Cheng Y.Mean shift,mode seeking and clustering[J] IEEE Transactions on Pattern AnaIysis and Machine Intelligence.1995. 17(8):79 一799. (上接第 225页) l P(0,a)f(0)d0=P(O,口 ) (20) 』 三 : (21) 口 口 。 所以等效为静止时的发散角 a 与原发散角a的比 值为 , r 1 ] /2 詈 』 j 2, j’。 [ 三二 ] oo 2 44n O/a exp(一 )d J 1 . J 2 \ / (23) 由此可见 a /a是盯和a的函数,当瞄准系统确定后, 瞄准误差的标准方差 盯就确定了。将等效角 a 与原 发散角 a的相对误差随。变化的趋势绘于图4,取误 差的10%作为评价指标。当a 与a的相对误差在 10%范围内时,可认为 a 与a近似相等,即可把目 标看作近似的静止状态,可直接使用简易公式进行 激光辐照功率的近似计算 ,不必代人复杂的运动目 标的辐照功率公式进行计算。但当 a 与a的误差大 于 10%后,已经不能将运动目标看作为静止 目标来 估算,则必须代人公式进行精确计算。 由图4可知,当瞄 0.2 准方差 盯:0(0: 0 o 时),此时对应 目标静 毽。_050.1 止时的情况,n /a~1 0,且口a = 口。随着 目 霉 动 即 图4不同发散角 时的 a 或 )的增大,a 与a 。 效 极 。 的比值呈上升趋势。图 4中交点 A,B,C所对应的曲线分别为光束发散角 口A=5/zrad, B=10/~rad,。c=15~rad时 口 /口的变 化曲线。图4中,当a 与a的误差等于 10%时,即为 能将运动目标看作是静止状态时的等效静止模型方 差极 限 O'max,分别 为 】cA = 0.4~rad, B= 0.8ttrad,amaxC=1.2t~rad。可见随着发射激光束发 散角的增大,等效静止方差极限也在增大。以光束发 散角a=5~rad时为例,若目标在激光束的位置0小 于 盯一 =0.4/~rad时,则可近似为静止目标,采用简 易公式进行计算。当0>O'max时,则需代入式(11)进 行精确计算,或者采用图解法,根据已知发射光束宽 度 O/,在图 4中找出对应的静止目标发散角a ,代人 静止目标辐照公式进行计算。 5 结 论 当激光远距离辐照目标时,由于星际间或陆地 上的目标处于随机振动之中,此振动对目标实际接 收到的激光辐照功率影响很大,常用的将 目标设为 静止状态估算辐照功率的方法误差很大。本文以星 间目标为例,建立了对远距离运动目标的精确激光 辐照功率模型,并定量分析了将目标看作静止状态 时带来的误差,最后给出了能否将随机运动目标等 效为静止时的判据。结果表明,当系统的瞄准方差 小于本文计算出的等效静止方差极限时,可将 目标 看作静止状态,用简易的静止模型估算辐照功率,估 算结果与实际相比误差小于 10%。否则,则必须考 虑目标的随机运动,只有这样才能对实际情形进行 准确评估。 参考文献: [1]王世勇,付有余.远场光电探测器系统受激光干扰与损伤效果估 计[J] 光学技术,2002,28(1):28—30. [2]梁铨廷.物理光学[M].北京:机械工业出版社,1993. [3]Barry J D,MecherleG S.Beam pointing error as a significant de sign parameter for satellite—borne,free-space optical communication systems[J].Optical Engineering.1985,24:1049--1054. [4]Germann L M,Nelson R.Pointing,acquisition and tracking sub system for space-based lair communication[J].Proceedings of SPIE.1986.616:118— 128. [5]AITlOn S,Rotman S,Kopeika N S.Beam width and transmitter power adaptive to tracking system performance for free-space optical communication[J]Applied Optics,1997,36:6095--6099. 229 维普资讯 http://www.cqvip.com

该用户的其他资料

  • 名称/格式
  • 评分
  • 下载次数
  • 资料大小
  • 上传时间

用户评论

0/200
    暂无评论
上传我的资料

相关资料

资料评价:

/ 4
所需积分:1 立即下载
返回
顶部
举报
资料
关闭

温馨提示

感谢您对爱问共享资料的支持,精彩活动将尽快为您呈现,敬请期待!