[发明专利]联合数据关联的Mean Shift多目标跟踪方法

权利要求书

1.一种联合数据关联的Mean Shift多目标跟踪方法，其特征在于，首先从视频中提取得到运动前景并分割，针对分割后的前景块生成数据关联矩阵，并通过逐行扫描优化后使用Mean Shift算法完成对每个目标的跟踪；所述方法包括以下步骤：

1)利用前景提取算法对运动目标前景进行提取并得到运动前景；

2)对提取出的运动前景进行分割，得到若干前景块；

3)对分割获得的前景块，即前景区域目标和基于MeanShift跟踪获得的目标区域，即历史目标进行数据关联；

4)逐行扫描数据关联矩阵，检测并处理目标的合并信息和分裂信息，并对目标样本进行更新；

5)使用MeanShift算法完成对每个目标的跟踪。

2.根据权利要求1所述的方法，其特征是，所述的前景提取算法是指：采用前景点计数方法，对像素点进行统计，当某个背景模型中的像素点连续N帧被统计为前景点，则将其更新为前景点。

3.根据权利要求1所述的方法，其特征是，步骤1)具体包括：

1.1)为视频序列每一帧的每个像素点维护一个样本集，样本集中的采样值来自该像素点过去的像素值和邻居点的像素值；

1.2)在新的一帧中，将每一个像素点的像素值和样本集进行比较来判断其是否属于背景点，并生成背景样本集；

1.3)通过前景提取算法对模型进行更新，使得背景模型不断适应背景的变化；

1.4)将统计为前景点的图像输出便获得了运动前景。

4.根据权利要求3所述的方法，其特征是，所述的背景点的判断是指：记v(x)为x点处的像素值；M(x)＝{x₁,x₂,...,x_N}为x处的背景样本集，其中：N表示样本集的大小；S_R(v(x))是以x为中心R为半径的区域，当M(x)[S_R(v(x))∩{x₁,x₂,...x_N}]大于背景阈值，则x点属于背景点，反之则属于前景点；

所述的背景样本集在初始化中，完成了对背景模型的建立过程，背景模型的建立过程也就是填充模型中样本集的过程，即根据背景样本集进行学习，具体对于一个像素点，随机地选择它的邻居点的像素值作为它的模型样本值：M₀(x)＝{v₀(y)|y∈N_G(x)}，其中：M₀(x)表示第一帧中的背景样本集，N_G(x)为邻居点。

5.根据权利要求1所述的方法，其特征是，所述的数据关联矩阵C的元素包括：0、1或2，其中：0表示该行对应的历史目标和该列对应的前景目标区域，即观测之间没有关联，2表示该行对应的历史目标和该列对应的观测之间相互关联，1表示该行对应的历史目标和该列对应的观测只有单向关联。

6.根据权利要求1所述的方法，其特征是，所述的步骤3具体包括：

3.1)构造历史目标T_i和前景区域目标D_j的匹配矩阵M：其中：表示历史目标T_i和观测目标D_j的重叠部分的面积，和分别表示T_i和D_j的外接矩形的面积，c是规范化常数；

3.2)获得匹配矩阵M后，根据相似度的大小，构造数据关联矩阵C：

3.2.1)初始化：设置数据关联矩阵C的所有元素为0；

3.2.2)逐行对矩阵M扫描，找出每行中最大元素所在位置的列号j_max，并将矩阵C对应的位置加1：j_max＝argmaxM(i,j),j＝1,2,...N₁，C(i,j_max)＝C(i,j_max)+1；

3.2.3)逐列对矩阵M扫描，找出每列中最大元素所在位置的行号i_max，并将矩阵C对应的位置加1：i_max＝argmaxM(i,j),i＝1,2,...N₁，C(i_max,j)＝C(i_max,j)+1。