一种视频运动目标自适应窗口的跟踪方法

专利名称：一种视频运动目标自适应窗口的跟踪方法
技术领域：
本发明涉及机器视觉与模式识别技术，特别涉及一种视频运动目标自适应窗口的跟踪方法。

背景技术：
在自动监视、交通管理、视觉导航、机器人技术等诸多领域的应用中，视频运动目标跟踪是机器视觉与模式识别领域研究的热点问题之一，其核心问题是当被跟踪目标相对摄像机或摄影机运动时，如何在视频序列的每帧图像中表示目标区域的连续对应性的问题。但该问题能够通过转化为对连续帧中的目标区域进行匹配的问题来解决。
在目前现有的匹配跟踪方法中，有一种方法称为均值平移(mean-shift)方法，该方法是指以核函数加权下的直方图来描述图像目标，利用相似性函数度量初始帧目标模型和当前帧候选模型的相似性，通过求相似性函数最大得到关于目标的均值平移向量的迭代过程。其作为一种高效的模式匹配算法，由于不需要进行穷尽搜索，且该方法以其出色的搜索效率、无需参数的初始化过程和对边缘遮挡的鲁棒(Robust)性即稳定性，较好地兼顾了目标跟踪算法对实时性和稳健性的要求，已经成功地应用在对实时性要求较高的目标跟踪领域中。在均值平移跟踪算法中，核函数的窗宽的大小起着非常重要的作用，因为它不但决定了参与均值平移迭代的样本数量，而且也反映了跟踪窗口的尺寸大小。所述核函数的窗宽，是指候选目标模型区域的尺寸。它的大小对跟踪的成功与否起着非常重要的作用，因为它不但决定了参与均值平移迭代的样本数量，而且也反映了跟踪窗口的尺寸大小。
然而，均值平移方法的一个缺陷是核函数的窗宽不能随目标尺寸大小的变化而变化，使得当目标在图像中尺寸变化较大的时候，目标跟踪窗口不能准确地描述目标尺寸和位置，从而导致了跟踪误差，常常会造成跟踪目标的丢失。
有关自适应跟踪窗口的改进算法及技术，在公开号为CN1619593A的申请文件中已有披露，但只适用于彩色或多图像传感器合成的视频序列，对图像传感器的要求较高，且需要对所采用的遗传算法进行复杂的相似度计算，计算开销大，不利于实现对目标的实时跟踪；有关均值平移方法的自适应跟踪窗口的改进算法，在公开号为CN1794264A的申请文件中也有披露，该专利采用的跟踪方法是对被跟踪目标窗宽大小的不准确描述，当目标尺寸在视频序列中发生变化时，该跟踪方式不能对目标尺寸进行精确估计，随着跟踪的继续进行，容易导致跟踪失败。


发明内容
有鉴于此，本发明的主要目的在于提供一种视频运动目标自适应窗口的跟踪方法，以实现跟踪窗口根据运动目标在视频序列帧中位置和尺寸而自适应地实时调整，提高跟踪效果的稳定性和准确性。
为达到上述目的，本发明的技术方案是这样实现的 一种视频运动目标自适应窗口的跟踪方法，该方法包括如下步骤 a、读入视频序列，对视频序列帧中的待跟踪运动目标进行检测，得到该目标的初始中心位置

