关于遮挡处理的视频目标跟踪算法
一种解决遮挡问题的跟踪方法
Ｔｒａｃｋｉｎｇ ｍｅｔｈｏｄ ｆｏｒ ｓｏｌｖｉｎｇ ｏｃｃｌｕｓｉｏｎ ｐｒｏｂｌｅｍ
ＷＵ Ｓｈｕｉ－ｑｉｎ１，２，３，ＭＡＯ Ｙａｏ１，２＊ ，ＬＩＵ Ｑｉｏｎｇ１，２，ＬＩ Ｚｈｉ－ｊｕｎ１，２
（１．Ｋｅｙ Ｌａｂｏｒａｔｏｒｙ ｏｆ Ｏｐｔｉｃａｌ Ｅｎｇｉｎｅｅｒｉｎｇ，Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅ，Ｃｈｅｎｇｄｕ６１０２０９，Ｃｈｉｎａ； ２Ｉ．ｎｓｔｉｔｕｔｅ ｏｆ Ｏｐｔｉｃｓ ａｎｄ Ｅｌｅｃｔｒｏｎｉｃｓ，Ｃｈｉｎｅｓｅ Ａｃａｄｅｍｙ ｏｆ Ｓｃｉｅｎｃｅ，Ｃｈｅｎｇｄｕ ６１０２０９，Ｃｈｉｎａ；
吴水琴１，２，３，毛 耀１，２＊ ，刘 琼１，２，李志俊１，２
（１．中国科学院 光束控制重点实验室，四川 成都 ６１０２０９； ２．中国科学院 光电技术研究所，四川 成都 ６１０２０９； ３．中 国 科 学 院 大 学 ，北 京 １０１４００）
摘要：针对图像跟踪领域中因遮挡产生的漂移问题，提出一种基于直方图比的 背 景 加 权 的 Ｍｅａｎ Ｓｈｉｆｔ算 法 和 Ｋａｌｍａｎ预 测滤波器融合的方法。本文方法通过改进目标模型来优化 Ｂｈａｔｔａｃｈａｒｙｙａ系数值，增大目标正常 跟 踪 状 态 下 和 遮 挡 状 态 下 Ｂｈａｔｔａｃｈａｒｙｙａ系数的差值，提高遮挡判定的有效性，进而提高遮挡时的跟踪性能。通过实 验 证 明，基 于 直 方 图 比 的 背 景加权的 Ｍｅａｎ Ｓｈｉｆｔ算法和 Ｋａｌｍａｎ预测滤波器融合的方法可有效解决遮挡跟踪问题。 关 键 词 ：遮 挡 跟 踪 ；Ｍｅａｎ Ｓｈｉｆｔ算 法 ；Ｋａｌｍａｎ 预 测 ；背 景 加 权 中 图 分 类 号 ：ＴＰ３９１．４ 文 献 标 识 码 ：Ａ ｄｏｉ：１０．３７８８／ＹＪＹＸＳ２０１９３４０２．０１８８
(完整版)视频目标检测与跟踪算法综述
视频目标检测与跟踪算法综述1、引言运动目标的检测与跟踪是机器视觉领域的核心课题之一，目前被广泛应用在 视频编码、智能交通、监控、图像检测等众多领域中。
本文针对视频监控图像的运动目标检测与跟踪方法，分析了近些年来国内外的研究工作及最新进展。
2、视频监控图像的运动目标检测方法运动目标检测的目的是把运动目标从背景图像中分割出来。
运动目标的有效分割对于目标分类、跟踪和行为理解等后期处理非常重要。
目前运动目标检测算法的难点主要体现在背景的复杂性和目标的复杂性两方面。
背景的复杂性主要体现在背景中一些噪声对目标的干扰，目标的复杂性主要体现在目标的运动性、突变性以及所提取目标的非单一性等等。
所有这些特点使得运动目标的检测成为一项相当困难的事情。
目前常用的运动目标检测算法主要有光流法、帧差法、背景相减法，其中背景减除法是目前最常用的方法。
2.1 帧差法帧差法主要是利用视频序列中连续两帧间的变化来检测静态场景下的运动目标，假设(,)k f x y 和(1)(,)k f x y +分别为图像序列中的第k 帧和第k+1帧中象素点(x ，y)的象素值,则这两帧图像的差值图像就如公式2-1 所示：1(1)(,)(,)k k k Diff f x y f x y ++=- (2-1)2-1式中差值不为0的图像区域代表了由运动目标的运动所经过的区域（背景象素值不变），又因为相邻视频帧间时间间隔很小，目标位置变化也很小，所以运动目标的运动所经过的区域也就代表了当前帧中运动目标所在的区域。
利用此原理便可以提取出目标。
