《基于多特征概率分布的均值漂移行人跟踪算法-王爱丽.pdf》由会员分享,可在线阅读,更多相关《基于多特征概率分布的均值漂移行人跟踪算法-王爱丽.pdf(8页珍藏版)》请在得力文库 - 分享文档赚钱的网站上搜索。
1、第44卷第8期2016年8月华南理工大学学报(自然科学版)Joumal of Soul Cllina University of Technology(Namral Science Edition)V0144 No8AugIlst 2016文章编号:1000-565x(2016)080123一08基于多特征概率分布的均值漂移行人跟踪算法术王爱丽1,2 董宝田1 武鸿源1(1北京交通大学交通运输学院,北京100044;2中国铁路总公司信息技术中心,北京1()()038)摘要:在目标尺寸和颜色发生变化时,传统均值漂移法因目标模型单一和核窗口大小方向固定而导致目标丢失为此,文中提出一种基于多特征概率
2、分布的均值漂移行人跟踪算法,首先利用目标的颜色、轮廓和运动特征构建目标模型,得到颜色、边缘和运动直方图分布;然后将颜色和边缘的直方图反向投影生成二维概率密度分布,利用运动信息修正颜色和边缘概率分布;并根据各特征所占权重,运用自适应融合法得到目标特征关联概率分布;最后利用关联概率密度的零阶矩值调整下一帧跟踪窗口尺寸,结合均值漂移跟踪框架,实现常态下目标跟踪实验结果表明,该算法提取的目标特征具有较强的准确性,能实现复杂交通场景下的行人跟踪关键词:行人跟踪;均值漂移;直方图分布;多特征融合;关联概率分布中图分类号:u491 doi:103969jissn1000565x201608018智能交通视频
3、监控系统是计算机视觉领域中新兴的研究方向,具有广泛的应用前景其中,基于目标检测对交通视频图像内目标跟踪的研究,能实时、准确地获取交通流中运动物体的信息,是计算机视觉领域的一个研究热点和难点,为更高级的视觉范畴和视觉系统提供了有效的交通信息几十年来,新的跟踪方法层出不穷,主要包括基于图像特征的方法、基于模板匹配的方法、基于区域的方法和基于学习的方法等3 J近年来,基于模板匹配的均值漂移(Mean Shift)算法p1受到了广泛重视,该算法定位目标的方式是通过均值向量迭代求取概率密度极大值,能快速搜索和匹配目标,避免了穷尽搜索,从而极大降低了计算量,适应于对行人的实时跟踪然而,传统均值漂移算法在跟
4、踪大小明显变化和单一目标模型不能很好地描述的目标时,很容易在跟踪过程中发生目标定位漂移甚至丢失目标而利用多种特征进行跟踪是提高跟踪算法鲁棒性的一种有效途径为提高复杂环境下行人目标跟踪的稳定性,基于多特征的目标跟踪方法H。21开始兴起文献4中采用颜色、纹理、边缘方向特征,并在粒子滤波框架内进行概率融合,给出了一种通用性较好的多特征跟踪方法,然而在复杂的背景中易受运动噪音干扰;文献5中使用角点、边缘、纹理和区域灰度特征实现对刚性目标的跟踪;文献6中提出了一种新的综合轮廓和灰度特征的行人跟踪算法,其性能依赖于预先构建的目标轮廓原型,且假设不同行人的轮廓是相互近似的,忽略了行人个体间的差异性;文献7中
5、将红外图像的灰度特征、可见光图像的颜色和纹理特征融入到模板跟踪框架中,实现了复杂环境下的目标跟踪,该方法需要对多传感器间进行同步测算和设置,计算复杂且成本高,不利于算法的推广应用;文献8和9中提出了融合颜色和形状纹理特征的跟踪算法,但忽略了目标的运动特性收稿日期:2015一10一18+基金项目:国家“863”计划项目(2009AAllZ207);高等学校博士学科点专项科研基金资助项目(20110009110011)Fo呻da60n item:supponed by the National High-tech R&D Pr0印蛐0f clIi阳(863 Pro蚪n)(2009AAllZ207)
6、作者简介:王爱丽(1987一),女,博士生,主要从事智能交通研究Email:wangaili20050722163com万方数据124 华南理工大学学报(自然科学版) 第44卷和每个特征的贡献然而,多特征跟踪算法仍依赖于单个特征的合理选择,其性能的发挥受单个特征鉴别能力的影响较大,此外,融合方法的有效性会直接影响其跟踪的性能文中提出一种基于多特征概率分布的均值漂移行人跟踪算法,综合考虑目标的外表和空间特征,且利用运动特征修正各个特征概率分布,提高融合特征的有效性,实现目标精确跟踪,提取出目标的运动轨迹、速度、加速度等交通信息1 基于多特征概率分布的均值漂移行人跟踪算法基于概率分布图的均值漂移算
