[发明专利]基于Meanshift、卡尔曼滤波和图像匹配的目标跟踪方法

权利要求书

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C_h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，n_h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，x_i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模型：

其中x_k,y_k是第k帧最佳候选目标中心在x,y轴上的坐标位置，dx_k,dy_k就是坐标位置上的微分，可直接把它作为最佳候选目标中心在x,y轴上的速度，t表示两帧数据之间的间隔；

2)建立起最佳候选目标运动的过程模型和观测模型：

获得观测方程：

3)计算转移矩阵和观测矩阵：上式中，w_k-1和v_k-1实际上是满足高斯分布的加速度，因此可以设定t初值为1，便能得到相应的转移矩阵和观测矩阵

得到这两个重要矩阵后，设定相应的噪声，完成卡尔曼滤波的建模，最后根据这两个矩阵以及初始帧中的最佳候选目标初步位置确定接下来每一帧图像中最佳候选目标可能出现的可靠位置。

4.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(三)的具体实现方式如下，

1)模版匹配：由于跟踪目标是已定的，在设计中先直接获取目标的模板，然后对于所拍摄的视频中的目标，进行模板匹配；在视频中提取到目标模板后，通过这一块模板,再通过OpenCV中的模板匹配matchTemplate函数，在读取的视频中，提取与该模板匹配最成功的一个区域，并将这一部分设为目标区域，用rectangle函数(返回矩形框的函数)，将这块区域点的坐标返回,并画出一个矩形框便于观察分析；

2)提取目标区域特征：根据模板匹配选择出了需要跟踪的目标，然后需要提取当前目标区域的特征信息，即颜色特征直方图；

3)计算Meanshift向量：在完成目标区域的直方图处理和绘制后，然后确定最佳候选目标区域的颜色特征直方图，并计算出偏移的MeanShift向量；

4)模版更新：当偏移值小于某阈值Σ或者迭代次数小于p2时，确定目标所在位置为1)中获得目标区域，并退出迭代，否则重复步骤(一)-(三)，重新进行模板匹配。

5.如权利要求4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：p的取值为3。