基于mean-shift算法的人脸实时跟踪方法
收 稿日期 : 2007- 07- 19; 修 回日期 : 2007- 10- 24
基 金项 目 : 国 家科 技部创 新基 金资助 项目 ( 04c26213401216 )
作 者简介 : 蒋 建国 ( 1955 - ) , 男 , 安徽 黄山人 , 教 授 , 博导 , 主 要研 究方向 为信号 与信 息处 理、 传 感 与智 能 控制 ; 孙 洪艳 ( 1980- ) , 女 , 硕士 研 究生 , 主要研 究方向 为数 字图像 处理 、 DSP 技 术及 应用 ( sunhongyan325@ 163 . com) ; 齐美 彬 ( 1969- ) , 男 , 副教 授 , 博 士 研究 生 , 主 要 研 究方 向 为 分 布式 人 工智能 、 数 字图 像处理 、 DSP 技术及 应用 .
*
要 : 复 杂环 境下 实时 人脸 跟踪 方法 在视 觉监控 系统 中具 有很 重要 的意 义 , 但目 前的 跟踪 算法 普 遍 存在 目 标
遮挡 、 尺 寸 变 化等 过 于 敏感 的 不 足 , 限 制 了 其应 用 范 围。 提出 了 一 种人 脸 检 测、 mean-shift 算 法与 卡 尔 曼滤 波 器 相结 合的 实时 全自动 人脸 跟踪 算法 。实 验结 果表明 该算 法 实 时 性很 强 , 可 以 实 现对 运 动 人 脸 的 快 速 跟踪 , 同 时 对目 标遮 挡也 有很好 的鲁 棒性 。 关键 词 : 人 脸跟 踪 ; mean-shift 算法 ; 卡 尔曼 滤波 器 ; 目 标遮 挡 中图 分类 号 : TP391 文 献标 志码 : A 文 章编 号 : 1001 - 3695( 2008) 07- 2225- 03
第 25 卷 第 7 期 2008 年 7 月
计 算 机 应 用 研 究 Application Research of Computers
Vol. 25 No. 7 Jul. 2008
基 于 m ean-shift 算 法 的 人 脸 实 时 跟 踪 方 法
蒋建国 , 孙洪艳 , 齐美彬
( 合 肥工 业大 学 计 算机 与信 息学 院 , 合 肥 230009) 摘
[ 2]
。
本文通过基于肤色模型的 快速人 脸检测 确定初 始搜索 窗 口的位置与 大小 , 改 善 了 mean-shift 半 自动 跟 踪的 缺 陷 , 增 加 相似性测度相对阈值来更新模板 , 解决尺度变化和人脸转动在 人脸跟踪中的影响。但是在复杂背景中 , 由于该算法只利用了 颜色信息 , 对运动物体不作任何预测 , 抗干扰能力比较差 , 容易 导致跟踪失败 , 需引 入估 计器 预测 运 动参 数。 Kalman 滤 波 是 一个在最小协方差准则下的最优估计方法 , 能利用实际的运动 参数不断修正未来运动状态 的估计 值 , 提高估 计的精 度, 兼 顾 实时性和稳健性。本文结合 mean-shift 算法与 Kalman 滤波 , 利 用 Kalman 滤波预测 mean-shift 搜索窗口中心位置 , 实验验证了 此算法的有效性。
⌒ ⌒
v
黄 60°
1.0
0 0°红 300°深红 H Nhomakorabea位置 , 对初始目标 分布 qn 进行更新 , 以提高 跟踪的准确 性 , 同 时更新的跟踪窗 口也 可 以更 好 地适 应跟 踪 尺寸 变化 的 目标。 如图 3 就是通过判断相似性测 度相对 改变量 γ来更 新目标 模 板。
图2 人脸检测初始化跟踪窗口
Real-time algorithm for face tracking based on mean-shift
JIANG J ian-guo, SUN Hong-yan, QI Mei-bin
( School of Computer & Information, Hefei University of Technology, Hefei 230009 , China)
绿 120° 青
其中 : g( x) = - k′ ( x) 是 核 函数 的 导 数 , wi = ∑ δ ( b( xi ) - u) 是像素权值。
⌒
i =1
槡
qu /pu ( y0 )
⌒
