一种分层Mean Shift目标跟踪算法(4)

在图像序列帧跟踪过程中,如果目标伴随有尺度变化,则根据文献[7,21]重新定义相似度量函数为

dfdf 1

J(Sxk,Syl)=δ(Cl,Ck)×

Np

l=1k=1

n l

nk

yj∈Clxi∈Ck

2 √ yj xi kh(vj ui)ω (15)

dfdf

δ(Cl,Ck)nk·n l·ωσ(·)kh(·)(Cyl Cxk)

ms(y)=l=1

k=1

dfdf

l=1k=1

+x

δ(Cl,Ck)nk·n l·ωσ(·)kh(·)

(14)

dfdf

Cxk)δ(Cl,Ck)nk·n l·ωσ,s(·)kh(·)(Cyl sC

ms(y)=

l=1k=1

dfdf

l=1k=1

dfdf

x +sx

δ(Cl,Ck)nk·n l·ωσ,s(·)kh(·)

Cyl

sσ

2

Cxkσ

2

s

(16)

δ(Cl,Ck)nk·n l·ωσ,s(·)kh(·)1+

dfdf

l=1k=1

ms(s)=

l=1k=1

(17)

δ(Cl,Ck)nk·n l·ωσ,s(·)kh(·)

一种分层Mean Shift目标跟踪算法

生的计算量Nm也很小.那么,N1=Nc+Nm.第二层,像素匹配的计算量为N2,若聚类块匹配后直接运算,d对相匹配的聚类逐点比较产生的计算量

2

N2=d×(nk×n l).而本文给出结合邻域一致性分层匹配,只需计算聚类模式点近似比较N2=d×1.令Ns为适应目标尺度s的变化而迭代搜索的尺度数目的计算量,那么执行一次分层MS匹配迭代算法总的计算代价为C=Ns(N1+N2)=Ns(Nc+Nm+d×1).显然,本文的匹配计算量C,除聚类计算量Nc较大之外,其他都是几个模式点的匹配及数乘运算.

3实验

实验平台环境:硬件为主频1.5GHz,内存512M的R50e的IBM笔记本电脑,软件为Matlab7.1.通过大量真实实验调试,与其他两种算法[3,7]相比,本文算法是有效可行的.在跟踪准确性方面,抗光照、遮挡、阴影噪声干扰等鲁棒性方面强于经典方法,搜索迭代次数随所选目标不同而有所不同,略高于经典方法.下面给出一些本文算法跟踪结果及性能分析,第一帧手动初始化目标模型区,匹配允许误差范围阈值Tc=1.

实验1.户外足球比赛图像序列,图像大小为720×560像素,共285帧.球员之间相互遮挡,存在较多的颜色特征相似的目标,对快速运动的球员目标进行跟踪.第一层初始聚类带宽及前景/背景分离距离参数为[σ,Th]=[35,18],第二层核函数带宽[σ,h]=[18,12].设定的聚类带宽较大,聚类程度较高,自适应聚类为15类.中途101～120帧、142～150帧出现运动目标遮挡及碰撞.序列帧90,105,114,162,188,233跟踪结果如图5所示,每帧迭代

图4

Fig.4

HMS跟踪原理框图

BlockdiagramofHMStrackingprocess

量越大,得到的聚类数d越大.σ太大,会使聚类分割丢掉太多细节;σ太小,不能起到增强颜色特征的鲁棒性的作用(本文初始σ参数是经过反复实验的经验值).设聚类后求质心、前景/背景分离、匹配模式点的计算量为Nm,由于聚类个数d很小,因而产

图5Fig.5

足球赛运动球员HMS算法跟踪结果

TrackingresultsoffootballplayerusingHMS

一种分层Mean Shift目标跟踪算法

图6

Fig.6

文献[3](左)与本文(右)每帧迭代次数的对比

Thenumbersofiterationswithregardtotheframeindexusingreference[3](left)andHMS(right)

次数如图6所示.与文献[3]算法相比,本文算法平均每帧迭代2.2512次,文献[3]算法为2.0461次.

实验2.室内人脸图像序列,图像大小为128×96像素,共100帧.人脸从正面转向反面,再转过来,遮挡严重.相对于实验1而言,实验2跟踪的目标颜色分布较细腻、变化较小.第一层初始聚类带宽及前景/背景分离距离参数为[σ,Th]=[26,20],第二层核函数带宽[σ,h]=[12,10].设定的聚类带宽较小,聚类程度较低.图7显示了本文算法与文献[3]算法对序列帧18,24,90的跟踪结果.与其他两种MS算法(文献[3]中的MS算法1,文献[7]中的MS算法2)相比,目标质心的跟踪误差如图8所示,本文算法的准确性更高

.

比,目标质心的跟踪误差如图10(见下页)所示,显然,本文算法的跟踪准确性更高.

从以上几个实验的跟踪效果图及性能图比较分析来看,与其他两种MS算法[3,7]相比,本文算法中,聚类块模式点增强了颜色特征表征的鲁棒性,在一定程度上克服了光照、噪声等的影响,

可获取稳定的

图7Fig.7

本文算法(上)与文献[3](下)的人脸跟踪结果TrackingresultsoffaceusingHMS(uprow)and

reference[3](downrow)

实验3.户外强光照下穿梭于草地、沙漠、公路

上的车辆图像序列.车辆较长时间行驶在强光照下,阴影影响较严重,目标的尺度变化大,背景环境变化大.图像序列来源于PETS2005,图像大小为160×107像素,共1810帧,并提供有真实数据.设定的聚类带宽及前景/背景分离距离参数为[σ,Th]=[30,23],核函数带宽[σ,h]=[18,12],聚为9类.序列帧60,210,580,1250,1510,1800的跟踪结果如图9(见下页)所示.与其他两种MS算法[3,7]相

图8Fig.8

室内人脸序列的文献[3,7]算法与本文

算法的跟踪误差比较

Comparisonoftrackingerrorsoffacesequenceindoorforthreedi erentalgorithms,

references[3,7],andHMS

一种分层Mean Shift目标跟踪算法

运动块,先聚类块匹配、再像素匹配提高了目标匹配的有效性,跟踪效果更好,分层匹配算法有效可行.

4结论

本文提出了一种分层Meanshift目标跟踪算法,通过多组实验,分别从直观跟踪效果、迭代运算次数和跟踪误差方面,与其他两种MS算法进行比较,分析了本文给出算法的性能及有效性.本文的贡献在于:1)将区域匹配的MS目标跟踪算法分层执行,提出分层搜索的思想,即先块匹配,再像素匹配;图9穿梭于草地、沙漠公路上的车辆HMS算法跟踪结果Fig.9Trackingresultsofrunningcarinthegrass,

desertandroadusing

HMS

图10车辆序列中文献[3,7]算法与本文算法跟踪误差比较Fig.10

Comparisonoftrackingerrorsincarsequenceforthreealgorithms,references[3,7]andHMS

百度搜索“77cn”或“免费范文网”即可找到本站免费阅读全部范文。收藏本站方便下次阅读，免费范文网，提供经典小说医药卫生一种分层Mean Shift目标跟踪算法(4)在线全文阅读。