及初始尺寸V0信息； b、利用从步骤a中获得的初始中心位置

及初始尺寸V0信息，并提取待跟踪运动目标特征的分布统计信息，建立高斯混合模型作为目标模板； c、读入视频序列的下一帧图像，利用期望最大化EM算法迭代计算高斯混合模型参数，得到与目标模板相匹配的候选模板； d、根据EM算法迭代计算的结果更新跟踪窗口的中心位置、尺寸及方向，并判断读入的图像帧是否为最后一帧，若是则结束当前处理，否则返回步骤c。
步骤a所述对视频序列帧中的待跟踪运动目标进行检测，具体过程是对该帧图像采用差分法或光流法算法进行检测，得到均值向量作为该目标所在区域的中心位置，得到的高斯协方差矩阵V0作为该目标所在区域的初始尺寸，
其中σ1和σ2为待跟踪目标特征分布的标准差，ρ为特征分布的相关系数，将协方差矩阵V0的两个特征值的平方根作为待跟踪目标所在区域的长轴和短轴，将相关系数ρ经转换作为旋转角度，用以描述待跟踪目标所在区域的方向。
步骤b所述建立高斯混合模型作为目标模板，具体过程是 将待跟踪目标所在区域的中心位置

及初始尺寸V0分别作为高斯分布的均值向量和协方差矩阵，再利用二维高斯分布的概率密度函数描述目标模板，该目标模板
其中

是二维高斯分布的概率密度函数；δ是Delta函数；

为待跟踪目标所在区域内像素的总个数；函数

是位于

处的像素灰度级的映射；j为直方图中灰度级索引，j＝1，2，...，c，c为直方图上灰度级的总数；Ch是归一化常数。
步骤c所述利用EM算法迭代计算高斯混合模型参数的过程，包括如下步骤 c1、将从步骤a中所得的待跟踪目标的初始中心位置及初始尺寸赋初值作为迭代计算的初值； c2、计算由当前帧图像中被跟踪目标的中心位置

及尺寸V(t)所确定的候选目标的高斯混合分布模型，以此作为候选模板，并利用步骤b所得的目标模板与该候选模板计算先验权值； c3、执行EM算法，计算高斯混合模型参数，得到当前帧的中心位置

和尺寸V(t+1)信息； c4、根据迭代终止条件判断是否终止EM算法，若判断到参数收敛，则结束本轮迭代过程，得到与目标模板相匹配的候选模板；否则，执行步骤c5； c5、利用步骤c3得到的

和V(t+1)分别赋给

和V(t)，作为被跟踪运动目标的新中心位置和尺寸，以此确定新的迭代点对应的中心位置和尺寸所确定的跟踪区域，然后执行步骤c2。
步骤d所述更新跟踪窗口的中心位置、尺寸及方向，具体过程为 将获得的高斯混合模型参数，包括均值向量和协方差矩阵，将该均值向量作为新跟踪窗口的中心位置，以协方差矩阵的两个特征值的平方根作为新跟踪窗口的长轴和短轴，用通过对协方差矩阵的相关系数换算得到的角度值作为新跟踪窗口的旋转方向，以中心位置、长轴、短轴及角度值描述当前被跟踪目标的更新窗口，从而表示跟踪结果，然后将前一帧图像中被跟踪目标位置、尺寸和跟踪窗口信息作为下一帧图像迭代的输入量。
步骤c2所述候选模板为

其中

和V分别是候选目标的中心位置和尺寸。
步骤c2所述先验权值公式为

其中函数

是位于

处的像素灰度级映射；j为直方图中灰度级索引，j＝1，2，...，c，c为直方图上灰度级的总数。
步骤c3所述EM算法，包括如下步骤 c31、执行E步迭代，具体为保持

