[发明专利]一种改进Camshift的目标跟踪算法

说明书

本发明公开了一种改进Camshift的目标跟踪算法。本发明在目标遮挡时，切换成粒子滤波算法跟踪目标，有效解决目标遮挡问题，在目标未被遮挡时，切换到Camshift算法跟踪目标，本发明将Camshift算法和粒子滤波算法结合，保障了目标跟踪算法的实时性，同时，提升了目标跟踪算法的鲁棒性。

技术领域

本发明涉及目标跟踪技术领域，具体涉及一种改进Camshift的目标跟踪算法。

背景技术

目标跟踪是计算机视觉领域的一个重要组成部分，其在视觉导航、视频监控、智能交通以及抗灾搜救中都有着广泛的应用。

Meanshift算法是一种基于核的跟踪方法，它使用基于密度的外观模型来表示目标，广泛用于跟踪目标，但Meanshift无法实时更新目标模型，当目标尺寸大小发生严重改变时，将会丢失目标.为了解决Meanshift算法存在的问题，C.Q等提出能够自适应目标变化的Camshift算法，然而传统Camshift算法对于目标颜色与背景颜色相似、光照强度变化以及目标被遮挡的情况，其跟踪效果不太理想.Yin J等提出了改进的Camshift算法，其使用加权方案生成目标的颜色直方图，距离目标中心越近权值越大，在一定程度上克服了目标颜色与背景颜色相似的问题，但对于目标遮挡的情况鲁棒性较低.Ubeda-Medina L等提出粒子滤波(Partice Filter，PF)算法，是通过一组随机样本对概率密度函数进行近似，当粒子数目足够大时，可以逼近任意函数的概率密度分布，因此能够解决目标遮挡的跟踪问题，但是长时间使用粒子滤波算法，其所需要的计算量大，耗时长，无法达到实时跟踪目标的要求.Deguchi K等利用Menshift算法和PF算法进行跟踪，当目标发生遮挡后，使用PF算法进行跟踪，但遮挡结束后，无法切换回Meanshift算法，实时性无法得到保证.Xiu C等提出结合卡尔曼滤波的Camshift算法来解决遮挡问题，由于卡尔曼滤波算法利用泰勒展开式来将非线性问题化简为线性问题，对于比较复杂的场景，其无法达到准确跟踪目标.Kalal Z等提出TLD跟踪算法，是近年来很富代表性的长时间跟踪算法，将目标检测、目标跟踪及在线学习机制结合，能实时更新目标模型，并能跟踪重回视野范围的目标以及对遮挡问题有较强鲁棒性，但是耗时较多，实时性就不理想。

发明内容

针对现有技术中的上述不足，本发明提供的一种改进Camshift的目标跟踪算法解决了目标被遮挡时的目标跟踪效果不好、实时性不高的问题。

为了达到上述发明目的，本发明采用的技术方案为：一种改进Camshift的目标跟踪算法，包括以下步骤：

S1、利用图像中目标与候选目标的相似度判断目标是否被遮挡，若是则进入步骤S2，否则进入步骤S4；

S2、将目标划分为5个区域，分别提取每个区域的颜色特征和边缘特征，将颜色特征和边缘特征进行融合，建立第一行人目标模型；

S3、通过粒子滤波算法对第一行人目标模型进行目标跟踪，返回步骤S1；

S4、融合目标的颜色特征和边缘特征建立第二行人目标模型，并通过Camshift算法对第二行人目标模型进行目标跟踪，返回步骤S1。

进一步地：所述步骤S1中判断目标是否被遮挡的具体方法为：计算目标与候选目标的相似度得分，当相似度得分score等于0时，表示目标被遮挡，当相似度得分score等于1时，表示目标未被遮挡；

相似度得分score的计算公式为：

上式中，ρ为模型相似度，T为阈值；

模型相似度ρ的计算公式为：