Kalman濾波融合優(yōu)化Mean Shift的目標(biāo)跟蹤分析及研究

山東凱樂化工有限公司 陳 東 徐 奔

?

Kalman濾波融合優(yōu)化Mean Shift的目標(biāo)跟蹤分析及研究

山東凱樂化工有限公司 陳 東 徐 奔

【摘要】簡單、穩(wěn)定是Mean Shift的目標(biāo)跟蹤算法的基本特征，所以，在目標(biāo)具體的跟蹤行動中得到了廣泛的應(yīng)用，然而，也有相應(yīng)的局限性存在。因此，為了能夠更好地掌握該項(xiàng)算法，文章通過下文對Kalman濾波融合優(yōu)化Mean Shif目標(biāo)跟蹤算法的相關(guān)內(nèi)容進(jìn)行了闡述。

【關(guān)鍵詞】Kalman濾波融合優(yōu)化；Mean Shift；目標(biāo)跟蹤

為了將跟蹤效果提升，文章以 Kalman 濾波融合優(yōu)化為基礎(chǔ)，將 Mean Shift 的目標(biāo)跟蹤算法提了出來，將該跟蹤方法中一些難以解決的問題進(jìn)行了解決。

1 Mean Shit算法的相關(guān)分析

1.1 描述目標(biāo)模型

其一，在對目標(biāo)模型進(jìn)行確立時(shí)，需要將一個(gè)目標(biāo)型的坐標(biāo)體系構(gòu)建起來。假如目標(biāo)模型的中心坐標(biāo)用Xo表示，并且，每個(gè)像素坐標(biāo)位置的集合用｛Xi｝·i=1，2，，，，，，n表示，函數(shù)顏色直方圖的特征數(shù)量可以用m表示，u為基本的概率特征，這樣可以將目標(biāo)模型表達(dá)式 構(gòu)建起來。在通過單調(diào)遞減的每向同性凸核函數(shù)加權(quán)處理目標(biāo)模型個(gè)點(diǎn)時(shí)，因?yàn)檎诒挝锘蛘弑秤叭菀渍趽趸蛘吒蓴_到臨近邊界處的像素值，像素點(diǎn)權(quán)重越距目標(biāo)模板中心距離近，其值就會越大。模型中心同目標(biāo)像素位置距離越遠(yuǎn)，影響隨之也會相應(yīng)的減小。

1.2 定位目標(biāo)

通過多次的迭代來對Mean Shit進(jìn)行定位，為了在都可以在最大值處控制相似性函數(shù)，將后一幀y1的位置在前一幀y0處找出來，并且，依次按照這樣的方式去做，只有β＞yb-y時(shí)，y1=y，才可以將后一幀的最終位置確定出來，從而敲定出最后的目標(biāo)位置。

1.3 描述候選目標(biāo)模型

Mean Shit算法在進(jìn)行目標(biāo)跟蹤時(shí)是通過迭代方式來完成的，候選區(qū)域是迭代起發(fā)區(qū)域，在構(gòu)建候選目標(biāo)模型計(jì)算表達(dá)式時(shí)，通常會應(yīng)用構(gòu)建目標(biāo)模型的方法。之后完成有關(guān)的分析與計(jì)算。

1.4 函數(shù)相似性分析

在對比候選目標(biāo)模型圖像和前后兩幀目標(biāo)模型圖像時(shí)，相似的函數(shù)在其中發(fā)揮著重要的作用。在描述Bhattacharyya 系數(shù)時(shí)通常會應(yīng)用這種方法，并且，在0-1之間控制該系數(shù)范圍，存在著越大的數(shù)值，就證明候選目標(biāo)和目標(biāo)圖像之間越接近，也能夠說明有著很小的間距存在于兩個(gè)圖像離散分布間。

2 者融合應(yīng)用分析

2.1 分割初始運(yùn)動目標(biāo)

分割運(yùn)動目標(biāo)主要目的是分離出需要被跟蹤的運(yùn)動目標(biāo)，并且將其可以被進(jìn)行跟蹤的特征提取出來，在分割感興趣的運(yùn)動目標(biāo)時(shí)，我們經(jīng)常會應(yīng)用到區(qū)域生長算法和傳統(tǒng)觀簡單的幀差法。