和V(t)不变，计算βi(t+1)使得G最大化， c32、执行M步迭代，具体为保持β不变，估计

和V(t+1)使得式中的G最大化，经公式推导得到其中α为平衡因子。
步骤c4所述迭代终止条件，是指其中ε为一个大于0的正数。
本发明所提供的视频运动目标自适应跟踪窗口的算法，具有以下的优点 1)本方法通过提取待跟踪目标的分布统计信息建立高斯混合模型，准确地描述了目标的位置信息和尺寸信息，提高了本发明方法对被跟踪目标的可靠性。
2)采用参数估计的方法，跟踪过程中利用EM算法迭代计算模型参数，根据参数估计的结果确定新的跟踪窗口位置和尺寸，实现了跟踪窗口的自适应调整，使得在准确提取目标特征的分布统计信息的同时，减少了背景信息的影响，进一步提高了跟踪过程中目标信息的可靠性；同时，保证了跟踪过程不受目标在图像中尺寸剧烈变化的影响，大大提高了跟踪过程的稳定性。
3)由于本自适应窗宽跟踪方法所采用的EM算法的计算开销并不大，因而对被跟踪目标进行跟踪具有较好的实时性。
4)利用本发明方法所获得的视频序列中被跟踪目标不断更新的准确位置和尺寸，可以为摄影机或摄像机自动变焦和自动随运动目标转动提供控制参数，从而达到了提高整个跟踪系统鲁棒性的作用。



图1为本发明视频序列处理过程总体流程图； 图2为本发明EM算法迭代计算模型参数的流程图； 图3(a)为高斯混合模型的二维分布曲面示意图； 图3(b)为高斯混合模型的二维分布曲面平面投影示意图； 图3(c)为本发明利用EM算法进行参数估计得到的模型示意图； 图4(a)为本发明实施例视频序列中被跟踪目标由远及近时的第1帧的跟踪效果示意图； 图4(b)为本发明实施例视频序列中被跟踪目标由远及近时的第63帧的跟踪效果示意图； 图4(c)为本发明实施例视频序列中被跟踪目标由远及近时的第278帧的跟踪效果示意图； 图5(a)为本发明实施例视频序列中被跟踪目标由近及远时的第18帧的跟踪效果示意图； 图5(b)为本发明实施例视频序列中被跟踪目标由近及远时的第229帧的跟踪效果示意图； 图5(c)为本发明实施例视频序列中被跟踪目标由近及远时的第308帧的跟踪效果示意图。

具体实施例方式 下面结合附图及本发明的实施例对本发明作进一步详细的说明。
本发明的核心思想是提供一种稳健、实时的视频运动目标自适应跟踪窗口的跟踪方法，通过对视频序列初始帧中的运动目标进行检测，得到了待跟踪目标的初始位置和尺寸信息后，建立初始高斯混合模型，作为目标模板，然后根据下一帧图像中的跟踪目标特征的分布统计信息计算候选模板，由两个模板计算像素的先验权值，运用期望最大化(EM，Expectation Maximization)算法迭代计算得到模型参数，从而得到与目标模板最相似的候选模板，再以该候选模板作为目标模板，进行EM算法迭代计算，使获得的模型参数不断更新，从而使跟踪目标在序列帧中位置和尺寸自适应跟踪窗口。
本发明方法可对摄影机或摄像机实时拍摄获得的视频序列进行处理，也可对预先获得的视频文件进行处理。
图1为本发明视频序列处理过程总体流程图，如图1所示，本发明方法的实现包括如下步骤 步骤101读入视频序列，将视频文件读入目标跟踪系统的缓冲区，对视频序列第一帧中的运动目标进行检测，得到待跟踪目标的初始位置和尺寸信息。
所述目标跟踪系统，是指具有对视频信息进行处理的计算机系统或类似装置。
所述对运动目标进行检测，具体是对当前图像采用差分法或光流法等算法进行检测，得到的待跟踪目标所在区域的中心位置

即均值向量和初始尺寸V0，初始尺寸用高斯协方差矩阵V0表示
其中σ1和σ2用来表示待跟踪目标特征分布的标准差，ρ表示特征分布的相关系数。协方差矩阵V0的两个特征值的平方根表示待跟踪目标所在区域的长轴和短轴，相关系数ρ可以换算成为旋转角度，用于描述待跟踪目标所在区域的方向。
所述的差分法，包括帧间差分法和背景差分法，帧间差分法是指利用视频序列相邻或相关帧之间相减而获取运动目标；背景差分法是指采用视频序列中的当前帧和背景参考模型的差值运算来检测运动目标。
所述光流法，是指利用视频序列的相邻两帧图像计算得到光流场的强度分布，并根据强度分布检测目标的轮廓位置从而分割出运动目标的方法。光流是指物体在光源照射下表面灰度模式的变化，光流反映了在时间间隔dt内由于运动所造成的图像变化，光流场是通过二维图像来表示物体点的三维运动速度场。
步骤102利用从步骤101中获得的初始中心位置