传统的 mean-shift 算 法 目标 模板 统 计始 终 选 用起 始 帧 来 计算目标直方图分布 qu , 没有对目 标模板进行实时更新 , 一段 时间间隔过后 , 候选目 标模板 pu ( y) 与 初始 目标模 板 qn 之 间 就会产生偏差 , 容易导 致目标 跟踪失 败。同时 , 由于核 函数 半 径 h 始终不变 , 无法自适应跟踪渐变的目标。本文通过增加相 似性测度 ρ ( y) 相对 变化量 γ方法来 更新模 板, 解 决目 标尺 度 变化的问题。整个跟踪过程中 , 当 Bhattacharyya 系数的相对 变 化量 γ超过一定阈值 , 说明当前候选目标与目标模板已有很大 的偏差 , 这时重新启动人脸 检测 , 根据 新的跟 踪窗口 的大小 与
・ 2226・
计 算 机 应 用 研 究
m
第 25 卷
⌒
通常情况下 , 人 脸肤 色区 域 H 值变 化范 围 比较 集中。 因 此只要选择合适的 H 阈值就可以迅速 地检测人 脸区域。根 据 大量肤色 H 直 方 图 统 计 得 出 经 验 值 : H 值 分 布 在 0. 015 ～ 0. 136 的绝大部 分 肤色 图 像 代 表了 通 常 情 况 下 的 人 体肤 色。 考虑实际情况 , 并使选择 的阈值 具有一 定的抗 噪能力 , 选取 用 作肤色分割的 H 阈 值为 0. 03 ～ 0. 128。首 先将 起始 帧图 像 色 彩空间的值转换到 HSV 空间 , 然 后提取 其中的 H 分 量做一 维 直方图 , 根据经验阈 值进行 肤色区 域分割。提 取出人 脸区域 , 确定了初始目标 位置 和 搜索 窗口 的 初始 大 小, 完成 了目 标 选 择, 图 2 即为自拍的 QCIF 实验序列通 过人脸 检测初 始化跟 踪 窗口的结果。
[ 1]
1
跟踪算法描述
Mean-shift 算法存在半自动跟踪的缺陷 , 在起始 跟踪帧 , 需
要通过手动确定搜索窗口 来选择 目标。本文 通过基 于肤色 模 型的人脸检测算法来确定起始 帧搜索 窗口的 位置与 大小实 现 自动跟踪。首先将起始帧 图像转 换成 HSV 图像 , 再通 过 H 分 量阈值肤色区域分割 , 建立 肤色模 型提取 出人脸 , 自 动确定 初 始跟踪窗口的位置和大小 , 然后利 用 mean-shift 迭代 计算跟 踪 窗口的新位置 , 并将窗 口的中 心位置 作为 Kalman 滤波 的测 量 值 , 校正运动目标位置 , Kalman 滤波器的 预测结果用 于设置 下 一帧图像搜索窗口的中心位置。 1. 1 人脸检测定位 人脸检测是人脸跟踪的 前提。肤色 是人脸 恒定特 征的 重 要信息 , 不依赖于面部的细节特征 , 对于旋转、 表情等变化情况 均适用 , 具有相对的稳定性 , 因 此肤色 特征建 模在人 脸检测 中 是最常用的一 种方 法
Abstract: A real-time face tracking under complex environment has significance in visual surveillance system, but one comm on problem to face tracking algorithms at present is their sensitivity to temporal occlusion and scale variations, which restrict them wide application. This paper proposed a real-time automatic face tracking algorithm which com bined face detection and mean-shift algorithm with Kalman filter. In the experiments, the results show the proposed algorithm can track fast moving face successfully and have better robustness of occlusion. Key words: face tracking; mean-shift algorithm; Kalman filter; temporal occlusion 在复杂环境下对目标进行 实时有 效的跟 踪是计 算机视 觉 中的关键技术 , 它涉及到图像处理、 模式识别、 人工智能以及自 适应控制等多领域问题的 综合。