下图给出了帧差法的基本流程：1、首先利用2-1 式得到第k 帧和第k+1帧的差值图像1k Diff +；2、对所得到的差值图像1k Diff +二值化（如式子2-2 示）得到Qk+1；3、为消除微小噪声的干扰，使得到的运动目标更准确，对1k Q +进行必要的滤波和去噪处理，后处理结果为1k M +。
111255,,(,)0,,(,)k k k if Diff x y T Q if Diff x y T+++>⎧=⎨≤⎩ （T 为阈值） （2-2）帧差流程图从结果看在简单背景下帧差法基本可检测到运动目标所在的位置，而且计算简单，复杂度低。
一种针对视频对象快速移动和遮挡的改进mean—shift跟踪算法
而代替经典 ｍｅｎｓｉ ａ— ｆ ｈ ｔ算法中单纯用上一帧位置
作 为当前 帧起始位置 的方法 。 这是利用 以往 目标 的
位 置信 息对动 态系 统 的状态 序列 线性 最小 方差进
素 向颜色索 引 的映像 。候选模 型在当前帧 中 以 为 中心 。则候选模 型的概 率密度为
到局部遮 挡时，采用背 景相似度算法 ，对 目标模板和候选模型区域中像素点进行 加权 ，降低背景像素的干扰 ， 然后 由 Ｓ Ｄ算法进行局部匹配 ，对 ｍｅｎｓｉ 算法的跟踪结果进行校正 。经实验表 明，改进算法对发生快速移 Ｓ ａ— ｆ ｈｔ 动或受到局部遮挡的 目标 ，能进行有效的跟踪 。 关键 词： 目标跟踪；ｍｅｎｓｉ；快速移动；遮挡 ａ—ｈｆ ｔ
第３ ４卷 第 １期
２１ ００年 １ 月
燕 Ｌ大 学 学 报
Ｊ ｕ ｎ ｌ ｆ ｎ ｈ ｎ Ｕｎ ｖ ｒ ｉ ｏ ｒ ａ ｓ ａ ｉ ｅ ｓｔ ｏ Ｙａ ｙ
ＶＯ ．３ ＮＯ． １ １ ４ Ｊ ｎ． ２ ０ ａ ０１
文章编号 ：１ ０ －９ （０ ）０ —０ ２０ ７７ １ ２ １ ０ Ｘ ０ １０ ５ —４
Ｍ
Ｎ
Ｄ（ ＝ ∑［ （ ） ， ２ 。 ｉ ∑ ， 一 ， ，］ ）
ｙ ｕ ｄ ．ｃｌ ｓ ．ｅ ｕ ｒ。
第ｌ 期
唐 勇 等 一种针对视频对象快速移动和遮 挡的改进 ｍｅｎｓｉ 跟踪算法 ａ． ｆ ｈｔ
５ ３
选取 Ｂ ａ ａｈ ａｙ ａ系数作 为相似性系 数 ： ｈ ｔ ｃ ｈ ｒｙ ｔ
阈值为 ，则
） （ ） ）墨 ＝ ｉ， ＝ √ ；） （，
行估计，具有计算量小、 可实时计算的特点， 可以 准确预测 目 标的位置和速度， 然而此种迭代运算非
基于深度学习的自然场景带有遮挡物视频目标跟踪技术研究
基于深度学习的自然场景带有遮挡物视频目标跟踪技术研究自然场景的视频目标跟踪是计算机视觉中一个备受关注的问题，目的是根据对象在摄像头前的运动来跟踪其位置和姿态。
然而，这个问题还存在巨大的挑战，因为视频场景中可能会有遮挡物、未知光照、动态背景等因素干扰跟踪对象的准确识别和预测。
随着深度学习技术的不断发展，基于深度学习的视频目标跟踪技术越来越受到重视。
一、基于深度学习的视频目标跟踪简介现有的视频目标跟踪技术多采用机器学习方法，如卡尔曼滤波、粒子滤波、支持向量机等，但这些方法对场景变化敏感，对遮挡物和背景噪声的处理效果不佳。
基于深度学习的目标跟踪技术主要分为两类：一类是基于深度卷积神经网络（CNN）的跟踪方法，另一类是基于循环神经网络（RNN）的跟踪方法。
为了应对视频中的遮挡物干扰，基于CNN的跟踪方法通常采用“孪生网络”架构，即将当前帧图像与第一帧图像进行比对，在编码器（encoder）和解码器（decoder）之间设计注意力机制，使网络可以根据图像的重要性和区域的相似度自适应调整重点关注区域。
同时，还可以利用循环神经网络处理时序信息，提高跟踪精度。