及初始尺寸V0信息，并提取待跟踪运动目标特征的分布统计信息，建立高斯混合模型作为目标模板。
所述待跟踪运动目标特征，是指运动目标的灰度、颜色、纹理或其他图像特征量，如色调和饱和度等。在描述这些特征量的分布时，采用了带空间位置信息的加权概率密度函数，即特征量强度的高斯混合模型，由于该模型考虑了像素的空间位置信息，因而提高了描述特征量的鲁棒性即稳健性。
本实施例以提取运动目标的灰度特征为例(颜色、纹理等图像特征量的提取与此做法类似)，说明利用待跟踪目标特征的分布统计信息建立高斯混合模型的过程 令经步骤101所得到的待跟踪目标所在区域的中心位置和初始尺寸V0分别为高斯分布的均值向量和协方差矩阵，则 二维高斯分布的概率密度函数可表示为 因此，目标模板的高斯混合模型可用如下公式描述
其中δ是Delta函数，

为待跟踪目标所在区域内像素的总个数，函数

是位于

处的像素灰度级的映射，j为直方图中灰度级索引，j＝1，2，...，c，(c为直方图上灰度级的总数)，Ch是归一化常数。
步骤103将视频序列的下一帧图像读入缓存区，利用EM算法迭代计算当前帧中被跟踪目标的高斯混合模型参数，得到与目标模板最相似的候选模板。
所述EM算法，是一种迭代求解非完备数据条件下极大似然参数估计的算法，即给定某个量测数据x以及用参数θ描述的模型，求得使似然函数最大时的θ值，可用如下公式表达该算法在绝大多数情况下具有可靠的全局收敛性。本发明中的视频运动目标跟踪问题可被认为是一个非完备数据问题，因此，可利用EM算法框架对描述目标位置和尺寸信息的参数进行估计，并以估计出的参数实现目标跟踪窗口的自适应。
所述被跟踪目标的高斯混合模型参数为均值向量，即目标中心位置；协方差矩阵即目标的尺寸。
因此，目标跟踪过程，可以看作在当前帧中搜索与目标模板最相似的候选模板的过程，把目标跟踪问题转化为求解目标模板与候选模板之间相似度系数最大化的问题。
所述候选模板为
其中

和V分别是候选目标的中心位置和尺寸描述。
所述的相似度系数为Bhattacharya系数
其中

是目标模板，

是候选模板。
步骤104根据EM迭代计算的结果，更新自适应跟踪窗口的中心位置、尺寸及方向。
所述更新自适应跟踪窗口的中心位置、尺寸及方向，具体过程如下将获得的高斯混合模型参数，包括均值向量和协方差矩阵两部分，将该均值向量作为新跟踪窗口的中心位置，以协方差矩阵的两个特征值的平方根作为新跟踪窗口的长轴和短轴，跟踪窗口的旋转方向用通过对协方差矩阵的次对角线元素即相关系数换算得到的角度值表示，由位置、长轴、短轴及角度值近似描述当前待跟踪目标的更新窗口，从而表示跟踪结果。将前一帧图像中待跟踪目标位置、尺寸和跟踪窗口等信息都作为下一帧图像迭代的输入量，重复步骤103～步骤104，该跟踪过程总能找到高斯混合分布与目标模型最相似的模式，因此，该模式分布能与所跟踪的目标相匹配。
所述的角度是指跟踪窗口的长轴与图像坐标系的横轴正半轴的夹角。
步骤105判断读入的视频序列帧是否为最后一帧，如果是最后一帧，就结束本次跟踪过程；否则，返回执行步骤103。
所述判断读入的视频序列是否为最后一帧，是通过读取跟踪系统的视频序列是否结束或接收到系统发出的停止跟踪指令来完成的。
以上为本发明处理方法的全过程描述，下面针对本发明步骤103进行详细描述 已知初始帧中待跟踪目标中心位置