人脸 是人类 在社会 活动中 相 互辨别的首要依据 , 提供了大量的视觉信息, 如人脸识别、 表情 识别等。近年来 , 随着可 视电话、 视频 会议、 安全监 控、 人机 交 互等技术的发展 , 迫切需 要对环 境中的 人员进 行跟踪 , 所以 获 得清晰的、 完备的人脸图 像是视 觉监控 的一个 重要任 务, 根 据 人脸特征实现对 特 定人 的连 续 跟踪 已经 成 为新 的研 究 热点。 在过去的几年中 , 已 经 有很 多学 者 提出 了不 同 的人 脸跟 踪 算 法。 Mean-shift 算法是目前较为流行的无参数模式快速匹 配算 法, 此算法具 有计算量小 , 实时 性好 , 采 用核函数直 方图建模 , 对边缘遮挡和背景运动均不敏感等优点
⌒
180°
蓝 240°
图1
HSV 颜色空间
0.0
S
在这里需要考虑 H 分量 的取 值 范围 的问 题 , H 分量 的 取 值范围是 [ 0, 360] , 为了 能用 一个 Byte 表 示这 个取 值范 围 , 需 要将 H 值作适当的量化处 理 , 这 里将 H 分量 的范 围归 一化 到 [ 0, 255] 。 1. 2 Mea n-s hift 算法及改进 Mean-shift 的核心思想是 : 在 起始跟 踪帧 计算 核函 数加 权 下的搜索窗口的直方图分布 , 用同样的方法计算当前帧候选目 标的直方图分布 , 用 Bhattacharyya 系数来描述两个分布的 相似 程度 , 以两个分 布的 相 似性 最大 为 原则 , 通 过 mean-shift 向 量 的迭代运算 , 使搜索窗口 沿密度 增加最 大的方 向运动 , 收敛 于 最佳位置 [ 3 ～5] 。 假设通过人脸检 测获 得的 跟 踪窗 口 中心 位于 x0 , 用 直 方 图分布来描述目标模板则可以表示为
基于改进的Mean Shift人体跟踪算法
基于改进的Mean Shift人体跟踪算法王占凤;郭星;袁继彬【摘要】Mean Shift算法是利用特征空间中的密度梯度方向进行迭代搜索,获得局部密度极大值的样本点.由于利用单一颜色特征和整体目标区域建立模型,在目标尺度变化和光线变化情况下鲁棒性较差.传统的Mean Shift算法没有模板更新机制,在跟踪过程中跟踪的窗口带宽始终不变,这导致了目标再次变化时易跟踪失败.采用对目标进行分决,利用人体的特征,对人体进行分块,并对每块进行纹理和颜色相结合的方式进行建模,形成改进的MeanShift算法,通过有遮挡情况下的人体跟踪实验,证明改过后的算法大大地提高了跟踪的鲁棒性.【期刊名称】《宿州学院学报》【年(卷),期】2013(028)008【总页数】4页(P63-66)【关键词】Mean Shift算法;人体跟踪;目标检测【作者】王占凤;郭星;袁继彬【作者单位】巢湖学院计算机与信息工程学院,安徽巢湖,238000;安徽大学计算机科学与技术学院,安徽合肥,230031;中国人民银行合肥中心支行,安徽合肥,230091【正文语种】中文【中图分类】TP39运动目标追踪就是使用运动目标检测方法得到的特定目标信息,并在之后的图像序列中持续识别和跟踪。
如果追踪的目标是单个对象，那么就可以对每一个图像序列进行目标检测。
但是，如果追踪的对象有多个，那么如何区分这些检测到的目标信息，确保追踪目标的准确性，成为目前需要解决的问题。
也就是说，需要对检测到的目标信息进行特征提取，以用于之后的目标匹配。
1 基于Mean Shift算法的目标跟踪Mean Shift算法是一种非参数密度估计过程，最早是由Fukunaga等人[1]提出来的，其基本思想是利用特征空间中的密度梯度方向进行迭代搜索，获得局部密度极大值的样本点。
它的优点在于不需要知道特征空间中任何的先验知识，只需要根据空间中的样本点即可进行估计。
Mean Shift跟踪算法以人体区域像素灰度值的概率分布为特征进行跟踪。
基于Mean Shift的视觉目标跟踪算法综述