基于RNN的跟踪方法的优点是可以理解并记忆目标的时序特征，从而在长时间的跟踪过程中提高精度和鲁棒性。
但由于RNN对于输入序列长度的限制，这种方法难以有效应对实时性要求较高的视频场景。
因此，近年来一些研究者还设计了一些基于CNN和RNN的混合方法，如MOTDT、MDT、MCT等，从而充分发挥深度学习的优势，提高跟踪精度。
二、深度学习方法在视频目标跟踪中的应用近年来，随着深度学习技术的不断进步，基于深度学习的视频目标跟踪技术也取得了显著的进展。
在下面的几个应用案例中，我们可以更好地理解深度学习方法在视频目标跟踪中的应用。
1. MOTDTMOTDT（Multiple Object Tracking with Detectors and Trackers）是基于卷积神经网络和循环神经网络的混合方法，它将目标检测器和目标跟踪器融合在一起，用来解决视频场景中的多目标跟踪问题。
遮挡情况下的多目标跟踪算法
条件下进行多目 标跟踪 ， 针对运动目 标发生遮挡情况下的Ｍ ａ ｈｔ ｅｎ ｉ 跟踪问题进行 了研究， 出一种新的抗遮挡算 Ｓｆ 提
法。利 用卡 尔曼滤波 器来获得每 帧 Ｍ ａ ｉ 算 法的起 始位置 ， ｅｎ ｈ Ｓｆ ｔ 再利用 Ｍ ａ ｈｔ 法得 到 目 ｅ Ｓｉ 算 ｎ ｆ 标跟踪 位置 ， 通过 目
ｔ ｎ ｓｄｔｅ ｅｈｎｓ ｃ ｓ ｎ ｕ ｇ ｎ ａｄｏｊｃ ｓａｃｉｇ ｏ ｏ ｅ ｃｌｓ ｎ Ｅ ｐｒ ｅｔ ｓｌ ｈｗｔａ ｔｅ ｌ ｉ ．Ｕ ｃ ａｉ ｏ ｏ ｌ ｉ ｄｍｅｔ ｎ ｂ ｔｅｒｈｎ ｌ ｃ ｉ ． ｘ ｉ ｎａ ｒ ｕｔｓｏ ｔｈ — ｏ ｅ ｈｍ ｍ ｆｃ ｕ ｏ ｊ ｅ ｔｓ ｖ ｏ ｕ ｏ ｅ ｍ ｌｅ ｓ ｈ ａ
ｆ ｕ ｄ ｔｅ ｓ ｒ ｎ ｏ ｉ ｏ ｆ ａ ｈｆ ｗｉ ａｍａ ｌ ｒ ｎ ｅ ｅｙｆａ ，ａ ｄ ｔｅ ｔ ｉ ｄ Ｍｅ ｈｆ ｔ ａ ｋ ｔｅ ｔ ｇ ｔ ｏ ｉ ｏ ｎ ｈ ｔ ｔ ｇｐ ｓ ｉｎ ｏ ｎ Ｓ ｉ ｔ Ｋ ｌ ｎ ｆ ｔ ｖ ｒ ｍｅ ｎ ｎ ｕ ｉ ｚ ａ Ｓ ｉ ｔ ｃ ｅ ｓ ａｉ ｔ Ｍｅ ｔ ｈ ｉ ｅｉ ｒ ｈ ｌｅ ｎ ｔｏ ｒ ｈ ａ ｒ ｐ －
ＭｅｎＳｉ 跟踪 算 法 要 求 相 邻 两 帧 问 目标 位 置 是 重 叠 ａ ｈ ｔ ｆ
０ 引言
在计算机视觉研究领域里 ， 视频序列多 目标在运动中相互 遮挡是视频跟踪研究 中的难 点问题 。视频 序列多 目标跟踪有
的 ］当 目标持续地受到其他 物体遮 挡时 ， 踪窗 口将不 能正 ， 跟
确对 目标进行跟踪 ， 甚至会产生误跟踪。
本文对 目标发生遮挡 情况下 的 ＭｅｎＳ ｉ 跟踪 问题进 行 ａ ｈ ｔ ｆ
《遮挡和尺度变换场景下目标跟踪算法的研究与跟随系统的设计》范文
《遮挡和尺度变换场景下目标跟踪算法的研究与跟随系统的设计》篇一一、引言目标跟踪作为计算机视觉领域的一项重要技术，被广泛应用于智能监控、无人驾驶、人机交互等众多领域。
然而，在实际应用中，遮挡和尺度变换等复杂场景下的目标跟踪问题一直是研究的难点。
本文将针对遮挡和尺度变换场景下的目标跟踪算法进行研究，并设计一套有效的跟随系统。
二、遮挡和尺度变换下的目标跟踪算法研究1. 遮挡问题研究遮挡是目标跟踪过程中的常见问题，当目标被其他物体遮挡时，传统的跟踪算法往往会出现跟踪失败或跟踪漂移的现象。
为了解决这一问题，我们可以采用基于深度学习的目标跟踪算法，如Siamese网络、孪生网络等。
这些算法通过学习目标的外观特征和运动规律，能够在一定程度上应对部分遮挡和完全遮挡的情况。
2. 尺度变换问题研究尺度变换是另一个影响目标跟踪性能的重要因素。