7、法,其核心思想是在视频图像中的每一帧对应的概率分布图上做Mean Shift迭代运算,并将前一帧的结果(搜索窗口的中心和大小)作为下一帧Mean Shift算法搜索窗口的初始值,重复这个过程,继而实现目标跟踪m11|在跟踪过程中,目标特征概率分布模型构建和目标搜索定位21是最重要的两个步骤为了提高跟踪的准确度,文中利用图像的颜色、轮廓和运动特征构建目标模型,得到颜色、边缘和运动直方图分布;将颜色和边缘的直方图反向投影生成二维概率密度分布,利用运动信息修正颜色和边缘概率分布,得到运动一颜色和运动一边缘概率分布图,并根据各特征所占权重自适应融合生成新型特征目标的关联概率分布;最后利用关联概率密度的
8、零阶矩值调整下一帧跟踪窗口尺寸,结合Mean Shift跟踪框架,实现目标定位跟踪11 目标特征直方图分布111 颜色特征在交通视频图像中,颜色信息是最典型的基本特征,对目标旋转、遮挡等情况具有稳健的特点因此,文中首先采用目标的颜色直方图分布信息来描述目标的外观特征,选用RGB颜色空间三通道表示目标颜色信息,将R、G、B空间分为七个相等区间bin,这些bin构成了特征空间,这里设bin的个数为mbin=161616把颜色特征空间分为161616个颜色特征值,此时目标模型的直方图表示为g=g。q:q。7,仇。=16 x 1616=4096在初始帧时,通过目标检测得到目标的最小区域和质心坐标,文中
9、仅考虑目标模板内的颜色分布情况假设目标的中心点为x。=(x5,y5),目标区域的像素集为x。,江1,2,n(n为目标模板内像素的总数),则目标模板中各颜色特征值的直方图分布为 or以烈Il字胁刊。,=1,u=1,2,m(1)式中:c。=荟矗(I|生|)为归一化常 i=l 、l| 【I ,数,6(石)为Kronecker delta(冲击)函数,用来判断目标区域中像素是否属于第u个bin,相等时为1,否则为0;6(戈j)表示像素戈。在直方图中的等级数;u为直方图的颜色索引;K(戈)为定义每个像素权值大小的核函数;矗表示核函数带宽图l中给出了色框内行人的颜色直方图分布状况窆 ()1:008葛o06
10、i基()04002川带获跟踪|_1标l域一1I 0 500 l 000 1 5()0 2000 25()0 30()0 3500 4000颜色埘化J手Ij(颤包“力分ni图l颜色信息Fig1 Color infonnation112边缘特征虽然颜色特征对目标变形和姿态变化具有很强的顽健性,但其不能描述目标的空间结构,容易受外界条件的影响而边缘信息能够弥补颜色信息的缺陷,不易受外界变化的影响,且不需要明确的目标模型3。因此,文中选用边缘信息来描述目标的空间特征在初始帧时,首先将彩色图像转换为灰度图像,利万方数据第8期 王爱丽等:基于多特征概率分布的均值漂侈仃人跟踪麴法 1 15一一_ 一一一用s
11、obel算子14 3求解图像的计算边缘梯度幅值G(戈,y)和方向日(戈,y):(2)式中,ez,y和G,戈,y分别表示水平和垂直方向的边缘梯度幅值为提高边缘直方图的抗噪性,对边缘方向进行滤波,保留边缘强度大的边缘信息,剔除伪边缘,得到边缘梯度幅值图:Edge(x,y)=f孑r卜芸嘉力阀值(3)由于提取的边缘Edge(x,),)存在不连续问题,文中采用形态学对图像进行修正(如式(4)所示),完成对断裂边缘的连接,从而获得高信噪比和低均方差的边缘图像IE(戈,y)=(Edge6)(戈,y)=maxEdge(z一石7,yy)+6(石,y) ,。、1 E(戈,),)=E(z,y)nEdge(戈,y)
12、、I Edge(名,y)=E06=E一(E)6)=En(E)6)。式中,表示膨胀运算,o为边缘细化运算,O为击中或击不中的变换运算符通过式(2)标记出边缘点,并在相应点计算出梯度方向,发现方向p的取值范围为9(一90。,90。)为简单起见,文中对目标图像的边缘点的方向9进行量化,将其分为18等分,每个区间角度变化范围为100边缘特征向量为口。=q。 g。: q。T,m=18,则目标的边缘直方图分布函数表示为 g。a。=:c:a。:莓后(J|!掣I2)Edge(i,歹)6臼。(i,歹)一u (5)ged酬=l,u=l,2,18式中,c。为归一化常数,z。州u)为目标区域通过边缘检测提取的边缘像素