， ｒ ｏ ｅ ｒ ｔ ｉ ｅ ｓ Ａ ｂ ｓ ｔ ｒ ａ ｃ ｔ ｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ ｂ ａ ｓ ｅ ｄ ｖ ｉ ｓ ｕ ａ ｌ ｔ ｒ ａ ｃ ｋ ｉ ｎ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｓ ｈ ａ ｖ ｅ ｓ ｅ ｖ ｅ ｒ ａ ｌ ｄ ｅ ｓ ｉ ｒ ａ ｂ ｌ ｅ ｓ ｕ ｃ ｈ ａ ｓ ｃ ｏ ｍ ｕ ｔ ａ ｔ ｉ ｏ ｎ ａ ｌ ｅ ｆ ｆ ｉ ｃ ｉ ｅ ｎ Ｍ － － ｐ ｐ ｇ ｇ ｐ ， ， ， ｃ ｆ ｅ ｗ ｔ ｕ ｎ ｉ ｎ ａ ｒ ａ ｍ ｅ ｔ ｅ ｒ ｓ ｒ ｅ ｌ ａ ｔ ｉ ｖ ｅ ｌ ｈ ｉ ｈ ｒ ｏ ｂ ｕ ｓ ｔ ｎ ｅ ｓ ｓ ｉ ｎ ｅ ｒ ｆ ｏ ｒ ｍ ａ ｎ ｃ ｅ ａ ｎ ｄ ｓ ｔ ｒ ａ ｉ ｈ ｔ ｆ ｏ ｒ ｗ ａ ｒ ｄ ｉ ｍ ｌ ｅ ｍ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ｗ ｈ ｉ ｃ ｈ ｍ ａ ｋ ｅ ｙ ｇ ｐ ｙ ｇ ｐ ｇ ｐ ， ｔ ｈ ｅ ｍ ｔ ｏ ｂ ｅ ｃ ｏ ｍ ｅ ａ ｎ ａ ｅ ａ ｌ ｉ ｎ ｔ ｏ ｉ ｃ ｉ ｎ ｖ ｉ ｓ ｕ ａ ｌ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｒ ｅ ｓ ｅ ａ ｒ ｃ ｈ ａ ｒ ｅ ａ ． Ｆ ｉ ｒ ｓ ｔ ｌ ｏ ｒ ｉ ｉ ｎ ａ ｌ ｍ ｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ａ ｓ ｐ ｐ ｇ ｐ ｇ ｙ ｇ ｇ ｇ ｉ ｎ ｔ ｒ ｏ ｄ ｕ ｃ ｅ ｄ ｏ ｉ ｎ ｔ ｅ ｄ ａ ｎ ｄ ｉ ｔ ｓ ｄ ｅ ｆ ｅ ｃ ｔ ｓ ｗ ｅ ｒ ｅ ｏ ｕ ｔ ａ ｆ ｔ ｅ ｒ ｗ ａ ｒ ｄ ｓ ． Ｔ ｈ ｅ ｎ ｉ ｍ ｒ ｏ ｖ ｅ ｍ ｅ ｎ ｔ ｓ ｏ ｆ ｔ ｈ ｅ ｏ ｒ ｉ ｉ ｎ ａ ｌ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｗ ｅ ｒ ｅ ｅ ｌ ａ ｂ ｏ ｒ ａ ｔ ｅ ｌ ｐ ｐ ｇ ｇ ｙ ， ， ｆ ｒ ｏ ｍ ｆ ｉ ｖ ｅ ａ ｓ ｅ ｃ ｔ ｓ ｎ ａ ｍ ｅ ｌ ｅ ｎ ｅ ｒ ａ ｔ ｉ ｖ ｅ ａ ｎ ｄ ｄ ｉ ｓ ｃ ｒ ｉ ｍ ｉ ｎ ａ ｔ ｉ ｖ ｅ ｏ ｂ ｅ ｃ ｔ ａ ｅ ａ ｒ ａ ｎ ｃ ｅ ｍ ｏ ｄ ｅ ｌ ｍ ｏ ｄ ｅ ｌ ｕ ｄ ａ ｔ ｅ ｍ ｅ ｃ ｈ ａ ｎ ｉ ｓ ｍ， ｄ ｉ ｓ ｃ ｕ ｓ ｓ ｅ ｄ ｐ ｙ ｇ ｊ ｐ ｐ ｐ ， ｓ ｃ ａ ｌ ｅ ａ ｎ ｄ ｏ ｒ ｉ ｅ ｎ ｔ ａ ｔ ｉ ｏ ｎ ａ ｄ ａ ｔ ａ ｔ ｉ ｏ ｎ ａ ｎ ｔ ｉ ｏ ｃ ｃ ｌ ｕ ｓ ｉ ｏ ｎ ａ ｎ ｄ ｆ ａ ｓ ｔ ｍ ｏ ｖ ｉ ｎ ｏ ｂ ｅ ｃ ｔ ｔ ｒ ａ ｃ ｋ ｉ ｎ ． Ｂ ｏ ｔ ｈ ｃ ｌ ａ ｓ ｓ ｉ ｃ ａ ｌ ａ ｌ ｏ ｒ ｉ ｔ ｈ ｍ ｓ ａ ｎ ｄ ｒ ｅ ｃ ｅ ｎ ｔ ａ ｄ － － ｐ ｇ ｊ ｇ ｇ ， ｖ ａ ｎ ｃ ｅ ｓ ａ ｒ ｅ ｉ ｎ ｃ ｌ ｕ ｄ ｅ ｄ ｉ ｎ ｅ ａ ｃ ｈ ａ ｓ ｅ ｃ ｔ ． Ｆ ｉ ｎ ａ ｌ ｌ ｔ ｈ ｅ ｏ ｆ ｍ ｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ ｂ ａ ｓ ｅ ｄ ｔ ｒ ａ ｃ ｋ ｉ ｎ ｗ ｅ ｒ ｅ ｒ ｏ ｓ ｅ ｃ ｔ ｓ ｒ ｅ ｓ ｅ ｎ ｔ ｅ ｄ ． － ｐ ｙ ｇ ｐ ｐ ｐ ， ， Ｋ ｅ ｗ ｏ ｒ ｄ ｓ ｉ ｓ ｕ ａ ｌ ｔ ｒ ａ ｃ ｋ ｉ ｎ Ｍ ｅ ａ ｎ ｓ ｈ ｉ ｆ ｔ Ｏ ｂ ｅ ｃ ｔ ａ ｅ ａ ｒ ａ ｎ ｃ ｅ ｍ ｏ ｄ ｅ ｌ Ｖ ｇ ｊ ｐ ｐ ｙ 对经典文献和最近的研 Ｓ ｈ ｉ ｆ ｔ跟踪算法的若干改进方向 出 发 ， 究成果进 行 全 面 综 述 与 分 析 。 本 文 第 ２ 节 简 要 概 述 Ｍ ｅ ａ ｎ 并指出该框架存在 Ｓ ｈ ｉ ｆ ｔ理论与基于 Ｍ ｅ ａ ｎ Ｓ ｈ ｉ ｆ ｔ的跟踪框架 ， 的缺陷 ； 第３节至第７节从５个不同改进方向对 Ｍ ｅ ａ ｎ Ｓ ｈ ｉ ｆ ｔ 跟踪进行详细介绍与评述， 它们分别是基于生成模型与鉴别 模型的目标表达方法 、 目标模型的更新策略 、 目标尺度及方 向 的估计、 基于轨迹预测与目标分块的抗遮挡跟踪算法和快速 运动目标跟踪等 ； 最后总 结 全 文 并 展 望 了 今 后 Ｍ ｅ ａ ｎ Ｓ ｈ ｉ ｆ ｔ跟 踪的研究方向与发展趋势 。
