基于Mean-Shift算法的目标跟踪研究.pdf

28Mar.2024Journal of Zhengzhou Railway Vocational and Technical College2024年3 月No.1Vol.36郑州铁路职业技术学院学报第1 期第3 6 卷基于 MeanS h i f t 算法的目标跟踪研究刘峰,王龙飞1*,冯伟伟,刘光宇1,2,赵恩铭,周同豹！（1.大理大学工程学院，云南大理6 7 1 0 0 3；2.上海交通大学海洋智能装备与系统教育部实验室，上海200030)摘要目标跟踪技术是计算机视觉的关键底层技术。采用一种基于MeanS h ift 算法的目标跟踪方法实现运动物体的目标跟踪。将Mean-Shift与ParticleFilter算法实现目标跟踪效果进行对比。实验结果显示，MeanS h i f t 比ParticleFilter算法实现目标运动的轨迹更加清晰准确。关键词目标跟踪；Mean-Shift算法;ParticleFilter算法中图分类号TP391文献标志码A文章编号1008-6811(2024)01-0028-05目标跟踪技术在多个领域得到广泛应用，包括视频压缩针对特定目标的优化、医学成像系统及计算机辅助的驾驶辅助系统，除此之外也应用在计算机图形学、模式识别和智能监控等领域 。图像质量不佳、模糊效果、干扰因素和不同的光线条件，以及目标的移动和形变等问题，始终对目标跟踪的性能产生影响 2 。虽然目标跟踪技术研究有数十年历史，但是该技术仍是计算机视觉、模式识别，特别是国防、交通及家庭监控等领域的一个研究重点 3 。常见的目标跟踪算法有OpticalFlow（光流法）、ParticleFilter（粒子滤波）和MeanS h i f t（均值漂移）等 4-6 。Optical Flow通过分析图像序列中像素亮度随时间变化及其相互关系推断出像素点的运动轨迹，这种方法的目的在于利用连续帧图像信息估计无法直接测量的运动场。然而，光流法的局限在于计算量大，难以确保处理的实时性和结果的可靠性。粒子滤波器采用蒙特卡洛方法通过粒子集合描述概率分布，适用于各类状态空间模型，其面临的挑战是要精确估计系统的后验概率密度（依赖大量的样本数）。ParticleFilter的原理建立在蒙特卡洛方法之上，通过一系列粒子来表征概率分布并且适用于多种状态空间模型情境中。它的主要挑战在于为了有效逼近系统的后验概率密度函数，需要依赖大量样本的支持 7-8 。基于 Mean-Shift 的目标跟踪算法具有很高的动态稳定性，能够满足在一定程度基础上实现适用设计目标的几何形状。Mean-Shift算法首先由Fukuyama和Hostetler提出，设计理念集中于使用核函数对窗口区域内的点进行加权平均形成新的窗口位置集。随后，通过重复迭代和进一步的加权平均处理持续调整窗口位置直到实现收敛。基于Mean-Shift的目标物体位置跟踪搜索算法，先采用核概率密度模型来分析描述目标物体位置特征，然收稿日期：2 0 2 4-0 1-0 2基金项目：国家自然科学基金资助项目（6 2 0 6 5 0 0 1）；云南省地方本科高校基础研究联合专项资金项目 2 0 1 9FH001（-0 6 6）】；海洋智能装备与系统教育部重点实验室开放基金项目（MIES-2023-02）；云南省中青年学术和技术带头人后备人才项目（2 0 2 2 0 5 AC160001)通信作者：王龙飞（1 98 2 一），男，黑龙江哈尔滨人，大理大学副教授，博士，研究方向为复杂网络系统。作者简介：刘峰（1 996 一），女，四川?山人，大理大学在读硕士研究生，研究方向为水下图像处理。