[發(fā)明專利]聯(lián)合數(shù)據(jù)關聯(lián)的Mean Shift多目標跟蹤方法

在審

• 申請?zhí)枺?/td>: 201410239186.6
• 申請日: 2014-05-30
• 公開（公告）號: CN103985142A
• 公開（公告）日: 2014-08-13
• 發(fā)明（設計）人: 鄭世寶;薛明;丁正彥;李宏波;朱文婕;陳宇航
• 申請（專利權）人: 上海交通大學
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 上海交達專利事務所 31201
• 代理人: 王毓理;王錫麟

1.一種聯(lián)合數(shù)據(jù)關聯(lián)的Mean?Shift多目標跟蹤方法，其特征在于，首先從視頻中提取得到運動前景并分割，針對分割后的前景塊生成數(shù)據(jù)關聯(lián)矩陣，并通過逐行掃描優(yōu)化后使用Mean?Shift算法完成對每個目標的跟蹤；所述方法包括以下步驟：

1)利用前景提取算法對運動目標前景進行提取并得到運動前景；

2)對提取出的運動前景進行分割，得到若干前景塊；

3)對分割獲得的前景塊，即前景區(qū)域目標和基于MeanShift跟蹤獲得的目標區(qū)域，即歷史目標進行數(shù)據(jù)關聯(lián)；

4)逐行掃描數(shù)據(jù)關聯(lián)矩陣，檢測并處理目標的合并信息和分裂信息，并對目標樣本進行更新；

5)使用MeanShift算法完成對每個目標的跟蹤。

2.根據(jù)權利要求1所述的方法，其特征是，所述的前景提取算法是指：采用前景點計數(shù)方法，對像素點進行統(tǒng)計，當某個背景模型中的像素點連續(xù)N幀被統(tǒng)計為前景點，則將其更新為前景點。

3.根據(jù)權利要求1所述的方法，其特征是，步驟1)具體包括：

1.1)為視頻序列每一幀的每個像素點維護一個樣本集，樣本集中的采樣值來自該像素點過去的像素值和鄰居點的像素值；

1.2)在新的一幀中，將每一個像素點的像素值和樣本集進行比較來判斷其是否屬于背景點，并生成背景樣本集；

1.3)通過前景提取算法對模型進行更新，使得背景模型不斷適應背景的變化；

1.4)將統(tǒng)計為前景點的圖像輸出便獲得了運動前景。

4.根據(jù)權利要求3所述的方法，其特征是，所述的背景點的判斷是指：記v(x)為x點處的像素值；M(x)＝{x₁,x₂,...,x_N}為x處的背景樣本集，其中：N表示樣本集的大小；S_R(v(x))是以x為中心R為半徑的區(qū)域，當M(x)[S_R(v(x))∩{x₁,x₂,...x_N}]大于背景閾值，則x點屬于背景點，反之則屬于前景點；

所述的背景樣本集在初始化中，完成了對背景模型的建立過程，背景模型的建立過程也就是填充模型中樣本集的過程，即根據(jù)背景樣本集進行學習，具體對于一個像素點，隨機地選擇它的鄰居點的像素值作為它的模型樣本值：M₀(x)＝{v₀(y)|y∈N_G(x)}，其中：M₀(x)表示第一幀中的背景樣本集，N_G(x)為鄰居點。

5.根據(jù)權利要求1所述的方法，其特征是，所述的數(shù)據(jù)關聯(lián)矩陣C的元素包括：0、1或2，其中：0表示該行對應的歷史目標和該列對應的前景目標區(qū)域，即觀測之間沒有關聯(lián)，2表示該行對應的歷史目標和該列對應的觀測之間相互關聯(lián)，1表示該行對應的歷史目標和該列對應的觀測只有單向關聯(lián)。

6.根據(jù)權利要求1所述的方法，其特征是，所述的步驟3具體包括：

3.1)構造歷史目標T_i和前景區(qū)域目標D_j的匹配矩陣M：其中：表示歷史目標T_i和觀測目標D_j的重疊部分的面積，和分別表示T_i和D_j的外接矩形的面積，c是規(guī)范化常數(shù)；

3.2)獲得匹配矩陣M后，根據(jù)相似度的大小，構造數(shù)據(jù)關聯(lián)矩陣C：

3.2.1)初始化：設置數(shù)據(jù)關聯(lián)矩陣C的所有元素為0；

3.2.2)逐行對矩陣M掃描，找出每行中最大元素所在位置的列號j_max，并將矩陣C對應的位置加1：j_max＝argmaxM(i,j),j＝1,2,...N₁，C(i,j_max)＝C(i,j_max)+1；

3.2.3)逐列對矩陣M掃描，找出每列中最大元素所在位置的行號i_max，并將矩陣C對應的位置加1：i_max＝argmaxM(i,j),i＝1,2,...N₁，C(i_max,j)＝C(i_max,j)+1。