基于mean_shift算法的人脸实时跟踪方法
收稿日期:2007207219;修回日期:2007210224 基金项目:国家科技部创新基金资助项目(04c26213401216) 作者简介:蒋建国(19552),男,安徽黄山人,教授,博导,主要研究方向为信号与信息处理、传感与智能控制;孙洪艳(19802),女,硕士研究生,主要研究方向为数字图像处理、DSP 技术及应用(sunhongyan325@ );齐美彬(19692),男,副教授,博士研究生,主要研究方向为分布式人工智能、数字图像处理、DSP 技术及应用.基于m ean 2shift 算法的人脸实时跟踪方法3蒋建国,孙洪艳,齐美彬(合肥工业大学计算机与信息学院,合肥230009)摘 要:复杂环境下实时人脸跟踪方法在视觉监控系统中具有很重要的意义,但目前的跟踪算法普遍存在目标遮挡、尺寸变化等过于敏感的不足,限制了其应用范围。
提出了一种人脸检测、mean 2shift 算法与卡尔曼滤波器相结合的实时全自动人脸跟踪算法。
实验结果表明该算法实时性很强,可以实现对运动人脸的快速跟踪,同时对目标遮挡也有很好的鲁棒性。
关键词:人脸跟踪;mean 2shift 算法;卡尔曼滤波器;目标遮挡中图分类号:TP391 文献标志码:A 文章编号:100123695(2008)0722225203Real 2time algorithm for face tracking based on mean 2shiftJ IANG J ian 2guo,S UN Hong 2yan,Q IMei 2bin(School of Co m puter &Infor m ation,Hefei U niversity of Technology,Hefei 230009,China )Abstract:A real 2ti m e face tracking under comp lex envir on ment has significance in visual surveillance syste m,but one com 2mon p r oble m t o face tracking algorith m s at p resent is their sensitivity t o te mporal occlusi on and scale variati ons,which restrict the m wide app licati on .This paper p r oposed a real 2ti m e aut omatic face tracking algorith m which combined face detecti on and mean 2shift algorith m with Kal m an filter .I n the experi m ents,the results show the p r oposed algorith m can track fastmoving face successfully and have better r obustness of occlusi on .Key words:face tracking;mean 2shift algorith m;Kal m an filter;te mporal occlusi on 在复杂环境下对目标进行实时有效的跟踪是计算机视觉中的关键技术,它涉及到图像处理、模式识别、人工智能以及自适应控制等多领域问题的综合。
基于Meanshift算法的实时目标跟踪系统
设计了一种基于 TMS320C6455 与 FPGA 的实时图像跟踪系统，该 系统首先采用 MAX9526 采集图像， 利用 FPGA 对图像进行均值滤波， 滤波后数据采用乒乓方式传输给 DSP。Mean Shift 跟踪算法采用图 像像素灰度距离中心点的距离作 为目标特征建立核函数，实现对 目标的实时跟踪。实验表明，该 系统具有良好的实时性与稳定性。
2 系统硬件设计