29(2)后才能利用Mean-Shit跟踪搜索到目标的位置(9基于Mean-Shift算法的目标跟踪具有计算量较小、容易实现、实施性好、不需要大量的样本，以及高度稳定性和可靠性的特点 1 0 。本研究采用Mean-Shift算法来实现动态背景下目标的跟踪。1Mean-Shift算法理论1.1.1Mean-Shift基本思想Mean-Shift符合核密度估计法，不需要大量的采样样本而纯粹通过特征空间中的样本点估算其密度函数值。对一个抽样统计，直方图法则一般将统计的取值域分为几个大小相同的区域，将区域划分为若干个组，而各个群所统计的个数和总参量个数的比率便是各个单位的概率值。核密度估计方法的根本原理与直方图方法类似，区别在于它引人了核函数以平滑数据。利用核密度估计方法，当样本量充分时可以逐步逼近任何给定的密度函数，并对任意分布的数据进行密度估计。Mean-Shift算法在物理上的基本含义涉及：在d维空间中选取n个数据点x（i=1,2,3,n），Mean-Shift向量Mh（x）表示的是在以x为中心、半径为h的邻域Sh内所有样本点相对于中心点的位移向量总和的平均值。这样，在任意数据点x处的Mean-Shift向量描绘了该点空间特征的一个基本形态为 1 2 Mh(x):Z(:-)(1)x;EShSh是一个区域半径为h的多维球体,如图1 所示，其定义为那些与中心点距离满足一定条件的点的集合。Sh(x)=(y:(y-x;)T(y-x,)h)图1高维球的平面图如图1 所示,在这些样本点x（i=1,2,3,n）中有 k个位于Sh的范围内，可以观察到（x；x）代表样本点x;相对于的位移。直观上讲，如果这些样本是从某个概率密度函数F（x）随机抽取的，概率密度的梯度自然会指向密度增长最快的方向。因此，通常情况下Sh内的样本点会倾向于分布在概率密度梯度较大的方向上，这意味着Mean-Shift向量Mh（）往往会指向概率密度增长的方向。图1 中被大圆所包围的区域表示为Sh，其中的小圆点表示落人该区域的样本点x;ESh，中心点代表Mean-Shift的参考点x，而箭头展示了相对于参考点x的样本偏移。Mh（）作为平均偏移向量会指向样本密集度最高的方向，这通常是概率密度函数增长的梯度方向。根据公式（1）的描述，所有进人Sh的样本点都对最终的Mh（x）有相同的贡献，不考虑距离中心点x的远近。但在实际的目标跟踪场景中，尤其是目标被遮挡时，靠近目标模型中心的像素点往往比边缘像素点更为可靠，因为边缘的像素值更易受到遮挡或背景因素的影响。因此，为了提升跟踪算法的健壮性并增强其搜索能力，引人了核函数和权重系数为不同距离的样本点赋予不同的权重，权重随着与中心点的距离增加而减少。采用Mean-Shift的目标跟踪算法，利用各自在统计对象范围和候选区间内像素的特征概率获得有关目标区域和候选区域的特征描述，进而使用相似性函数衡量初始顿中目标区域与当前顿的候选区域之间的相似性，选出使相似性函数最大化的候选区域从而获得有关目标区域的Mean-Shift矢量，而这种矢量就是随着对象从起始地点向正确位置移动的速度矢量。基于Mean-Shift算法的快速收敛性经过连续送代计算Mean-Shift向量，通过计算最后结果将收敛到距离目标的实际区域，从而实现了跟踪目的 1 3 O1.2核函数概念核函数在目标跟踪算法中非常关键，影响算法的精确度和运算的复杂度。在Mean-Shift算法中30=Ik(b)(2)k是非增的,即如果b那么k(）(1）k 是非负的；选择不同的核函数可能会导致目标跟踪效果显著不同。核函数可定义如下：设X为一个d维欧几里得空间,空间中的任一点x可由一组向量表示，且点x的模Ilxll=xx属于实数集。