[发明专利]联合数据关联的Mean Shift多目标跟踪方法

说明书

技术领域

本发明涉及的是一种图像处理技术领域的方法，具体是一种联合数据关联的Mean Shift多目标跟踪方法。

背景技术

随着视频监控技术的普及，以及监控探头数量的剧增和海量视频数据的产生，人们对监控视频内容的自动分析技术需求也愈加迫切。视频单目标跟踪技术或多目标跟踪技术在很多场合下具有重要的用途，如在智能视频监控、视频索引、新型人机交互、交通监测、车辆自动驾驶等方面均有大量的应用。

Mean Shift跟踪算法是一种经典的无参密度估计算法，在1975年由Fukunaga等人在《IEEE Transactions on Information Theory》的“The estimation of the gradient of a density function,with applications in pattern recognition”一文中提出。2002和2003年，Comaniciu等人在《IEEE Transactions on Pattern Analysis and Machine Intelligence》的两篇文献“Mean shift:a robust approach toward feature space analysis”和“Kernel‐Based Object Tracking”中进一步利用Mean Shift对图像进行分析，前者对图像的特征空间进行分析，使Mean Shift成功应用在图像平滑、图像分割等计算机视觉领域的多个方向，证明了在满足一定条件时，Mean Shift算法具有收敛的特性，利用该特性可以检测概率密度函数中存在的模态；后者将目标跟踪问题转化为一个Mean Shift最优化的问题，从而将Mean Shift算法成功地应用在目标跟踪领域，由于Mean Shift算法不需要穷尽的搜索，使得高性能目标跟踪成为了可能。

然而，在实际环境中，目标及周围情况较为复杂。一系列因素，包括图像信息采集过程中信息的丢失，场景光照条件的变化，目标在运动过程中被部分或全部遮挡等等，都将对Mean Shift的处理效果产生负面的影响。当目标与周围干扰物或者遮挡物颜色相近时，对采用HSV直方图作为统计特征的跟踪方法来说，极易发生目标丢失或者漂移的现象，这严重影响了算法的广泛应用。

经过对现有技术的检索发现，中国专利文献号CN102831622公开了一种基于Mean Shift的目标跟踪方法，它首先利用卡尔曼滤波算法对目标当前位置进行预测，然后设计模糊判定准则在线调整目标尺度值，利用Mean Shift迭代运算逐步逼近目标来完成跟踪，最后，利用相似度和置信度系数设计模型更新准则，以实现模板的自适应更新。

中国专利文献号CN101162525公开了一种基于Mean Shift和人工鱼群智能优化的人体多关节特征跟踪方法，首先基于目标模型的颜色分布特征，根据前一帧图像的信息利用人工鱼群智能优化算法得到被跟踪人体多关节特征目标在当前帧的优化位置，然后根据目标模型的颜色分布特征运用Mean Shift迭代算法在其优化位置的领域内进行目标搜索，其中与目标模型颜色分布最相似的候选目标即为被跟踪目标。

中国专利文献号CN101867798公开了一种基于视频压缩域分析的Mean Shift运动目标跟踪方法,该方法将压缩域分析与Mean Shift跟踪算法相结合，即首先对视频编码过程中产生的运动矢量进行概率统计分析，以获取目标运动方向与运动速度的估计值，再以此修正Mean Shift运动候选区域的中心位置，使每次搜索开始时，候选中心位置更接近实际目标中心位置。

中国专利文献号CN102231207公开了一种基于Mean Shift和块匹配的运动目标跟踪方法，首先确定目标模型与次要目标模型，然后用Mean Shift算法求出次要目标模型在当前帧所处位置，根据该次要目标模型位置，采用块匹配在次要目标模型范围内得出首要目标模型的最佳位置。

中国专利文献号CN102142085公开了一种林区监控视频中运动火焰目标的鲁棒跟踪方法，提出了使用基于高斯混合模型的改进Mean Shift窗口自适应算法获得当前帧中林区目标的形状变化。