协方差矩阵V0以及目标模型

进行EM迭代，在迭代过程中，设

和V(t)为第t步的输入值，图2为本发明EM算法迭代计算模型参数的流程图，如图2所示，利用EM算法迭代计算当前帧中跟踪目标的高斯混合模型参数的过程，包括如下步骤 步骤200首先将从步骤101得到的当前(初始)帧中的待跟踪目标的初始中心位置即均值向量

和初始尺寸即初始协方差矩阵V0作为迭代初值。
步骤201计算由当前帧中的待跟踪目标的中心位置

和尺寸V(t)确定的候选目标的高斯混合分布模型，作为候选模板
所述候选模板为
其中

和V分别是候选目标的位置和尺寸描述。
步骤202用目标模板和候选模板计算出先验权值
根据上述步骤，目标模板和候选模板均为已知，这里相似度系数为Bhattacharya系数
其中

是目标模板，

是候选模板；将公式(5)进行泰勒(Taylor)展开，得到 式(6)中，

为先验权值
其中函数

是位于

处的像素灰度级映射，j为直方图中灰度级索引，j＝1，2，...，c，c为直方图上灰度级的总数。公式(7)的表示的含义是在当前帧中，如果像素

的灰度值

在目标模型中占的比例越大，

就越大，意味着

是目标中像素点的概率也就越大。
令 可以看出，为了使ρ取得最大值，则必须让f取得最大值。而最大化f可以用EM迭代算法对f中高斯模型参数

和V求取最优估计实现。那么，使得ρ取最大值的两个参数

和V就代表了当前帧中目标的位置和尺寸值。
步骤203进行EM迭代计算，其中E步迭代为 保持

和V(t)不变，计算βi(t+1)使得G最大化，计算公式如下 根据琴生(Jensen)不等式，高斯混合模型满足下式 其中βi为满足且βi>0的任意常数。
然后，进行EM迭代计算的M步迭代 保持β不变，估计

和V(t+1)使得公式(10)中的G最大化，即 公式(11)中由(11)式可得 式中α为平衡因子，它的理论值是1，但在实际应用中它取决于图像背景噪声对目标图像的影响程度。虽然α的误差会导致公式(13)的计算误差，但是由于EM算法的迭代自适应性，这个误差是可以接受的，在本实施例中取α≈1.2。
步骤204根据迭代终止条件，判断是否终止EM算法，若判断到参数收敛，执行步骤206；否则，执行步骤205并返回步骤201继续进行下一轮的迭代计算。
所述EM算法的迭代终止条件是 其中ε为充分小的正数，在计算过程中，ε选取的越小，获得的参数精度越高，即目标的跟踪精度越高，但是随之带来的是迭代次数增多，算法的实时性变差，因此在实际中，只能在两者之间折衷考虑来选取合适的ε。
在本实施例中选取一个像素值作为ε，即将迭代过程中前后两步参数差值的范数值小于一个像素值，计算收敛。所述范数值，对于均值向量θ是指向量的无穷范数，即向量中所有元素绝对值的最大值，对于协方差矩阵V是指矩阵的无穷范数，即矩阵中每行元素绝对值求和的最大值。
所述像素值是指摄影机或摄像机的分辨率，它是由摄影机或摄像机里的光电传感器上的光敏元件数目所决定的，一个光敏元件就对应一个像素。
步骤205将

