基于多特征联合与MeanShift算法的多目标跟踪方法与流程

技术特征：

1.一种基于多特征联合与Mean Shift算法的多目标跟踪方法，其特征在于，包括以下步骤：

步骤S100：采用多帧图像平均法得到初始背景模型，根据所得背景模型采用帧差法对视频图像中的背景进行更新，采用背景差法对背景进行差分，然后对背景差分所得视频图像的进行二值化，得到二值图像；

步骤S200：对所述二值图像依序进行去噪和多目标分割，得到包含运动目标轮廓的分割图像；

步骤S300：将RGB模型下的R,G,B分量特征、HIS模型下的H,S分量和灰度直方图作为待跟踪目标特征分量进行多特征联合后得到分割图像中跟踪目标位置的中心点，之后通过Mean Shift迭代寻优以跟踪目标位置的中心点作为起始点，在候选区域内找到巴特查理亚系数最大的候选区域作为待追踪目标的跟踪结果，Mean Shift迭代收敛条件为预设，然后更新待跟踪目标的收敛位置；

重复步骤S100～S200完成对待跟踪目标在每一帧图像中的跟踪，至视频结束。

2.根据权利要求1所述的基于多特征联合与Mean Shift算法的多目标跟踪方法，其特征在于，所步骤S300包括以下步骤：

步骤S310：多特征联合提取：计算各特征分量的权值后，对各特征分量的跟踪结果进行权值归一化，并对各特征分量得到的跟踪目标位置中心点进行加权值融合，得到追踪目标位置中心点；

设当前帧初始目标的特征向量为：

V(t)＝{V_i(t)i＝1,...,n} (28)

其中t代表当前帧，n则表示了使用特征的种数，V_i(t)表示了每一种特征的特征向量；以根据每种特征进行跟踪后确定的候选区域的特征向量为V_i(t+1)；

按公式(29)计算得到的欧氏距离作为各特征向量之间相似度的测量标准，前后两帧图像的某一特征向量的相似度越高，则该特征的权值就越高，反之，则该特征向量的权值越低，

其中，d_i为V_i的维度，S_i为各特征之间的相似度，取值范围为0～1，

按公式(30)得到每个特征向量的权值ω_i：

将特征向量权值ω_i小于阈值T对应的该特征分量从整体的特征向量中去除，然后根据公式(31)～(32)重新归一化权值：

ω_i＝0 ω_i<T (31)

按公式(33)即可根据该权值得到跟踪目标的位置中心点(x(t+1),y(t+1))，

其中，(x_i(t+1),y_i(t+1))为每种特征单独跟踪所得跟踪目标的位置中心点。

3.根据权利要求1所述的基于多特征联合与Mean Shift算法的多目标跟踪方法，其特征在于，所述步骤S100中包括以下步骤：

步骤S110：初始化背景模型。采用多帧图像平均法按公式(4)计算出初始背景图像B_k(x,y,t)，

其中，I_k(x,y,k)表示第k帧图像在点(x,y,k)处的像素值，N为统计的帧数。

步骤S120：对待处理视频图像的当前帧与前一帧通过帧差法进行差分，以对当前帧进行背景更新，按公式(5)对得到的帧差结果进行二值化，并将所述帧差结果作为前景目标，

其中，I(x,y,t+1)、I(x,y,t)分别表示当前帧图像和该当前帧的前一帧图像，|I(x,y,t+1)-I(x,y,t)|表示差分图像，T′为阈值，通过自适应迭代法确定；

然后按式(6)利用B′(x,y,t+1)来进行背景更新：

式中，α为更新因子，B(x,y,t)为初始化背景模型，αI(x,y,t+1)+(1-α)B(x,y,t)表示前景目标图像；

步骤S130：利用背景差法对当前帧图像中的运动区域进行检测：

将当前帧I(x,y,t+1)与提取出的背景图像B(x,y,t)进行差分，得到前景运动区域，然后利用阈值T对所得前景运动区域图像按公式(11)进行二值化得到D(x,y,t+1)：

其中，阈值T采用自适应迭代法确定。

4.根据权利要求1所述的基于多特征联合与Mean Shift算法的多目标跟踪方法，其特征在于，所述步骤S200包括以下步骤：

步骤S210：采用形态学基本操作对二值图像的检测结果进行去噪，得到去噪图像；

步骤S220：对去噪图像进行多目标分割算法处理，得到包含运动目标轮廓的分割图像。

5.根据权利要求2所述的基于多特征联合与Mean Shift算法的多目标跟踪方法，其特征在于，所述形态学基本操作包括依序进行腐蚀、膨胀、开操作和闭操作。

6.根据权利要求2所述的基于多特征联合与Mean Shift算法的多目标跟踪方法，其特征在于，所述步骤S220包括以下步骤：

步骤S221：对去噪后的二值图像从左上至右下进行扫描；

步骤S222：检测其中未标注的前景像素，当检测到的像素点为未标注的前景像素时，对该前景像素进行标注，同时一一判断该未标注的前景像素的邻域内的8个像素点是否也是前景像素，如果不是，则返回步骤S221；

如果是前景像素，则将该未标注的前景像素的该邻域像素也标注为与该未标注的前景像素相同的序号；

标注完毕后，输出包含运动目标轮廓的分割图像。

7.根据权利要求2所述的基于多特征联合与Mean Shift算法的多目标跟踪方法，其特征在于，所述HOG特征的各特征分量的提取包括以下步骤：

首先，去除HOG特征中单元的划分，将分割图像划分成16*16的块，对每个块进行梯度计算，采用直方图在各梯度方向上进行数值统计，得到4*4*k维度的向量，此处的k为求HOG特征时直方图中的方块数；

然后，对与分割图像具有相同中心的48*48块的图像重复上述处理，得到3*3*k维度的向量；

最后，以所划分的块作为最小单元，按公式(27)对HOG特征进行归一化：

其中，f(k)为所划分块中，第k个直方图的值。

8.根据权利要求1所述的基于多特征联合与Mean Shift算法的多目标跟踪方法，其特征在于，所述步骤S100中所用帧差法得到的差分图按公式(1)～(2)表示：

D_k(x,y)＝|I_k+1(x,y)-I_k(x,y)| (1)

其中，I_k+1(x,y)为两两相邻帧中的第k+1帧图像，I_k(x,y)两两相邻帧中的第k帧图像， D_k(x,y)为第k+1帧图像I_k+1(x,y)和第k帧图像I_k(x,y)之间的差分图像，T_k(x,y)为二值化后的二值图像，T为阈值。