2.2 將運(yùn)動目標(biāo)特征提取出來

在將運(yùn)動目標(biāo)準(zhǔn)定出來后，假定在背景靜止的初始狀態(tài)下存在著目標(biāo)，為了用灰度直方圖來取代檢測到的連續(xù)幀模板圖，在概率分布圖像 反向投影結(jié)果的基礎(chǔ)上，對差分信息進(jìn)行分析，然后，將運(yùn)動目標(biāo)的特征結(jié)果提取出來。

2.3 將Kalman濾波器同優(yōu)化的Mean Shit算法融合起來跟蹤相應(yīng)的目標(biāo)

在通過這種方法跟蹤相應(yīng)目標(biāo)時(shí)，首先應(yīng)該采用有效的方式優(yōu)化處理Mean Shit算法，主要目的是經(jīng)過有效的計(jì)算調(diào)整令搜索框的重心與匯聚的效果可以相一致，在對其進(jìn)行判斷時(shí)，可以應(yīng)用模板反向投影特征和區(qū)域內(nèi)的概率分布圖像的符合度來實(shí)現(xiàn)。其次，應(yīng)該同Kanlman濾波器充分的結(jié)合起來，由于在光線變化極大或者運(yùn)動目標(biāo)速度較快的狀態(tài)下，對于 一定的要求Mean Shift 算法已經(jīng)很難滿足，應(yīng)該Kalman 濾波器計(jì)算出目標(biāo)運(yùn)動系統(tǒng)的一個(gè)狀態(tài)序列線性分布情況。一般情況下，可以對實(shí)時(shí)可計(jì)算、計(jì)算量小的濾波方法完成相應(yīng)的計(jì)算。將目標(biāo)的狀態(tài)模型確定出來，然后在展開一定的分析計(jì)算，將Kanlman濾波的跟蹤過程獲取出來，在當(dāng)前幀的具體位置處判斷出目標(biāo)狀態(tài)模型，然后再同Mean Shit算法結(jié)合起來將最為合適的匹配位置找出來，進(jìn)而確保實(shí)時(shí)跟蹤與檢測運(yùn)動目標(biāo)。

3 結(jié)語

通過上文分析發(fā)現(xiàn)，目標(biāo)遮擋對于現(xiàn)有的Mean Shit算法而言是很難適應(yīng)的，因此，主要闡述了Mean Shit跟蹤方法與Kalman濾波器融合方法的相關(guān)內(nèi)容進(jìn)行了論述，對跟蹤模板進(jìn)行更新，修正權(quán)值。并且，通過大量的實(shí)踐證明，這樣的做法是非常有效的。對此，文章通過上述內(nèi)容的相關(guān)分析與論述，進(jìn)而為有關(guān)單位及研究人員在具體的工作中提供一定的方法論支撐。

參考文獻(xiàn)

［1］楊海燕，李春光，劉國棟.基于Kalman濾波和改進(jìn)的Mean Shift算法的目標(biāo)跟蹤［J］.江南大學(xué)學(xué)報(bào)（自然科學(xué)版），2013，12（6）﹕693-697.

［2］姜濤，蔣元友，廖敏江.基于Mean Shift和Kalman 濾波相結(jié)合的運(yùn)動目跟蹤方法［J］.廣東通信技術(shù)，2015（01）﹕42-46.

［3］韓濤，吳衡，張虎龍.Kalman濾波融合優(yōu)化Mean Shift的目標(biāo)跟蹤算法［J］.光電工程，2014，41（06）﹕56-62.

作者簡介：

陳東（1988-），男，山東棗莊人，助理工程師，現(xiàn)就職于山東凱樂化工有限公司，從事信息自動化、安全管理等工作。

徐奔（1987-），男，山東棗莊人，助理工程師，現(xiàn)就職于山東凱樂化工有限公司，從事監(jiān)控系統(tǒng)研究、計(jì)算機(jī)軟硬件維護(hù)等工作。