若存在一个函数k：xR,且该函数对应一个剖面函数k:0,R,即k()=k(I l)(3)并且满足：（3）k 是分段连续的，并且k(x)dr00。0称作核函数或窗口函数的k（x）在目标跟踪算法中具有平滑效果，而本研究采用了Epannechnikov核函数。核函数定义为：C(1-/2),/1Ke()=(4)lo,other2Mean一Shift算法的目标跟踪2.1Mean-Shift向量算法的图解Mean-Shift算法是一个迭代的过程，在一组概率密度中（如图1），直观描述其中圆点为特征点，圆圈为检测区域，中心点为检测区域中心，细箭头为中心点到特征点向量，粗箭头为检测区域内中心点到所有特征点的向量和。MeanS h i f t 向量算法的第一次迭代示意图如图2 所示，圆圈中心点到其他圆点的细箭头是一个向量，这里称为MeanS h i f t 向量，即漂移向量 1 4O图2Mean-Shift向量算法的第一次选代经过Mean-Shift算法的一次迭代后，为了使圆圈中能包含更多的特征点，中心点向第一次迭代后特征向量和的位置移动，即图2 中粗箭头的地方为下一次圆圈的中心点。如图3 所示为MeanS h ift算法的第二次迭代。图3Mean-Shift向量算法的第二次迭代中心点不断向上一次粗箭头的地方移动，直到包含的特征点最多为止，如图4中的圆点，最终可以得到概率密度最大的地方，便获取最优相似区域移动。图4Mean-Shift向量算法的迭代完成2.2Mean-Shift算法步骤(1)在视频的初始帧中,确定跟踪目标的位置并对目标的灰度值建模，q为目标的概率密度,若x;落人圆圈里面则u=1,反之则u=0，C 是标准化系m数使=1 如下式所 5 ;1C(5)20kh2Qu=C8b(x,)-ul(6)h(2)从第二顿开始,以前一顿识别的目标中心为新顿的目标搜索初始中心，并使用相同的带宽尺寸构建待检测目标模型，具体公式为：nh2Pu=CyZ8b(x,)-ul(7)h（3）用Bhattacharyya系数评估目标模型与候选模型间的相似度时，核直方图表示的概率密度9和P.分别作为目标及候选目标的模型，每个模型含有m个分量，代表两个独立的概率分布。Bhattacharyya系数衡量相似度是统计学中的一个指标，用于量化31两个概率分布之间的可分性误差，误差值越小表示两个分布越相近 1 6 。Mean-Shift算法在跟踪目标时采用Bhattacharyya指标来评价目标与候选之间的相似度，其值域在0 到1 之间，相似度数值越高表明候选模型与目标模型的接近程度越高。Bhatta-charyya系数的定义可用于描述qu与pu之间的相似度，具体为p(P.)=2/.(8)为了使式（8）的值大于一个阈值，将其用泰勒级数展开后得到一个Mean-Shift向量2hy1(9)Yow;gh通过不断迭代，将原始的待测中心%移动到一个中心点yi，若此时的Bhattachryya系数大于一个阈值便可以找到目标区域，此时y1就是确定的目标中心 1 7 O3实验结果和分析实验在MATLAB2019b上进行，选择小车行驶。视频中第一帧作为目标跟踪初始帧，如图5 所示，在初始顿中选取小车作为跟踪目标，所选择区域如图6中方框所示。图5初始顿图片图6选择需要跟踪的目标区域运用ParticleFilter算法的目标跟踪结果如图7、8所示，可见用ParticleFilter算法不能做到实时跟踪，目标行驶轨迹效果不准确。图7第2 0 顿的跟踪图：ParticleFilter算法的跟踪轨迹运用Mean-Shift算法实现小车运动轨迹的跟踪。在实验结果中分别选取图像序列为第6、8、2 0和45 顿时的行驶轨迹进行显示，其跟踪结果分别如图9、1 0、1 1、1 2 中车身上的线段所示。