本系统采用 TMS320C6455 为核心处理 器，处理复杂的跟踪算法，以大容量的 FPGA 作为协处理器，进行图像预处理和接口逻辑及 时序控制信号的产生， 其原理框图如图 1 所示。 2.1 图像采集及预处理 此模块单元包括模拟视频驱动电路、视 频 A/D 转化及大容量 FPFA 芯片等几部分。 工作时，CCD 摄像机输出模拟视频信号，经 视频驱动电路分成两路信号，一路经字符叠加 等形成复合视频信号输出给显示器，另一路经 MAX9526 视频解码芯片解码，进行模数转换， 输出视频行场同步信号及数字化图像数据； FPGA 根据视频行场同步信号产生时序控制信 号，并对输入的视频数据进行滤波等预处理，
摘 要
显 示 器
图 1：系统原理框图 程序存储器及对外通信接口等高集成电路来构 建实时跟踪系统的硬件电路，以实现主要的 Mean Shift 目标跟踪算法。 滤波后的数据按照乒乓结构操作经 FPGA 内部 RAM 导入给高速 DSP 芯片。其硬件连接图如 图 2 所示。 2.2 算法处理模块 算法处理模块主要由一片 TMS320C6455 组 成。TMS320C6455 是 TI 公 司 推 出 的 目 前 单 片 处 理 能 力 最 强 的 高 性 能 定 点 DSP， 它 是 基 于 第 三 代 先 进 VelociTI VLIW（very long instruction word： 超 长 指 令 字） 结 构 开 发出来的新产品，每个周期可以同时执行 8 条 32 位 的 指 令，16 位 定 点 处 理 能 力 可 达 到 9600MMACS， 最 高 主 频 为 1.2GHz。 片 内 采 用两级高速缓存结构，其中 L2 有 2M 字节的 RAM 数据空间可供使用，C6455 还具有强大 的外部存储器接口 EMIF，可以连接 DDR2 等 高速外部存储器，同时集成了高速串行接口 SRIO，方便多 DSP 并行工作。这些特性可以 满足视频图像处理算法的需求，非常适合作为 这类算法的硬件处理平台。
融合Mean-shift与粒子滤波改进算法的自适应人脸跟踪
ＬＩ Ｌａｎ，ＺＨＡＮＧ Ｙｕｎ，ＳＨＩ Ｂａｏｍｉｎｇ （Ｄｅｐａｒｔｍｅｎｔ ｏｆＣｏｍｐｕｔｅｒ Ｓｃｉｅｎｃｅ，Ｌａｎｚｈｏｕ Ｕｎｉｖｅｒｓｉｔｙ ｏｆ Ａｒｔｓ ａｎｄ Ｓｃｉｅｎｃｅ，Ｌａｎｚｈｏｕ ７３００００，Ｃｈｉｎａ）
Ａｂｓｔｒａｃｔ：Ｌａｒｇｅ ｃｏｍｐｕｔａｔｉｏｎ ａｎｄ ｐａｒｔｉｃｌｅ ｄｅｇｅｎｅｒａｃｙ ｆｏｒ ｆａｃｅ ｔｒａｃｋｉｎｇ，ｔｈｉｓ ｐａｐｅｒ ｐｒｏｐｏｓｅｓ ａｎ ｉｍ－ ｐｒｏｖｅｄ ａｌｇｏｒ ｉｔｈｍ ｕｓｉｎｇ ｃｏｍｂｉｎａｔｉｏｎ ｏｆ Ｍｅａｎ —ｓｈｉｆ ｔ ａｎｄ ｐａｒ ｔｉｃｌｅ ｆ ｉｌｔｅｒ ｉｎｇ．Ｆｉｒｓｔｌｙ．ｂａｓｅｄ ｏｎ ｔｈｅ “ｋｅｒｎｅｌ’’ ｏｆ Ｍｅａｎ—ｓｈｉｆｔ ａｌｇｏｒｉｔｈｍ ，ｔｈｅ ｔａｒｇｅｔ ｍｏｄｅｌ ｏｆ ｗｅｉｇｈｔｅｄ ｃｏｌｏｒ ｈｉｓｔｏｇｒａｍ ｉｓ ｅｓｔａｂｌｉｓｈｅｄ．Ｔｈｅｎ ａ ｎｅｗ ｐａｒｔｉ— ｃｌｅ ｃｏｌｌｅｃｔｉｏｎ ｉｓ ａｄａｐｔｉｖｅ ｇｅｎｅｒａｔｅｄ ｕｓｉｎｇ ｔｈｅ Ｍｅａｎ —ｓｈｉｆｔ ａｌｇｏｒｉｔｈｍ ｏｎ ｔｈｅ ｉｎｉｔｉａｌ ｆａｃｅ ｐｏｓｉｔｉｏｎ，ａｎｄ ｔｈｅ ｎｅｘｔ ｆｒａｍｅ ｆ ａｃｅ ｐｏｓｉｔｉｏｎ ｉｓ ｇｏｔｔｅｎ ｂｙ ｐａｒ ｔｉｃｌｅ ｆｉｌｔｅｒａｌ ｇｏｒｉｔｈｍｔｏ ｕｐｄａｔｅａｎｄ ｒｅ —ｓａｍｐｌｉｎｇ ｗｅｉｇｈｔｓ，ｗｈｉｃｈ ｓｍａｌｌｅｒ ｐａｒｔｉｃｌｅｓ ａｒｅ ｄｉｓｃａｒｄ．Ｅｘｐｅｒｉｍｅｎｔｓ ｓｈｏｗ ｔｈａｔ ｔｈｅ ａ ｌｇｏｒｉｔｈｍ ｉｍｐｒｏｖｅｓ ｔｈｅ ｃｏｍｐｕｔｉｎｇ ｓｐｅｅｄ ａｎｄ ｓｔａ— ｂｉｌｉｔｙ ｏｆ ｔｒａｃｋｉｎｇ，ａｎｄ ａ ｒｅ ａｌｓｏ ｈａｖｅ ｓｏｍｅ ｉｍｐｒｏｖｅｍｅｎｔｓ ｆ ｏｒ ｆａｃｅ ｏｃｃｌｕｓｉｏｎ ａｎｄ ｏｆ ｓｅｔ．
基于Mean shift算法的灰度人脸跟踪
基于Mean shift算法的灰度人脸跟踪
张旭光;张叶;王延杰
【期刊名称】《光电工程》
【年(卷),期】2008(035)001
【摘要】由于灰度图像的信息单一、缺乏描述目标的信息,且易受到光照的影响,导致Mean shift算法在灰度图像跟踪中的应用不稳定,我们采用结合灰度与方向编码特征建立目标模型的策略,提出了在灰度图像中以Mean shift为核心的人脸跟踪算法.实验结果表明,该算法可以成功的克服混乱、遮挡、光照变化以及目标自身的缩放与旋转的影响,并且计算量非常小,对于大小为48像素×68像素的目标,整个算法的计算时间仅为34ms.