当目标在运动过程中发生尺度变化时，传统的跟踪算法往往无法准确估计目标的实际大小和位置。
针对这一问题，我们可以结合目标检测技术，采用多尺度特征融合的方法来提高跟踪的鲁棒性。
具体而言，我们可以将不同尺度的特征图进行融合，以便更好地适应目标尺度的变化。
三、跟随系统的设计1. 系统架构设计本系统采用模块化设计思想，主要包括目标检测模块、特征提取模块、跟踪模块和用户交互模块。
其中，目标检测模块负责检测视频中的目标对象；特征提取模块负责提取目标的外观特征和运动特征；跟踪模块则根据提取的特征进行目标跟踪；用户交互模块则负责与用户进行交互，提供友好的操作界面。
2. 具体实现（1）目标检测模块：采用基于深度学习的目标检测算法，如Faster R-CNN、YOLO等，对视频中的目标进行检测。
（2）特征提取模块：提取目标的外观特征和运动特征。
外观特征可以通过深度学习网络进行提取，而运动特征则可以通过光流法或相关滤波器进行计算。
（3）跟踪模块：采用上述研究的遮挡和尺度变换下的目标跟踪算法，根据提取的特征进行目标跟踪。
一种抗遮掩的卫星视频目标跟踪算法
一种抗遮掩的卫星视频目标跟踪算法一种抗遮掩的卫星视频目标跟踪算法摘要：随着卫星技术的不断进步，卫星视频成为了获取地面目标信息的重要手段之一。
然而，由于地面目标常常遭遇建筑、树木等自然遮挡物的干扰，对于卫星视频目标跟踪的准确性及鲁棒性提出了挑战。
本文提出了一种抗遮掩的卫星视频目标跟踪算法，通过利用背景差分和形态学处理相结合的方式，实现了对遮挡目标的鲁棒跟踪。
关键词：卫星视频；目标跟踪；遮掩；背景差分；形态学处理1.引言卫星视频具有广阔的视野和高分辨率的特点，能够覆盖地表广阔的区域，并获取目标的详细信息。
然而，在实际场景中，地面目标常常遭遇自然遮挡物的干扰，例如建筑物、树木等。
这些遮挡物不仅会导致目标在视频中的出现和消失，还会增加目标的形变和运动轨迹的变化，对目标跟踪算法的准确性和鲁棒性提出了挑战。
2.相关工作目前，针对遮挡问题，已经提出了许多目标跟踪算法，如基于尺度空间的目标跟踪算法、基于背景差分的目标跟踪算法等。
然而，这些算法在应对遮挡问题时仍然存在一定的困难。
因此，本文旨在提出一种能够抗遮掩的卫星视频目标跟踪算法，以提高目标跟踪的准确性和鲁棒性。
3.方法介绍本文提出的卫星视频目标跟踪算法主要包括以下几个步骤：背景差分、形态学处理和目标跟踪。
3.1 背景差分背景差分是一种常用的目标检测方法，通过将当前帧与背景帧进行差分，可以获得目标的前景区域。
在本文中，背景差分是实现目标跟踪的第一步。
3.2 形态学处理由于自然遮挡物的存在，目标的形状和大小可能会发生变化。
为了应对这种变化，本文引入了形态学处理方法。
在背景差分的基础上，使用开操作和闭操作对前景区域进行处理，消除噪声并恢复目标的形状。
3.3 目标跟踪经过背景差分和形态学处理后，得到了清晰的前景目标。
为了实现目标的跟踪，本文采用了基于相关滤波器的跟踪方法。
通过在目标区域和搜索区域之间进行相关滤波，可以估计目标的位置和尺度，实现目标的跟踪。
4.实验与结果为了验证本文提出的抗遮掩的卫星视频目标跟踪算法的有效性和鲁棒性，我们使用了真实的卫星视频数据进行实验。
一种改进的Mean Shift目标跟踪算法——针对视频对象部分遮挡和光照变化
