一种基于概率模型的运动摄像机自动目标跟踪方法

摘要

本发明提供一种基于概率模型的运动摄像机自动目标跟踪方法，具体实现步骤为：首先，初始化启动跟踪的参数和实时运动目标跟踪的参数；其次，利用速度差异函数定位初始运动区域，并采用改进的最优聚类函数分割运动目标；然后，对当前帧检测到的运动目标和背景搜索窗建立颜色概率直方图模型，利用后验概率函数、颜色直方图相似度函数调整目标的大小和位置；最后，使用连续自适应均值漂移法寻找下一帧运动目标，实现在动态背景下对运动目标进行实时跟踪。本发明提高了运动目标跟踪的可靠性，可有效解决运动摄像机下初始目标选取、多目标跟踪、目标和背景存在相同颜色以及目标自身颜色变化问题。

主权项

1.一种基于概率模型的运动摄像机自动目标跟踪方法，在通过速度差异和最优聚类获取运动目标的基础上，通过建立改进的颜色概率直方图模型，增加目标颜色分布的可信度，并根据运动目标的位置、大小和颜色采用均值偏移法，对实时运动目标进行可靠跟踪，其特征在于包括以下步骤：步骤（1）初始化启动跟踪的参数和实时运动目标跟踪的参数；步骤（2）利用速度差异函数定位初始运动区域，并利用改进的最优聚类函数分割目标；步骤（3）对当前帧检测到的运动目标和背景搜索窗建立颜色概率直方图模型，利用后验概率函数、颜色直方图相似度函数调整目标的大小和位置；步骤（4）使用连续自适应均值漂移法寻找下一帧运动目标，实现实时跟踪；其中，所述步骤（2）中利用速度差异函数定位初始运动区域的具体步骤为：步骤a1、计算训练帧中最小的角点数为式中，FC_max代表最大的角点数；TC代表所训练的帧的长度；C_t(i,j)代表t时刻坐标为(i,j)位置的角点；步骤a2、计算角点全局速度为G_speed＝MostFrequence{S_Speed(i1,j1)…S_Speed(in,jn)…S_Speed(iN,jN)}    (2)式中，1≤n≤N,(in,jn)∈D，D代表整幅图像，S_Speed(in,jn)对应坐标为(in,jn)位置角点的速度，其中(i1,j1)≠(in,jn)；步骤a3、计算局部运动区域为|S^t_Speed(in,jn)-S^t-1_Speed(in,jn)|＜Th0，t∈(1,TC-1)    (3)|L^t_speed(in,jn)-L^t-1_speed(in,jn)|＜Th0，t∈(1,TC-1)    (4)|L_speed(in,jn)-G_speed|＞Th1，1≤n≤N    (5)式中，S^t_Speed(in,jn)代表t时刻第n个角点的速度；G_speed代表一帧中所有角点的全局运动速度；L_speed(in,jn)代表第n个角点像素的局部运动速度；TC代表所训练的帧的长度；N代表最小的角点数；所述步骤（2）中利用改进的最优聚类函数分割目标的步骤为：步骤b1、类间离散度函数为$L=\underset{\xi =1}{\overset{k}{\Sigma }}|m_{\xi }-\bar{m}|---\left(6\right)$式中m_ξ为任一簇所含样本的均值；为所有样本的均值，k表示总的聚类簇数；步骤b2、类内离散度函数为$W=\underset{\xi =1}{\overset{k}{\Sigma }}\underset{p\in C_{\xi }}{\Sigma }|p-m_{\xi }|---\left(7\right)$式中，m_ξ为任一簇所含样本的均值；p为对应簇中的任一样本；k表示总的聚类簇数；步骤b3、两离散度距离函数为$F(S,k)=L/W=\begin{array}{c}1/\underset{\xi =1}{\overset{k}{\Sigma }}\underset{p\in C_{\xi }}{\Sigma }|p-m_{\xi }|,\mathrm{if}(L=0)\\ \underset{\zeta =1}{\overset{k}{\Sigma }}|m_{\xi }-\bar{m}|/\left(\underset{\xi =1}{\overset{k}{\Sigma }}\underset{p\in C_{\xi }}{\Sigma }\right|p-m_{\xi }),\mathrm{if}(L\ne 0)\end{array}---\left(8\right)$式中，S代表整个索引空间。