13、集图2给出了行人的边缘方向直方图分布113运动特征目标颜色和边缘信息描述了目标静态信息,但目标都是动态的,为了更好地对其跟踪,还需检测其运动信息文中采用多帧差分法提取图像目标的运动信息【l 3|,具体计算过程为:(1)计算第帧图像J。和第一1帧图像t一。之b要睦塾鹱岛题垡鲴()30枣()25兰()2()专015懋010005担缘信扈!_一I一一_- _- _塑缘最化序号也缘直方图分布图2边缘信息Fig2 Edge info珊ation间以该像素为中心的33范围内所有像素的绝对差之和,并赋值给该像素,得到前两帧的差分图像D。一l(戈,y):D一,(菇,y)=I t(石+f,y+危)一tl(名+Z
14、,y+)l (6)(2)同样,计算第t一1帧图像t一。和第一2帧图像,r一:的差分图像D川。:(z,y);(3)求解图像D一。(戈,),)和图像D川卜:(戈,),)的均值:D(戈,y)=(D一。(戈,),)+D。一一2(戈,y)2(7)(4)对D(x,y)进行二值化阈值分割,检测出运动前景点,生成运动概率分布图M。(戈,),),属于运动前景目标的像素点运动概率为l,反之为0小矗怨甾 12 目标关联概率分布多种特征的联合使用会有效地提高目标跟踪的准确性,因此文中通过采用多信息融合算法自适应融合目标颜色、边缘和运动信息,生成新型特征的目标关联概率分布图具体融合过程如下(1)目标模型反向投影直方图反
15、向投影是指将原始视频图像通过目标直方图转换到概率分布图(PDM)的过程113直方图反向投影产生的概率分布图即为直方图的反向投影图,该概率分布图中的每个像素值表示输入图像中对应像素属于目标直方图的概率万方数据126 华南理工大学学报(自然科学版) 第44卷在1。1节建立的跟踪目标的各个特征直方图模 P(xi,),。I)=谢。P。(戈i,),:1)+型基础上,需进行直方图反向投影71运算生成二维 彬。一。P。一。(戈。,y。I) (11)概率密度分布图将式(1)和(5)计算得到的目标颜 其中。色特征直方图分布g:h和边缘特征直方图分布北;。 p,反向投影o到输出图像中(如图3所示),从而得到 。一
16、p。+p。目标图像的颜色概率分布图尸。山,(戈i,),i I)和边缘 p。概率分布图P e(I。(xi,y。I),投影计算公式为 “”8 p。+p。妻运交薹萋笔誉!。 了一:i(d)颤包J乏投影h;卫7蒙1上父景;图3反向投影结果Fig3 Resulls ofback projection(2)利用运动引导颜色和边缘概率分布为了提高融合算法的有效性,文中首先将提取的运动信息肘(戈,y。I)融入到目标颜色和边缘信息里,修正颜色概率分布图P叫。,(戈。,yi z)和边缘概率分布图P。(戈i,y1),计算得到运动一颜色和运动一边缘概率分布图:JPmr(戈i,y zl。)=Pmlflr(戈j,yjl
17、2)M(戈j,y-l) (10)lP。一。(戈,y小)=P出(x。,y小)M(石i,y。l)、 。(3)目标的关联概率分布根据自适应融合机制,利用颜色直方图分布g训。,和边缘直方图分布g池。所占的权重,将运动一颜色概率分布图P,。(x:,yi lf)和运动一边缘概率分布图P。一,(戈i,竹If)自动融合,得到融合后的关联概率分布图P。(工i,),。l):JD。=pp:。10r,g:。10r=p。=pp品。,q:d神=以(y。)g,=lmp以(),qk式中,埘。一加。一。为颜色和边缘特征重要性权值,JD。和p。为Bhattacharyya相似度,p,、q,为颜色模型直方图分布信息,p:d一北。为
18、边缘模型直方图分布信息图4给出了图1(a)中框内行人的各个信息相融合的结果,从图4(d)中可以看出,利用多线索信息融合的目标表观建模可以更精确地描述目标(所有结果都是经过二值化和形态学41处理后提取)1#5- 乡;戈。粜i;,乜、f:设ji!li*:Fig4 Results of multicue fusion13 行人跟踪算法实现采用Mean shift算法迭代寻找目标最优位置区域,根据上述投影构建的新型目标概率密度分布图P(z。,yi I),计算该区域内以点后为中心的搜索窗口内目标概率密度的零阶矩、一阶矩和质心位置并依据均值漂移思想迭代计算,最终定位目标具体步骤如下步骤1 目标模板初始化利
19、用行人检测方法,提取初始帧中监控区域内存在的行人目标区域,自动把跟踪目标限定在矩形移动框内,将其作为初始化的搜索窗,设搜索窗的尺寸为s。,中心位置为民,实现目标模板的初始化、l-lJ,捌猫最箍蒜万方数据步骤2目标特征直方图提取对目标模板的颜色、轮廓和运动特征进行建模,得到目标颜色特征直方图分布q,、边缘特征直方图分布qk和运动信怠M步骤3直方图反向投影将颜色和边缘的直方图反向投影,得到目标图像的颜色概率分布图P。,(戈。,yiI)和边缘概率分布图P。d。(戈i,),iI)步骤4概率分布融合将检测到的运动信息M(zi,小)融入到目标颜色和边缘信息里,修正颜色概率分布图和边缘概率分布,得到运动一颜