一种改进的Mean Shift目标跟踪算法——针对视频对象部分遮挡和光照变化郑增国;宣士斌;桑高丽;赵波【摘要】针对经典的Mean Shift算法在目标部分遮挡或者场景光照变化时容易出现跟踪目标丢失的问题,文章运用一种基于分块权重的方法处理目标部分遮挡问题,每一部分的权重系数由来自不同的块和背景颜色信息共同决定.为了适应场景光照的变化,提出快速并且稳定的更新机制.实验分析,该方法可实现快速有效的跟踪.%Traditional mean shift tracking algorithm which could not work well when the target is under partial occlusion and illumination variations.In this paper,we propose a weighted fragment based approach that tackles partial occlusion.The weights are derived from the difference between background colors and the fragment.A fast and stable model update method is described for the sake of illumination variations.Experimental results show that this method can achieve fast and efficient tracking.【期刊名称】《广西民族大学学报（自然科学版）》【年(卷),期】2012(018)001【总页数】5页(P50-54)【关键词】目标跟踪;Mean;Shift;部分遮挡;背景权重;光照变化【作者】郑增国;宣士斌;桑高丽;赵波【作者单位】广西民族大学信息科学与工程学院,广西南宁530006;广西民族大学信息科学与工程学院,广西南宁530006;广西民族大学信息科学与工程学院,广西南宁530006;广西民族大学信息科学与工程学院,广西南宁530006【正文语种】中文【中图分类】TP301.6目标跟踪在安全监控、汽车辅助驾驶以及人体运动分析等领域有着广泛应用.目标本身及周边环境复杂多变，如物体自身形状的变化、场景光照的变化以及目标遮挡等问题是视觉跟踪的主要难点.人们对运动目标跟踪进行了大量的研究，对遮挡问题的处理提出了许多可行的方法，例如，Koller［1］等人采用轮廓模型进行遮挡推理；Pang［2］等人通过分析前景图像的形状来检测遮挡；基于颜色［3］或基于轮廓［4］的方法能在给定区域内有鲁棒的跟踪目标，但是没能解决如何准确初始化和更新目标模型问题；Choi［5］等人提出了一种基于特征点的模板匹配方法对车辆进行跟踪，但没能有效解决车辆之间的相互遮挡问题；Change［6］等人使用融合多个摄像机的输入数据来克服遮挡问题；Senior［7］等人提出一种外观模型方法处理遮挡问题等等.Mean Shift算法［8］在目标部分遮挡或者场景光照变化时容易出现跟踪目标丢失，不能准确地对运动目标区域进行跟踪.本文提出基于分块方法和背景权重相结合的Mean Shift目标跟踪算法.引入颜色直方图并利用颜色直方图分割出目标和背景，提出以Bhattacharyya系数和目标变化系数为状态判断因子共同决定是否要对目标模型进行更新.在光照缓慢变化情况下提高了算法的鲁棒性，实现对运动目标的准确跟踪.基于均值漂移的跟踪方法采用颜色直方图对目标区域进行建模.颜色直方图表示了对应目标区域内的颜色分布的概率密度函数.目标模型的颜色直方图记作＾q.位置在y的跟踪窗口的颜色直方图记作）.目标模型与跟踪窗口相似性度量函数＝ρ［］，目标位置就是使颜色直方图达到极大值的观测窗口坐标y.通常将目标区域的中心设为原点，目标颜色进行m级量化，设每个像素的坐标｛｝i＝1，…，n通过函数b映射到b（）.