图9第1 顿到第6 顿的跟踪轨迹图1 0第1 顿到第8 顿的跟踪轨迹32伟责任编辑：赵图1 1第1 顿到第2 0 顿的跟踪轨迹图1 2第1 顿到第45 顿的跟踪轨迹图1 1、1 2 中方框为目标的跟踪区域，车身上的线段清晰显示了小车的行驶轨迹，可知用Mean-Shift算法完成小车的目标跟踪，可以清楚稳定显示小车行驶的轨迹。4结论本研究采用Mean-Shift算法的目标跟踪方法实现目标物体运动轨迹的跟踪，在目标区域已知的情况下可以清晰稳定显示目标运动轨迹。该方法需要读取视频的帧数，然后在初始帧中手动选择跟踪目标，计算选择目标区域的直方图，再对所有顿进行直方图计算，选择直方图分布和初始顿中目标区域直方图分布最相似的区域，沿着最相似的区域进行移动,直到完成视频中的最后一帧便能完成目标跟踪。实验表明，Mean-Shift比ParticleFilter算法实现目标跟踪轨迹更加准确。可以清晰显示运动车辆移动轨迹，可以自动选择所跟踪目标框的大小，不需要大量样本便能清楚显示目标运动轨迹。参考文献1赵文杰,刘树潜，王菲，等.基于AI视频检测的高速公路事件分析探究 J.中国交通信息化2 0 2 2(2)：1 1 2.2章泉源，王昱程，陈曦，等.基于全卷积李生网络的模糊目标跟踪 J.武汉大学学报（理学版）,2 0 2 1,6 7（5）：41 1.3韩瑞泽，冯伟，郭青，等.视频单目标跟踪研究进展综述J.计算机学报,2 0 2 2,45(9):1 8 7 7.4刘向前,闫娟，杨慧斌，等.基于改进光流法的目标跟踪技术研究 J.上海工程技术大学学报,2 0 2 1,3 5(3）：2 3 7.5张凯.基于改进无迹卡尔曼滤波算法的水下目标跟踪J.计算机应用与软件，2 0 2 2,3 99）：3 2 6.6张博.基于卡尔曼预测粒子滤波的复杂场景图像目标跟踪算法 J.自动化与仪表,2 0 2 2,3 7(6：7 4.7夏斯维，陈迅.基于光流法与分块思想的目标跟踪算法J.计算机工程与设计,2 0 2 0,41(7):2 0 6 3.8郭鲁，魏颖.基于自适应蝙蝠粒子滤波算法的WSN目标跟踪 J.计算机测量与控制,2 0 2 2,3 0(6)：1 6 8.9于莹，毛盾.基于多尺度空间的meanshift目标跟踪算法J.舰船电子工程,2 0 2 1,41(3)：42.10陈硕,陈凌，赵玉丽.基于数据处理的抗密集假目标干扰处理方法研究 J.新技术新工艺，2 0 2 2(7）：5 1.11吴捧锋.基于直方图反向投影的区域检测器设计 J.电脑编程技巧与维护,2 0 2 1（8）：1 3 5.12郑明雪，罗治情，陈娉婷，等.基于改进MeanShift的无人机农业应用遥感影像地块边界提取 J.湖北农业科学，2021,60(23):153.13郑海，钱萌.基于核函数和标记权重的多标记特征选择J.绥化学院学报,2 0 2 0,40(1 1)：1 48-1 5 2.14李傲寒.基于Mean-shift跟踪算法的汽车运行物体目标监测分析 J.电子测量技术，2 0 1 9,42(2 3）：1 5.15康乐，陈伟，赵安琳，等.基于IHS变换和MeanShift算法的草地分类研究 J.西北林学院学报,2 0 2 2,3 7（5）：1 8 8.16杜茂康，王忠思，宋强.基于Bhattacharya系数的改进相似度度量方法 J】重庆邮电大学学报（自然科学版），2018,30(5):699.17孙新领，张皓，赵丽.结合LTP纹理特征和改进Mean-Shift的视频目标跟踪方法 J.重庆理工大学学报（自然科学版）,2 0 1 9,3 3(1 2)：1 7 6.