基於顏色特征的目標跟蹤常用算法


camshift算法原理
camshift就是利用目標的顏色直方圖模型將圖像轉換為顏色概率分布圖,初始化一個搜索窗的大小和位置,並根據上一幀得到的結果自適應調整搜索窗口的位置和大小,從而定位出當前圖像中目標的中心位置。
分為三個部分:
1--色彩投影圖(反向投影):
(1).RGB顏色空間對光照亮度變化較為敏感,為了減少此變化對跟蹤效果的影響,首先將圖像從RGB空間轉換到HSV空間。

(2).然后對其中的H分量作直方圖,在直方圖中代表了不同H分量值出現的概率或者像素個數,就是說可以查找出H分量大小為h的概率或者像素個數,即得到了顏色概率查找表。

(3).將圖像中每個像素的值用其顏色出現的概率對替換,就得到了顏色概率分布圖。這個過程就叫反向投影,顏色概率分布圖是一個灰度圖像。

2--meanshift
meanshift算法是一種密度函數梯度估計的非參數方法,通過迭代尋優找到概率分布的極值來定位目標。
算法過程為:
(1).在顏色概率分布圖中選取搜索窗W
(2).計算零階距:
                   

計算一階距:

計算搜索窗的質心:

(3).調整搜索窗大小
(4).移動搜索窗的中心到質心,如果移動距離大於預設的固定閾值,則重復2)3)4),直到搜索窗的中心與質心間的移動距離小於預設的固定閾值,或者循環運算的次數達到某一最大值,停止計算。

關於meanshift的收斂性證明可以google相關文獻

camshift算法:
將meanshift算法擴展到連續圖像序列,就是camshift算法。它將視頻的所有幀做meanshift運算,並將上一幀的結果,即搜索窗的大小和中心,作為下一幀meanshift算法搜索窗的初始值。如此迭代下去,就可以實現對目標的跟蹤。
算法過程為:
(1).初始化搜索窗
(2).計算搜索窗的顏色概率分布(反向投影)
(3).運行meanshift算法,獲得搜索窗新的大小和位置。
(4).在下一幀視頻圖像中用(3)中的值重新初始化搜索窗的大小和位置,再跳轉到(2)繼續進行。

 

1.2meanshift算法

Mean-Shift算法,一般是指迭代尋優算法,該算法先計算當前點偏移量的平均值,然后移動該點到其該均值處,以此處位置為當前點,重新計算當前點偏移量的平均值,繼續移動,直到滿足一定的停止條件,收斂到最近的一個概率的穩態點。Mean Shift算法本質是一個自適應的梯度上升搜索局部峰值的方法,如圖所示,Mean Shift矢量總是指向概率 f(x) 增加最大的方向。如果數據集服從概率,給定一個初始點x,Mean Shift算法就會一步步的移動,最終收斂到 f(x) 的極值處。

 

 

 

圖1  Mean shift算法示意圖

Mean Shift算法實現跟蹤的做法是利用目標的顏色特征在序列圖像中找到運動目標所在的位置和大小,在下一幀序列圖像中,用運動目標當前的位置和大小初始化搜索窗口,重復這個過程就可以實現對目標的連續跟蹤。該算法以目標的顏色直方圖來獲得顏色概率分布,當目標隨時間運動時,圖像的顏色概率分布也隨着變化,因此可以根據圖像的顏色的概率分布變化來跟蹤目標。

Mean Shift 跟蹤算法的具體實現:

 

 

 

圖2 mean-shift 目標跟蹤的算法流程圖

跟蹤過程如圖,其中尋找中心步驟是主要的 meanshift 算法,也是整個跟蹤過程的核心。總的概括起來可以分為四步。

1.我將圖像序列讀入 matlab 中,並在第一幀中手動找出目標;

2.將目標圖像從 RGB 顏色空間轉化為 HSI 顏色空間,並計算目標框內的顏色直方圖;

3.讀入第二幀圖像,在第一幀中目標的位置將目標框擴大形成一個搜索區域;

4.按照 meanshift 算法描述方法直到收斂,並標出新目標。

Mean-shift 算法在目標跟蹤中收斂性好且速度較快,但是由於算法的單峰搜索性質,使得目標跟蹤系統在很多情況下表現不夠穩健。

1.3粒子濾波算法

粒子濾波是用一組具有權值的粒子完全的描述后驗概率分布,

粒子濾波理論描述了一種有效的目標跟蹤框架,它用粒子加權和來表示目標狀態的后驗概率。從 0 時刻開始,系統進行初始化,確定目標狀態的先驗概率表示形式,給各個粒子賦予初始權值。在下一時刻,首先進行狀態預測轉移,各粒子遵循一定的狀態轉移方程進行自身的狀態傳播,其后得到新狀態對應的觀測量,通過系統測量階段,計算各粒子的權值,這實際是粒子狀態更新的過程,接下來,粒子經過重采樣繼續進行狀態轉移,構成一個遞歸循環框架。

 

 

 

圖3 粒子濾波的跟蹤框架

由於粒子濾波的多峰搜索性質,在穩健性方面優於 mean-shift 算法的目標跟蹤方法,但是計算量較大,目標跟蹤的實時性較差。


免責聲明!

本站轉載的文章為個人學習借鑒使用,本站對版權不負任何法律責任。如果侵犯了您的隱私權益,請聯系本站郵箱yoyou2525@163.com刪除。



 
粵ICP備18138465號   © 2018-2025 CODEPRJ.COM