其中b：R2→｛1，…，m｝.得到可能性颜色特征u＝1，…，m的目标模型可写成：当前以y为中心的图像像素坐标｛x i｝i＝1，…，nh的候选目标可表示为：相似性度量使用Bhattacharyya系数，即＝ρ］进行度量.极大化可以得到目标位置的迭代计算公式：跟踪迭代过程就是不断的计算迭代式（5），直至Bhattacharyya系数最大时停止迭代.以上过程可见：1）经典的Mean Shift算法对像素点进行距离加权，远离中心点的像素点赋予的权值小，对四周边缘遮挡有较好的鲁棒性，但目标受到局部遮挡时，跟踪性能下降，跟踪窗口发生偏移过大容易造成目标丢失.2）当场景光照发生变化，跟踪目标的整体像素发生改变，跟踪性能下降，容易出现目标丢失.本文将对以上两问题进行处理.2.1 基于分块的思想为了增强Mean Shift算法的抗遮挡能力，将跟踪目标区域划分成若干块，这些块可以重叠或者不重叠.由实验可知，过多的块会影响计算的复杂性，而过少的分块又会降低抗遮挡能力.本文采用如图1所示的分块方法［9］，其中子块的数目T取为横向3块和纵向3块，各块的中心相对于目标中心偏移量为△x t，其中t＝1，…，T.在跟踪过程中为各块中心位置建立基于Epanechnikov核的颜色直方图，然后对各个子块用Mean Shift算法进行各自跟踪.用ρ量测每一块目标模型与候选模型的相似度，选择最大的相似度ρ对应的候选块作为最优的漂移的位置.如（7）式表示：J代表据有最大相似度的子块，t表示在当前时刻的各子块.下一帧各块的中心点x1可由J子块获得：2.2 基于背景权重的直方图在复杂背景情况下，背景信息严重干扰目标区域，背景信息的干扰会降低目标跟踪的准确度.在基于颜色［3］中提出选取3倍的目标区域周围的背景区域.Ning［10］证明若同时对目标模型和候选模型选取相同背景则不能有效减少主要的背景信息特征.提出只对目标模型增加背景信息而对候选模型则只选取其中的目标信息.实验证明了其方法有效.基于背景权重直方图方法减少了目标区域中背景像素信息对目标跟踪结果的影响，则目标模型和候选目标颜色直方图分别表示为：2.3 目标模型2.3.1 前景背景分割将目标从背景中分割出来运用类似的方法［11］.用基于颜色相似度的方法将目标区域从背景区域分割出，选取的背景区域是目标区域的3倍［5］.分别计算它们的背景区域和目标区域颜色直方图hbg和h ob.对每个像素点定义L（x i）：其中b（x i）是像素点x i的颜色对应的函数.c是一个很小的常数，用于防止产生不稳定现象.同时定义阈值th，用阈值判断每一像素是目标还是背景区域.1代表目标，0代表背景.2.3.2 目标更新在视频目标跟踪过程中目标会受到光照、自身形状变化及旋转等因素的影响.为了提高跟踪的准确性，本文对目标增加缓慢的更新机制.根据目标从背景中的分割可以判断某一像素对应的是目标还是背景，根据目标的改变程度以及目标模型与候选模型的相似度来判断是否要建立新的更新模型.如（15）式所示：阈值th 1，th 2，本实验th 1取0.75，th 2取0.8.Mean Shift跟踪算法在进入复杂背景、目标部分遮挡或光照变化时容易出现跟丢.目标分块可以很好地检测遮挡的发生，基于改进的背景权重可有效地将背景分离，同时提出缓慢而稳定的更新机制.因此本文将其有机地结合在一个跟踪框架之中可以很好地增强跟踪效果.