【总页数】6页(P45-49,54)
【作者】张旭光;张叶;王延杰
【作者单位】中国科学院,长春光学精密机械与物理研究所,长春,130033;中国科学院研究生院,北京,100039;中国科学院,长春光学精密机械与物理研究所,长
春,130033;中国科学院研究生院,北京,100039;中国科学院,长春光学精密机械与物理研究所,长春,130033
【正文语种】中文
【中图分类】TP391.41
【相关文献】
1.基于多特征Mean Shift的人脸跟踪算法 [J], 张涛;蔡灿辉
2.基于灰度投影变换的改进Mean-shift算法 [J], 邹国燕;王飞;刘帅
3.基于改进的Mean-shift驾驶员人脸跟踪算法研究 [J], 魏秀金;李文书;何芳芳;姚建富
4.基于灰度触发的Mean Shift自动跟踪算法 [J], 喻旭勇;王直杰
5.基于Mean Shift算法的人脸跟踪 [J], 汪建林
因版权原因，仅展示原文概要，查看原文内容请购买。
《2024年基于MeanShift的运动目标跟踪算法研究》范文
《基于Mean Shift的运动目标跟踪算法研究》篇一一、引言随着计算机视觉技术的快速发展，运动目标跟踪作为计算机视觉领域的一个重要研究方向，已经得到了广泛的应用。
Mean Shift算法作为一种有效的跟踪算法，其优点在于对光照变化、目标部分遮挡等情况具有较强的鲁棒性。
本文将详细研究基于Mean Shift的运动目标跟踪算法，探讨其原理、应用及优缺点。
二、Mean Shift算法原理Mean Shift算法是一种基于概率密度的迭代优化算法，其基本思想是通过迭代计算目标模型在特征空间中的均值偏移向量，将目标模型逐渐移动到最匹配的图像位置。
具体来说，Mean Shift 算法通过计算每个像素的权重和位移向量，得到目标区域的中心位置和运动轨迹，从而实现对目标的跟踪。
三、运动目标跟踪算法基于Mean Shift的运动目标跟踪算法主要包含以下几个步骤：初始化目标区域、建立目标模型、寻找最优匹配位置、更新目标区域和输出结果。
首先，需要在初始帧中手动或自动选取目标区域，并提取该区域的特征信息。
然后，根据这些特征信息建立目标模型，用于后续的匹配和跟踪。
在后续帧中，通过计算每个像素的权重和位移向量，寻找与目标模型最匹配的位置，从而实现对目标的跟踪。
当目标发生运动时，根据其运动轨迹更新目标区域，并继续进行下一帧的跟踪。
四、算法应用基于Mean Shift的运动目标跟踪算法广泛应用于智能监控、智能交通、人机交互等领域。
在智能监控中，可以实现对特定人员的实时追踪和监控；在智能交通中，可以实现对车辆的追踪和识别；在人机关互中，则可实现对人机交互中人物的追踪和识别等。
这些应用都充分体现了Mean Shift算法在运动目标跟踪中的优势。
五、算法优缺点分析优点：1. 简单高效：Mean Shift算法具有较高的跟踪效率，能快速实现对目标的跟踪。
2. 鲁棒性强：Mean Shift算法对光照变化、部分遮挡等干扰因素具有较强的鲁棒性。
《2024年基于MeanShift的运动目标跟踪算法研究》范文
《基于Mean Shift的运动目标跟踪算法研究》篇一一、引言随着计算机视觉技术的不断发展，运动目标跟踪已成为计算机视觉领域的研究热点。
Mean Shift算法作为一种经典的跟踪算法，因其简单、高效和实时性强的特点，在运动目标跟踪领域得到了广泛的应用。
本文旨在研究基于Mean Shift的运动目标跟踪算法，分析其原理、优势及不足，并探讨其在实际应用中的改进方法和优化策略。
二、Mean Shift算法原理Mean Shift算法是一种基于密度的模式识别方法，通过计算特征空间中每个点的概率密度分布来确定搜索目标的位置。
在运动目标跟踪中，Mean Shift算法将当前帧中的目标位置作为基准点，根据下一帧中相似性的度量和统计决策进行跟踪。
其基本思想是将所有样本点通过加权的方式转移到高密度区域，以逐步逼近目标的真实位置。
三、Mean Shift算法的优势1. 实时性：Mean Shift算法通过迭代的方式逼近目标位置，算法实现简单且速度快，可实现实时跟踪。
2. 稳定性：该算法对于目标的非刚性和轻微变形具有良好的鲁棒性，能在目标形态发生变化时仍能准确跟踪。
3. 高效性：在特征空间中，Mean Shift算法通过计算概率密度分布来寻找目标位置，因此具有较高的效率。
