[發明專利]聯合數據關聯的Mean Shift多目標跟蹤方法

在審

• 申請號: 201410239186.6
• 申請日: 2014-05-30
• 公開（公告）號: CN103985142A
• 公開（公告）日: 2014-08-13
• 發明（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

技術領域

本發明涉及的是一種圖像處理技術領域的方法，具體是一種聯合數據關聯的Mean?Shift多目標跟蹤方法。

背景技術

隨著視頻監控技術的普及，以及監控探頭數量的劇增和海量視頻數據的產生，人們對監控視頻內容的自動分析技術需求也愈加迫切。視頻單目標跟蹤技術或多目標跟蹤技術在很多場合下具有重要的用途，如在智能視頻監控、視頻索引、新型人機交互、交通監測、車輛自動駕駛等方面均有大量的應用。

Mean?Shift跟蹤算法是一種經典的無參密度估計算法，在1975年由Fukunaga等人在《IEEE?Transactions?on?Information?Theory》的“The?estimation?of?the?gradient?of?a?density?function,with?applications?in?pattern?recognition”一文中提出。2002和2003年，Comaniciu等人在《IEEE?Transactions?on?Pattern?Analysis?and?Machine?Intelligence》的兩篇文獻“Mean?shift:a?robust?approach?toward?feature?space?analysis”和“Kernel‐Based?Object?Tracking”中進一步利用Mean?Shift對圖像進行分析，前者對圖像的特征空間進行分析，使Mean?Shift成功應用在圖像平滑、圖像分割等計算機視覺領域的多個方向，證明了在滿足一定條件時，Mean?Shift算法具有收斂的特性，利用該特性可以檢測概率密度函數中存在的模態；后者將目標跟蹤問題轉化為一個Mean?Shift最優化的問題，從而將Mean?Shift算法成功地應用在目標跟蹤領域，由于Mean?Shift算法不需要窮盡的搜索，使得高性能目標跟蹤成為了可能。

然而，在實際環境中，目標及周圍情況較為復雜。一系列因素，包括圖像信息采集過程中信息的丟失，場景光照條件的變化，目標在運動過程中被部分或全部遮擋等等，都將對Mean?Shift的處理效果產生負面的影響。當目標與周圍干擾物或者遮擋物顏色相近時，對采用HSV直方圖作為統計特征的跟蹤方法來說，極易發生目標丟失或者漂移的現象，這嚴重影響了算法的廣泛應用。

經過對現有技術的檢索發現，中國專利文獻號CN102831622公開了一種基于Mean?Shift的目標跟蹤方法，它首先利用卡爾曼濾波算法對目標當前位置進行預測，然后設計模糊判定準則在線調整目標尺度值，利用Mean?Shift迭代運算逐步逼近目標來完成跟蹤，最后，利用相似度和置信度系數設計模型更新準則，以實現模板的自適應更新。

中國專利文獻號CN101162525公開了一種基于Mean?Shift和人工魚群智能優化的人體多關節特征跟蹤方法，首先基于目標模型的顏色分布特征，根據前一幀圖像的信息利用人工魚群智能優化算法得到被跟蹤人體多關節特征目標在當前幀的優化位置，然后根據目標模型的顏色分布特征運用Mean?Shift迭代算法在其優化位置的領域內進行目標搜索，其中與目標模型顏色分布最相似的候選目標即為被跟蹤目標。

中國專利文獻號CN101867798公開了一種基于視頻壓縮域分析的Mean?Shift運動目標跟蹤方法,該方法將壓縮域分析與Mean?Shift跟蹤算法相結合，即首先對視頻編碼過程中產生的運動矢量進行概率統計分析，以獲取目標運動方向與運動速度的估計值，再以此修正Mean?Shift運動候選區域的中心位置，使每次搜索開始時，候選中心位置更接近實際目標中心位置。

中國專利文獻號CN102231207公開了一種基于Mean?Shift和塊匹配的運動目標跟蹤方法，首先確定目標模型與次要目標模型，然后用Mean?Shift算法求出次要目標模型在當前幀所處位置，根據該次要目標模型位置，采用塊匹配在次要目標模型范圍內得出首要目標模型的最佳位置。

中國專利文獻號CN102142085公開了一種林區監控視頻中運動火焰目標的魯棒跟蹤方法，提出了使用基于高斯混合模型的改進Mean?Shift窗口自適應算法獲得當前幀中林區目標的形狀變化。