具体算法流程如下：Step1：手动选取目标跟踪区域并用图1方法进行分块，初始化每个中心点y0，t；Step2：分别对每一块，用（1）式计算目标模型用（9）式计算背景权重直方图和背景各像素的权重｛vu｝u＝1，…，m并且通过（10）式计算；Step3：初始化迭代次数k＝0；Step4：通过（3）式计算当前帧的各个候选目标模型，并且计算权重Step5：运用Mean Shift迭代公式（5）式计算下一个新的中心点；Step6：设置迭代阈值ε1，背景更新阈值ε2，最大迭代次数N；d＝‖y1，t－y0，t‖，y0＝y1，k＝k＋1，假若d＜ε1或者k≥N，运用（15）式计算背景更新模型，并且停止迭代，对下一帧进行Step2计算.否则通过（7）式计算出最优的选择块，再转到Step3.进行仿真实验时，机器配置为CPU Intel Core 2.20GHz，内存1.00GB，仿真平台为MATLAB7.6.图2是汽车在部分遮挡和复杂背景运动情况下的经典Mean Shift算法与本文改进的Mean Shift算法跟踪结果对比.汽车由左向右运动，在第10帧时目标被遮挡物部分遮挡.图2（a）为经典Mean Shift算法跟踪结果，第12帧开始目标跟踪失败.图2（b）为本文算法跟踪结果，在整个跟踪过程序中不会发生跟踪丢失，有良好的跟踪效果.图3为在光照变化情况下经典Mean Shift算法与本文改进的Mean Shift算法跟踪结果对比.图3（a）为经典Mean Shift算法跟踪结果，由于第35帧左右光照的改变比较明显从而用经典的Mean Shift算法跟踪时窗口出现错误偏移，目标跟踪失败.图3（b）为本文算法跟踪结果.本文针对经典Mean Shift算法不能很好地对复杂背景和部分遮挡目标进行跟踪的缺陷，将背景信息和分块思想加入到Mean Shift算法框架中.首先对跟踪窗口内的目标进行分块，然后在对每一块进行融入背景信息的Mean Shift算法进行跟踪，最后用相似度最高的块来确定下一个漂移位置.对跟踪过程中光照变化提出由相似度量系数和目标背景区域信息共同决定的更新模型.不同视频序列中的目标跟踪结果表明，在复杂背景或发生遮挡时，该算法相比传统Mean Shift算法能提高跟踪的准确性同时也保证了跟踪的实时性.同时算法也仅考虑了目标部分遮挡的情况，当目标完全遮挡时、目标再次出现时怎样定位目标以及光照发现强烈变化时还需要进一步研究.【相关文献】［1］Koller D，Weber J，Malik J.Robust multiple car tracking with occlusion reasoning ［C］.Proceedings of the European Conference on Computer Vision，1994：189－196. ［2］Pang C C，Lam W L，Yung H C.A novel method for resolving vehicle occlusion in a monocular traffic image sequence［J］.IEEE Transactions on Intelligent Transportation Systems，2004，5（3）：129－141.［3］Comaniciu D，Ramesh V，Meer P.Real－time tracking of nonrigid objects using mean shift［J］.IEEE Conference on Computer Vision and Pattern Recognition，2002，2：142－149.［4］Chen Y，Rui Y，Huang T S.JPDAF based HMM for real－time contour tracking ［C］.Proceedings IEEE Computer Society Confer-ence on Computer Vision and Pattern Recognition，2001：543－550.