和V(t+1)分别赋给

和V(t)继续迭代，并确定新的迭代点位置和尺寸所确定的区域，然后执行步骤201。
所述确定新的迭代点位置和尺寸，是指将

和V(t+1)分别赋给

和V(t)，代入候选模板即公式(4)中继续迭代。
步骤206结束本轮迭代过程，得到与目标模板相匹配的候选模板。
此时，用新的估计值

和V(t+1)作为被跟踪运动目标的新的中心位置和尺寸，将结果赋予步骤104，进行跟踪窗口的更新，直到跟踪处理过程结束。
图3(a)为高斯混合模型的二维分布曲面示意图，用以描述被跟踪运动目标的模型。
图3(b)为高斯混合模型的二维分布平面投影示意图，如图3(b)所示，是对二维高斯分布曲面在取高度相等的点时，得到的一系列相似且方向一致的椭圆。根据高斯分布的“3-sigma规则”，取3倍标准差范围时得到的椭圆将包含99％以上的数据点。
图3(c)为本发明利用EM算法进行参数估计得到的模型示意图，如图3(c)所示，用EM迭代算法对所得到的当前帧中待跟踪目标的高斯混合模型参数，得出的椭圆和高斯分布等高椭圆是一致的。
图4(a)、图4(b)、图4(c)分别为本发明实施例视频序列中被跟踪目标由远及近时的第1帧、第63帧、第278帧的跟踪效果示意图。如图所示，每一幅图的右上角为目标区域局部放大图。当目标发生转弯时，跟踪窗口可以及时调整尺寸和方向，准确描述目标。
图5(a)、图5(b)、图5(c)分别为本发明实施例视频序列中被跟踪目标由近及远时的第18帧、第229帧、第308帧的跟踪效果示意图。如图所示，每一幅图中右下角为目标区域局部放大图。当目标逐渐远离摄影机或摄像机时，跟踪窗口可以随目标的图像尺寸变小而变小，在准确描述目标尺寸的同时，减少背景信息的影响。
以上所述，仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。
权利要求
1.一种视频运动目标自适应窗口的跟踪方法，其特征在于，该方法包括如下步骤
a、读入视频序列，对视频序列帧中的待跟踪运动目标进行检测，得到该目标的初始中心位置
及初始尺寸V0信息；
b、利用从步骤a中获得的初始中心位置
及初始尺寸V0信息，并提取待跟踪运动目标特征的分布统计信息，建立高斯混合模型作为目标模板；
c、读入视频序列的下一帧图像，利用期望最大化EM算法迭代计算高斯混合模型参数，得到与目标模板相匹配的候选模板；
d、根据EM算法迭代计算的结果更新跟踪窗口的中心位置、尺寸及方向，并判断读入的图像帧是否为最后一帧，若是则结束当前处理，否则返回步骤c。
2.根据权利要求1所述的跟踪方法，其特征在于，步骤a所述对视频序列帧中的待跟踪运动目标进行检测，具体过程是对该帧图像采用差分法或光流法算法进行检测，得到均值向量作为该目标所在区域的中心位置，得到的高斯协方差矩阵V0作为该目标所在区域的初始尺寸，
其中σ1和σ2为待跟踪目标特征分布的标准差，ρ为特征分布的相关系数，将协方差矩阵V0的两个特征值的平方根作为待跟踪目标所在区域的长轴和短轴，将相关系数ρ经转换作为旋转角度，用以描述待跟踪目标所在区域的方向。
3.根据权利要求1所述的跟踪方法，其特征在于，步骤b所述建立高斯混合模型作为目标模板，具体过程是
将待跟踪目标所在区域的中心位置
及初始尺寸V0分别作为高斯分布的均值向量和协方差矩阵，再利用二维高斯分布的概率密度函数描述目标模板，该目标模板
其中
是二维高斯分布的概率密度函数；δ是Delta函数；
