一种结合密集特征的Mean‑shift跟踪方法技术

本发明专利技术提供了一种结合密集特征的Mean‑shift跟踪方法，包括：S1、获取监控区域的视频流图像作为输入图像；S2、通过背景建模法获取背景图像，采用背景差分运算获得跟踪目标区域；S3、获取跟踪目标区域中具有相同灰度值的像素密集区域，并计算相应灰度值密集区域的面积及离心距离，以计算密集区域特征权重fu；S4、基于Mean‑shift跟踪算法并结合密集区域特征权重fu，预测跟踪目标在下一帧输入图像中的位置坐标；S5、在视频流图像中每隔若干帧，循环执行所述步骤S2至步骤S4，以对跟踪目标进行更新及跟踪。在本发明专利技术中，减低了外界干扰对目标跟踪时的干扰，提高对目标的跟踪效果，克服了单一采用Mean‑shift算法中由于目标与背景灰度值比较接近所导致的跟踪失败的缺陷。

【技术实现步骤摘要】
一种结合密集特征的Mean-shift跟踪方法
本专利技术涉及视频检测
，尤其涉及一种结合密集特征的Mean-shift跟踪方法。
技术介绍
众所周知，对目标位置的准确跟踪是计算机视频检测
的核心问题，在人机交互、视频监控、增强现实中有广泛的应用。在更高级的任务，如场景理解、动作识别中，目标跟踪也扮演着重要的角色。在跟踪过程中，当跟踪目标的环境变化时，会引起噪声，遮挡以及闭塞问题，为了解决上述问题，现有技术已经公开了诸多算法。目前，大多数跟踪算法都可以看成每一帧的目标检测问题，即基于tracking-by-detection框架下的问题。该框架下的跟踪算法对外观模型的准确描述很敏感，一旦出现跟踪漂移，错误的跟踪位置必定导致不准确的外观模型，基于不准确的外观模型很难再找回跟踪目标。在外观模型不准确导致目标跟踪错误时，若能及时矫正跟踪位置，则跟踪的准确度会大大提升，跟踪漂移对跟踪算法的影响也会相应下降。此外，对目标跟踪的现有技术中还有Mean-shift算法。Mean-shift算法采用直方图的方法，在视频序列帧中，对目标区域中的灰度值或者像素值进行概率密度统计，从而建立目标本文档来自技高网...

【技术保护点】
结合密集特征的Mean‑shift跟踪方法，其特征在于，包括以下步骤：S1、获取监控区域的视频流图像作为输入图像；S2、通过背景建模法获取背景图像，采用背景差分运算获得跟踪目标区域；S3、获取跟踪目标区域中具有相同灰度值的像素密集区域，并计算相应灰度值密集区域的面积及离心距离，以计算密集区域特征权重fu；S4、基于Mean‑shift跟踪算法并结合密集区域特征权重fu，预测跟踪目标在下一帧输入图像中的位置坐标；S5、在视频流图像中每隔若干帧，循环执行所述步骤S2至步骤S4，以对跟踪目标进行更新及跟踪。

【技术特征摘要】
1.结合密集特征的Mean-shift跟踪方法，其特征在于，包括以下步骤：S1、获取监控区域的视频流图像作为输入图像；S2、通过背景建模法获取背景图像，采用背景差分运算获得跟踪目标区域；S3、获取跟踪目标区域中具有相同灰度值的像素密集区域，并计算相应灰度值密集区域的面积及离心距离，以计算密集区域特征权重fu；S4、基于Mean-shift跟踪算法并结合密集区域特征权重fu，预测跟踪目标在下一帧输入图像中的位置坐标；S5、在视频流图像中每隔若干帧，循环执行所述步骤S2至步骤S4，以对跟踪目标进行更新及跟踪。2.根据权利要求1所述的结合密集特征的Mean-shift跟踪方法，其特征在于，所述步骤S1具体为：通过摄像机获取监控区域的视频流图像作为输入图像，所述监控区域位于摄像机的正下方。3.根据权利要求1所述的结合密集特征的Mean-shift跟踪方法，其特征在于，所述步骤S2具体为：首先，以包含当前帧图像在内的前10帧输入图像为基础，通过中值滤波运算获取同一像素位置处出现灰度值的中值作为背景帧图像相应像素位置处灰度值，进而获取背景图像；然后，将当前帧图像与背景图像进行差分运算，并将差分结果与阈值T进行比较，提取灰度值大于阈值T的像素区域；最后，使用矩形框框选出跟踪目标区域。4.根据权利要求3所述的集合密度特征的Mean-shift跟踪方法，其特征在于，所述阈值T＝20，所述矩形框的规格为包含跟踪目标区域的最大矩形框。5.根据权利要求1所述的结合密集特征的Mean-shift跟踪方法，其特征在于，所述步骤S3具体为：获取相同灰度值u在跟踪目标区域中的灰度值密集区域，并计算相应灰度值密集区域的面积及离心距离du，结合灰度值密集区域的面积及离心距离du，计算灰度值密集区域的密集区域特征权重fu。6.根据权利要求5所述的结合密集特征的Mean-shift跟踪方法，其特征在于，所述“...

【专利技术属性】
技术研发人员：吕楠，张丽秋，
申请(专利权)人：江苏慧眼数据科技股份有限公司，
类型：发明
国别省市：江苏,32