四、Mean Shift算法的不足及改进方法1. 不足：Mean Shift算法对初始位置敏感，容易陷入局部最优解；当目标被遮挡或发生快速移动时，容易出现跟踪丢失的情况。
2. 改进方法：针对Mean Shift算法的不足，可以采取以下改进方法：（1）多特征融合：将多种特征信息（如颜色、形状、纹理等）融合在一起进行跟踪，以提高算法的鲁棒性和准确性。
（2）改进匹配准则：针对Mean Shift算法中可能出现的局部最优解问题，可以通过改进匹配准则，例如采用全局优化方法或者自适应阈值法来减小误判率。
（3）联合使用其他算法：可以与其他算法（如光流法、机器学习算法等）联合使用，互相取长补短，提高算法的稳定性和跟踪效果。
基于改进的Mean-shift驾驶员人脸跟踪算法研究
人 脸 区域 检 测 及 其 跟踪 则 是实 现 驾 驶 员 实 时 疲 劳 检 测 重 要 的前 提 条件 。１ ９ ９ ８年 ， ｏ ｅ Ｒ ｗｌｙ等提 出 了基 于 神 经 网络 的人 脸 检 测 方 法 ， 次 把 机 器学 习的 方 法 引 入 到 人脸 检 测 领域 ， 成 了一 首 完 个行 之 有 效 的 人脸 检 测 系 统 。２ ０ ０ １年 ，在 Ｖ ｏａ等 提 出 基 于 ｉｌ
特 征 构造 弱分 类 器 ， 后根 据样 本 的权 值 分 布 构 造 出 强分 类 器 ， 成 人 脸 检 测 分 类 器 ； 然 形 由于 光照 变化 等 因素 的 影 响 ， 引入 红 外 主 动 照 明模 式 ， 过 隔 离可 见 光照 ， 本上 消除 了光 照 变 化对 人 脸 检 测 造 成 的 影 响 ； 对 Ｍｅ ｎ ｈｆ 法 在被 跟踪 目标 通 基 针 ａ —ｓ ｉ ｔ算
发 生 快速 移 动 时容 易跟踪 失败 的 缺 点 ， 进 了 Ｍｅ ｎ ｓ ｉ 算 法 ： 目标 发 生快 速 移 动 时 ， 用 Ｓ Ｄ（ ｕ ｆＳ ｕ ｒ ｉ 改 ａ — ｈｔ ｆ 当 采 Ｓ Ｓ ｍ ｏ ｑ ａ ｅ Ｄ ｆ — ｆ ｒ ｎ ｅ 算 法进 行 全 局搜 索 。 以 实 际驾 驶 员人 脸 检 测 与 跟 踪 实验 为 例 进 行 了大 量 实验 ， 出的 方 法 比 Ｍｅ ｎ ｓ ｉ 算 法 的 ｅｅ ｃ ） 提 ａ — ｈｔ ｆ
魏 秀金 李 文 书 何 芳 芳 劫 建 富 （ 已 浙江理工大学信息电子学院计算机 系， 浙江 杭 州 ３ ０ １ ） １０ ８
摘 要 为 了 实现 对 驾驶 员人 脸 实 时跟 踪 ， 出 了一种 改进 的 Ｍｅ ｎ ｓ ｉ 算 法 。 首 先 对人 脸 提 取 类 Ｈ ａ 特 征 ， 用 类 Ｈａ ｒ 提 ａ — ｈｔ ｆ ａｒ 使 ａ
基于Mean Shift算法的实时运动目标跟踪
＾群—一 ７ ，∑ ｃ Ｇ｝÷ ， （— ） ｇ （ ）（ ＝罕 — —
。 ｃ ＝
１
１
＇ 一 ’
ｆ（ ）＝
（
）
（） ３
” ） ÷ 薯 ｚ ＝ ∑（一 ） （
（ ８ ）
收稿 日期 ：０ ８ ７ ５ 第一作者 ２０ —０ 一ｌ
丁大硼
男 ２ ６岁
轻
二 －
度对所有 ．∈［ ，ｏ 均存在。将 ｇ（ 作为核 函数 ， 函数 ７ ０ ｏ） ２ ） 核 ］ Ｇ（ 可以定义 为 ： ） ｚ） Ｇ（ ＝ｇ（Ｉ ｌ ， Ｉ Ｉ 因此将 ｇ（ 代 入 ● ） ） （） ， 以得到： ５式 可
，
１ Ｍｅｎｓ ｉ 的原理 ａ ｈｆ ｔ
进一步变形（ ） ３ 式写成 向量的形式 ：
） １ ＝ ｎ
公式。
１ ２ Ｍｅｎ Ｓ ｉ 向量 ． ａ ｈ ｔ ｆ
ｌ （ Ｉ ４ ） ）
式 （） ４ 是一般 ＭｅｎＳ ｉ 算法计算无参密度函数估计的常用 ａ ｈｆ ｔ
在得 到 Ｍｅｎ Ｓ ｉ 的 密 度 函 数 估 计 式 （ ） 为 了 得 到 ａ ｈｆ ｔ ４，
２０ 年第５ ０８ 期
山西 电子技 术
应 用 实践
基 于 ＭｅｎＳ ｉ 算 法的 实时运 动 目标 跟踪 ａ ｈｆ ｔ
丁大硼 黄 欢 刘 辉 罗 山
（ 明理 工 大学信 息工程 与 自动化 学院 ， 南 昆明 ６０ ５ ） 昆 云 ５０ １
摘 要 ： ａ ｉ 算法是一种 非参数密度估计算 法， Ｍｅｎｓ ｆ ｈｔ 可以实现 实时的最优 匹配， 了把 Ｍｅｎｓｉ 算法应用到 为 ａ ｆ ｈｔ
１
［ｇ Ｉ称在点基核数（ 喜（ Ｉ 为 处于函Ｇ） １ ） ］