［5］Choi J H，Lee K H，Cha K C.Vehicle tracking using template matching based on feature points［C］.IEEE International Conference on Information Reuse and Integration，2006：573－577.［6］Chang T H，Gong S，Ong E J.Tracking multiple people under occlusion using multiple cameras［C］.Proceedings 11th British Machine Vision Conference，2000. ［7］Senior A，Hampapur A，Tian Y L.Appearance models for occlusion handling ［J］.Image and Vision Computing，2006，24：1233－1243.［8］Comaniciu D，Ramesh V，Meer P.Kernel－Based object tracking［J］.IEEE Transaction Pattern Analysis and Machine Intelligence， 2003，25（5）：564－575. ［9］颜佳，吴敏渊，陈淑珍，等.应用Mean Shift和分块的抗遮挡跟踪［J］.光学精密工程，2010，18（6）：1413－1419.［10］Ji feng Ning，Lei Zhang，David Zhang and Chengke Wu.Robust Mean Shift Tracking with Corrected Background－Weighted Histogram［J］.Accepted by IET Computer Vision.［11］R V Babu，P Pérez，P Bouthemy.Robust tracking with motion estimation and local kernel－based color modeling［J］.Image and Vision Computing 2007（25），1205－1216.。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
关于遮挡处理的视频目标跟踪算法
目标的整体外观信息通过目标模板来描述,目标的几何信息则通过一组坐标变换参数来表述。
这组坐标变换参数对应于图像帧中的某一个区域,该区域的图像与目标模板之间的相似程度
由某一相似度衡量函数确定。
定位目标的任务等效于如下最优化问题找到这样一组坐标变换参数,使得其所对应的图像区域与目标模板之间的相似度最大,即
(1)
其中,I n是第n帧图像,是通过以为参数的坐标变换将模板T映射到图像帧坐标系后所对应的图像区域;代表任何能够反映图像I和图像T之间相似度的函数是在第n帧图像中最优的坐标变换参数,反映了目标在该帧图像中的几何信息。
在跟踪的一开始,通常在第一帧中划出一块图像区域作为要跟踪的目标可以是自动或手动的,并用该图像区域初始化模板。
模板匹配跟踪算法随后在每一帧中都通过(1)式确定该帧中目
标所在的图像区域。
由于模板匹配跟踪算法充分利用了目标的整个外观信息,因而具有较高
的目标定位鲁棒性。
遮挡分析与处理。