20、色概率分布P。一。(戈i,),iIt)和运动一边缘概率分布P。一。(戈。,儿I),并根据颜色和边缘特征所占权重进行融合运算,生成新型特征目标的关联概率分布图P一(x。,y。If)步骤5迭代搜索目标位置在融合后的概率分布图P。(戈。,y。l)上,根据搜索窗口的尺寸s。和中心位置P0计算搜索窗的质心位置,计算步骤为(1)计算搜索窗内零阶矩和一阶矩肘。,眠。=P。(戈。,),i h)江l=I。=并iP。(戈i,yi I) (12)I J眠。=yiP。(xi,。I)i (2)由零阶矩和一阶矩计算搜索窗口内目标质心位置K=(,y。)M。;誓P(I)一一P(戈i,),i f)yiP一(戈i,yi f)“
21、P。(z;,y;J)(3)重新调整搜索窗的尺寸将搜索窗口中心位置变更,即K=K;同时更新窗口变化信息,为了减少窗口大小变化不稳定的影响,重新定义窗口宽度,使每幅图像中的搜索窗口大小根据目标大小实时变化文中定义窗口宽度为厂=H=r256(14)式中,r为自定义调整系数,窗口长度为口=rM,r为初始化跟踪窗口长度和宽度的比值,因而搜索窗尺寸s可表示为s:(们)2+(“2)2 (15)(4)反复执行(1)、(2)、(3),直至目标搜索窗口中心处于窗口中概率分布峰值处或满足迭代次数则终止循环步骤6 目标定位跟踪迭代终止时得到的中心位置和区域大小即为当前帧跟踪到的目标位置和大小,即=露和s。=s,重新采
22、集新一帧图像,并利用当前得到的中心位置和区域大小在新的图像中进行搜索2 实验结果文中以Matlab 2009b为开发平台,在Intel Corei52500s CPU、270 GHz、4oo GB内存、Win7计算机上,采用在北京市门头沟区街道处采集的2段AVI格式的视频,分别对不同行人目标进行跟踪实验图5给出了在视频序列I中基于文中跟踪算法对单个目标进行定位跟踪的结果图5(a)一5(d)依次为第100、200、390、476帧的跟踪结果,矩形框内是跟踪到的目标,跟踪步长为2帧从图5的跟踪过程中,可以看出目标逐渐远离镜头,目标尺寸由约7621像素逐渐缩小至约824像素,并伴有方向上的微动传统均
23、值漂移算法在目标尺寸变化时,搜索窗口的大小固定不变,无法自适应调整目标尺度而从图5的跟踪结果可看出,文中算法利用关联概率密度的零阶矩值调整下一帧跟踪窗口尺寸,使搜索窗口(搜索窗口为矩形框)随着目标的变化而变化,与实际需求相符合,进一步保证了跟踪的可靠性第390恸第2()()巾贞图5单目标跟踪结果Fig5 Results ofIracking sin西e latget图6给出了文中算法和原始均值漂移算法对上述交通场景的跟踪定位结果将文中算法跟踪到的x、】,方向运动轨迹以及原算法跟踪到的x、y方向轨迹与实际轨迹(实验中每帧图像目标实际的中心万方数据128 华南理工大学学报(自然科学版) 第44卷位
24、置(戈、y)是通过手工逐帧标记获取的)进行拟合比较,得到两种算法的跟踪误差信息从图6(b)和6(d)中可以看出,在整个跟踪过程中,由于原始算法无法自适应目标大小和方向的变化,造成在x、y方向上跟踪误差较大,最大跟踪误差达到317和2239像素,平均误差值达到176945和122666像素,且随着时间的积累误差越来越大同时,从图中也可以看出,由于文中跟踪算法融人了边缘、运动信息和搜索窗口的自适应调整,故采集到的x、】,方向上的目标位置信息与实际坐标轨迹变化状态基本一致,均保持稳定的较小误差,最大误差值分别为94469和66924像素,平均误差值分别为35043和26872像素330320暴3lo
25、乓葛300羔290主280270260250跟踪序号a)拟合x力向跟踪轨迹4f)353()25201510520 40 60 8()100跟踪序号d)1-方m跟踪误蓐图6)f、y方向上的跟踪定位结果对比Fig6 Tracking localization resIllts in X and y directions根据x、l,方向上的跟踪坐标信息,计算出整个过程中总的误差信息图7则给出了传统Mean shift算法单独使用RGB颜色特征和文中改进算法的误差对比结果从图中可以看出,在前面跟踪阶段中,原始算法出现较大误差,最大误差达到252976像素;而文中算法最大误差为81663像素,误差波动不