为待跟踪目标所在区域内像素的总个数；函数
是位于
处的像素灰度级的映射；j为直方图中灰度级索引，j＝1，2，...，c，c为直方图上灰度级的总数；Ch是归一化常数。
4.根据权利要求1所述的跟踪方法，其特征在于，步骤c所述利用EM算法迭代计算高斯混合模型参数的过程，包括如下步骤
c1、将从步骤a中所得的待跟踪目标的初始中心位置及初始尺寸赋初值作为迭代计算的初值；
c2、计算由当前帧图像中被跟踪目标的中心位置
及尺寸V(t)所确定的候选目标的高斯混合分布模型，以此作为候选模板，并利用步骤b所得的目标模板与该候选模板计算先验权值；
c3、执行EM算法，计算高斯混合模型参数，得到当前帧的中心位置
和尺寸V(t+1)信息；
c4、根据迭代终止条件判断是否终止EM算法，若判断到参数收敛，则结束本轮迭代过程，得到与目标模板相匹配的候选模板；否则，执行步骤c5；
c5、利用步骤c3得到的
和V(t+1)分别赋给
和V(t)，作为被跟踪运动目标的新中心位置和尺寸，以此确定新的迭代点对应的中心位置和尺寸所确定的跟踪区域，然后执行步骤c2。
5.根据权利要求1所述的跟踪方法，其特征在于，步骤d所述更新跟踪窗口的中心位置、尺寸及方向，具体过程为
将获得的高斯混合模型参数，包括均值向量和协方差矩阵，将该均值向量作为新跟踪窗口的中心位置，以协方差矩阵的两个特征值的平方根作为新跟踪窗口的长轴和短轴，用通过对协方差矩阵的相关系数换算得到的角度值作为新跟踪窗口的旋转方向，以中心位置、长轴、短轴及角度值描述当前被跟踪目标的更新窗口，从而表示跟踪结果，然后将前一帧图像中被跟踪目标位置、尺寸和跟踪窗口信息作为下一帧图像迭代的输入量。
6.根据权利要求1或4所述的跟踪方法，其特征在于，步骤c2所述候选模板为
其中
和V分别是候选目标的中心位置和尺寸。
7.根据权利要求1或4所述的跟踪方法，其特征在于，步骤c2所述先验权值公式为
其中函数
是位于
处的像素灰度级映射；j为直方图中灰度级索引，j＝1，2，...，c，c为直方图上灰度级的总数。
8.根据权利要求1或4所述的跟踪方法，其特征在于，步骤c3所述EM算法，包括如下步骤
c31、执行E步迭代，具体为保持
和V(t)不变，计算βi(t+1)使得G最大化，
c32、执行M步迭代，具体为保持β不变，估计
和V(t+1)使得式中的G最大化，经公式推导得到其中α为平衡因子。
9.根据权利要求1或4所述的跟踪方法，其特征在于，步骤c4所述迭代终止条件，是指其中ε为一个大于0的正数。
全文摘要
本发明公开了一种视频运动目标自适应窗口的跟踪方法，涉及机器视觉与模式识别技术。将视频序列的一帧图像读入缓存区，获得该帧中被跟踪目标的初始位置和尺寸信息，然后提取目标特征的分布统计信息建立高斯混合模型作为目标模板，用高斯混合分布的均值向量和协方差矩阵描述目标的位置和尺寸，再将视频序列下一帧图像读入缓存区，在新一帧视频图像中利用参数估计方法迭代计算当前帧中目标高斯混合模型参数找到与目标模板最相似的候选模板，利用迭代得到的最终模型参数更新跟踪窗口实现跟踪窗宽的自适应。这种运动目标自适应窗口的跟踪方法，可使跟踪的可靠性大大提高，并可广泛应用于机器人技术、视觉导航、自动监视、交通管理等诸多领域。
文档编号G06T7/20GK101369346SQ200710120228
公开日2009年2月18日 申请日期2007年8月13日 优先权日2007年8月13日
发明者睿 王, 王原野, 林 王 申请人:北京航空航天大学