基于Meanshift、卡尔曼滤波和图像匹配的目标跟踪方法技术

本发明专利技术提供基于Meanshift、卡尔曼滤波和图像匹配的目标跟踪方法。本发明专利技术一方面采用Meanshift中的Kroneckerdelta函数和相似度函数，通过迭代的不断更新，将目标特征空间进行量化，并快速衡量目标模型和候选的目标模型的相似度，使得目标追踪过程能达到更高的准确率；另一方面采用卡尔曼滤波和图像匹配方法，能够减少外界不良因素对目标追踪过程的干扰，对目标进行精准定位，获得更加准确、更加清晰的目标信息。采用图像匹配的方法可以消除外界环境干扰，通过比较每一帧图像中目标出现的可靠位置，精确锁定目标所在位置。

【技术实现步骤摘要】
基于Meanshift、卡尔曼滤波和图像匹配的目标跟踪方法
本专利技术属于视频对象检测与跟踪
，尤其涉及一种基于Meanshift、卡尔曼滤波和图像匹配的目标跟踪方法。
技术介绍
目标跟踪技术一直是计算机视觉研究领域中的热点之一，各种不同模式的目标跟踪方法层出不穷，传统的目标跟踪方法有：基于实时检测的目标跟踪，基于模板匹配的目标跟踪，基于贝叶斯滤波的目标跟踪等，这些目标跟踪方法实现的作用是单方面，在目标跟踪过程中，目标的不定向运动改变了目标和场景的外观模式，另外，环境的复杂、目标间及目标与场景间的遮挡等情况的出现，这使得传统的目标跟踪方法任务变得更加困难。依据运动的表达和相似性度量运动目标跟踪算法可以分为四类：基于主动轮廓的跟踪、基于特征的跟踪，基于区域的跟踪和基于模型的跟踪。跟踪算法的精度和鲁棒性很大程度上取决于运动目标的表达和相似性度量的定义，跟踪算法的实时性取决于匹配搜索策略和滤波预测算法。1、基于主动轮廓的跟踪：Kass提出的主动轮廓模型，在图像域内定义可变曲线，通过对其能量函数的最小化，动态轮廓逐步调整自身形状与目标轮廓相一致。优点：将图像的灰度信息和整体轮廓的几何信本文档来自技高网...

【技术保护点】
1.基于Meanshift、卡尔曼滤波和图像匹配的目标跟踪方法，其特征在于，包括如下步骤：步骤(一)，获取目标模板，设定初始帧图像中候选目标区域，计算目标特征向量和候选目标特征向量，通过MeanShift跟踪算法计算目标特征向量与候选目标特征向量的偏移值，从而确定初始帧中最佳候选目标的初步位置；步骤(二)，采用卡尔曼滤波方法建立最佳候选目标的运动过程模型和观测模型，确定最佳候选目标初始位置在下一帧图像可能出现的可靠位置；步骤(三)，采用图像匹配方法，整合每一帧图像图像中的最佳候选目标，形成连续区域，再次采用meanshift计算连续最佳候选目标区域与模板匹配后的目标区域之间的方向偏移值，当偏移...

【技术特征摘要】
1.基于Meanshift、卡尔曼滤波和图像匹配的目标跟踪方法，其特征在于，包括如下步骤：步骤(一)，获取目标模板，设定初始帧图像中候选目标区域，计算目标特征向量和候选目标特征向量，通过MeanShift跟踪算法计算目标特征向量与候选目标特征向量的偏移值，从而确定初始帧中最佳候选目标的初步位置；步骤(二)，采用卡尔曼滤波方法建立最佳候选目标的运动过程模型和观测模型，确定最佳候选目标初始位置在下一帧图像可能出现的可靠位置；步骤(三)，采用图像匹配方法，整合每一帧图像图像中的最佳候选目标，形成连续区域，再次采用meanshift计算连续最佳候选目标区域与模板匹配后的目标区域之间的方向偏移值，当偏移值小于某阈值Σ或者迭代次数小于p时，确定目标所在位置，并退出迭代，否则重复步骤(一)-(三)。2.如权利要求1所述的基于Meanshift、卡尔曼滤波和图像匹配的目标跟踪方法，其特征在于：步骤(一)中确定初始帧中最佳候选目标的初步位置的具体实现方法如下，首先计算目标特征向量：候选目标特征向量：上述两式中，δ(·)是Kroneckerdelta函数，k(·)是核函数,b(x)是将特征空间进行量化过程中像素值的量化值，公式中的C和Ch都是归一化常数，h为目标所在区域的窗宽，u为特征值大小，m为特征值的个数，nh为窗宽为h的目标区域的像素点个数,y为目标窗口的中心点坐标，xi为目标窗口中第i个像素点的坐标；然后计算目标特征向量和候选目标特征向量之间的距离，即两者之间的偏移值：其中被命名为Bhattacharyya系数；最后，使(3)式函数值最小，即Bhattacharyya系数最大化，从而确定初始帧中最佳候选目标的初步位置。3.如权利要求1所述的基于Meanshift、卡尔曼滤波和图像匹配的目标跟踪方法，其特征在于：步骤(二)的具体实现方式如下，1)根据牛顿运动定理构建基本...

【专利技术属性】
技术研发人员：陶青，胡晨，刘顿，陈列，娄德元，杨奇彪，翟中生，郑重，成健，
申请(专利权)人：湖北工业大学，
类型：发明
国别省市：湖北,42