26、是很大在后续阶段中,跟踪目标远离摄像头,目标大小明显变小,传统均值漂移算法由于核函数窗口尺寸和方向固定,在基于已有较大误差的跟踪结果继续迭代,促使跟踪误差进一步变大,平均误差达到216968像素,直至最终丢失目标;而文中算法平均跟踪误差和最大误差分别仅为4679 8和96747像素,一直保持稳定状态图7跟踪淡丛EFig7 Comparison of tracking results图8给出了在视频序列II中基于文中跟踪算法对多个行人进行跟踪的结果,依次为第58、210、震叩呷卜日 P胃 (k)第670帧 (1)篇690帧图8多行人跟踪结果Fig8 R郎uJ【s f)f lkillg muple
27、 pe(iPsans巧加巧如”m,0一迸一:lliJ1fl弋,、0000O0O0O0舒御跚如巧加一竖兰告1y蠢万方数据第8期 王爱丽等:基于多特征概率分布的均值漂移行人跟踪算法318、360、400、530、580、610、620、640、670、690帧的跟踪结果从图中可以看出,多运动行人的跟踪效果较好,行人运动轨迹基本都成功跟踪到同时,从图8中可以看出监控场景中含行人遮挡情况,图8(h)一8(j)分别显示遮挡前、中、后3个状态的跟踪效果图8(h)是行人发生遮挡前的跟踪图像,图8(i)为遮挡中的跟踪效果图,图8(j)为遮挡结束后的跟踪图像从图8(h)和8(i)可以看出,文中多特征融合算法在一
28、定程度上可以抵制局部遮挡,虽在发生遮挡时跟踪到的轨迹有些波动,遮挡结束后,基本能够恢复对遮挡行人的跟踪图9给出了上述交通场景整个跟踪过程各个目标的跟踪误差变化情况(上图已经对各个目标进行编号)在跟踪过程中,需建立目标链,随着目标的进、出不断更新,当目标走出跟踪区域,则从目标链中删除,图9前面部分主要给出了目标1和2的误差变化状况;在中间部分目标3开始进入,而目标1和2离开跟踪区域;在后面部分目标4进入同时,从图中也可以看出,在整个跟踪过程中,各个目标的跟踪误差基本稳定,最大误差分别为13865 7、129257、16342 5和12674 8像素,平均误差分别为55367、53257、5738
29、 l和4913 5像素实验结果表明:文中算法因融人了边缘、运动信息和搜索窗口的自适应调整,故在整个跟踪过程中跟踪目标的误差波动不明显,基本保持稳定的较小误差,行人跟踪效果比原始算法更准确、0 50 l()0 15f) 200跟踪序哆图9目标跟踪误差|F暗9 C11a嚼“g n11Ps of traI3 结语为提高目标跟踪的精度,文中提出了基于多特征概率分布的均值漂移行人跟踪算法采用颜色、边缘、运动3个具有一定互补性的特征进行联合概率跟踪,通过目标颜色、轮廓和运动直方图分布描述目标的外观、空间和动态特征,增强了对目标特征的描述能力;该算法还根据直方图反向投影和颜色、轮廓特征所占权重,运用自适应融
30、合法生成新型特征目标的关联概率分布,融合策略合理,实现简单,保证了跟踪性能的充分发挥;算法最后在均值漂移跟踪框架下,通过关联概率密度的零阶矩值调整下一帧跟踪窗口尺寸,实现搜索窗口的自适应调整,提高了目标跟踪的准确度行人跟踪实验结果表明,文中算法中颜色、轮廓特征的鉴别性较高,且融人了运动特征,避免了单一特征的不稳定,对颜色相似区域、运动背景干扰和部分遮挡等均具有较高的鲁棒性,比传统Mean Shm算法的误差小,跟踪性能更好然而,实际交通环境复杂,运动目标之间存在干扰、遮挡导致跟踪位置丢失等问题,需对此展开进一步研究参考文献:1 RuI Y,CHEN YBeIter proposal distri
31、butions:objecttracking using unscented panicle矗ltercP玎oceedingsof the IEEE Conference on ComPuter Vision柚d PattemRecognitionArlington:sn,200l,786-7932 SHAN c F,TAN T N,wEI Y cReaJ-time hand trackingusing a mean shift ernbedded particle 6lterJPattemRecognition,2007,40(7):1958一19703顾幸方,茅耀斌,李秋洁基于meansh
32、ifI的视觉目标跟踪算法综述J计算机科学,2012,39(12):1624GU xingfang,MAO Yao-bin,u Qiu-jiesurvey on“sualtracking algoIithms based on mean shift JComputerScience,2012,39(12):16-244 BRASNET P,MIHAYI0VA L,BULL DSequential montecarb tracking by fusir培multiple cues in“deo sequenceJI脚唔e Vision computing,2007,25(8):1217一12275
33、 sERBY D,KOLLERMeier E,VAN-Gool LPmbabilisticobject tracking using multiple featurescIntemaIionalconference on Pattem Reco辨itionc卸flbridge:sn,2004:184一1876 解易,裴明涛,于冠群增量学习灰度与轮廓模板的行人跟踪方法J北京理工大学学报,2012,32(3):274280XIE Yi,PEI Ming-lao,YU GuanqIlnIncremental le廿ning intensity and contour templates for tm
34、cking pedestri锄s on P1z carIlera surveiu卸ce pla怕肌JTransac-tions of Beijing lnstitute of Technolog)r,2012,32(3):2742807 赵高鹏,薄煜明,陈益多特征提取的红外和可见光目标跟踪方法J兵工学报,20ll,32(4):445451ZHAO Gaopeng,B0 Yuming,CHEN YiA method forn_acking object in infhred and visible image based onmultiple featuresJJoumal of china O
35、rdnance,201 l,64208642墅答誊蓍053n3nnr0P药图唔线m万方数据130 华南理工大学学报(自然科学版) 第44卷32(4):4454518 贾松敏,王爽,王丽佳多特征自适应均值漂移算法的目标跟踪J光电子激光,2014,25(10):20182024儿A Song-min,WANG Shuang,WANG JialiHumanIracking based on adapfive multifeature meanshin algorithmJJDumal of optoelectronicsLaser,2014,25(10):2018-20249 wANG J Q,YA
36、gi Y sIntegratjng color and sh印etexturefeaures for adaptive real一fime object tmckingJIEEETransactions on Image Processing,2008,17(2):235240IO李琦,邵春福,岳吴核窗口尺寸和目标模型自适应的均值漂移跟踪J,华南理工大学学报(自然科学版),2013,41(2):7481LI Qi,SHAO Chunfu,YuE HaoMean shift tmckingwith adaptive kemel window size and target modelJJouma
37、l of South China University of Technology(NaturalScience Edilion),2013,41(2):748111121314王年,丁业兵,唐俊,等宽带自适应的Mean shift目标跟踪算法J华南理工大学学报(自然科学版),2011,39(10):44-49WANG Nian,DING Ye-bing,TANG Jun,et a1Bandwidth_adaptive meall一shift target tracking a190rifhmJJou仃lal of Soulh Chjlla Universjty of TechnoJogy(N
38、aluralScience Edition),2011,39(10):44-49丁业兵,王年,唐俊,等基于颜色和边缘特征c锄Shift目标跟踪算法J华东理工大学学报(自然科学版),2012,38(1):6974DINC Ye-bing,WANG Nian,TANG Jun,et a1Cam ShifttaIjget tIacking alg嘶thm based on c010r and ed声characterJJoumal 0f East Chim university of Scienee arIdTeclm010盯(Natural鼬ence Edition),2012,38(1):697
39、4王鑫,徐立中图像目标跟踪技术M北京:人民邮电出版社,2012RAFAEL C G,RICHARD E W,STEVEN L EDi舀talimage processing using MATLABMBeijing:Pub一1ishing H伽se of Eleetronics Indus娜,2005:260一280Mean Shift Pedestrian Tracking Algorithm Based onMulti-Feature ProbabiUty Distribution财B Ai砂2 DOG B口o如,毫1 删协增一弘口n(1 Sch001 of Tr赫c and 1ransp
40、ortation,Beijing Jiaotong Unjversity,Beijing 10D044,China;2 InforIIlation Technolo盱center,china Railway C呷oration,Beijing lO0044,china)Abstract:For the tmditional mean shift traeking algorithm,single feature and fixed nuclear window size may resultin a track loss when the size and color of ta曙ets ch
41、ange In order to solve this pIDbIem,a pedestrian tracking aIgorithm is proposed based on the multifeature probability distribution and the mean shift In the algorithm,first,atarget model is constmcted based on the color,outline and movement features,and thus the color,edge and movement histogram dis
42、tributions are obtainedThen,a twodimensional probability density dist五bH“on is created bymeansthe back-pmjection of the color and edge histo伊ams,and the color and edge pmbability distdbutions arecorrected by using the moVement information MoreoVer,according to the multifeature weights, the correlati
43、onprobability distbution of ta曙et features is achieved by the ad印tive fusion method,FinaUy,the zer0 moment of thecoHelation prob如ility distribution is used to adjust the size of the neXt tracking window,and by combining themean shift tracking fhmework,a no彻al ta曙et tracking is realizedExperimental results indicae that the proposedalgorithm is more accurate in eXtracting ta玛et features aIld can track pedestrians in complex tr棚c scenesKey words:pedestrian tracking;mean shift;hismgram distribution;multifeature fusioll;correlation probabilitydistribl】tion万方数据
限制150内