基于视频的目标跟踪方法

s 其中， h 是一个半径为h的高维球区域，满足以下关系的y点的集合
a
3
MeanShift算法简介
sh
目的：找出最密集的区域
a
Mean Shift 矢量
4
基于MeanShift的目标跟踪算法
基于均值漂移的目标跟踪算法通过分别计算
目标区域和候选区域内像素的特征值概率得到关
于目标模型和候选模型的描述，然后利用相似函
对在初始帧图像中目标区域内所有的象素点，计算每 个特征值的概率，我们称为目标模型的描述。
a
6
通过人工标注的方式在初始帧中确定包含跟踪目标的区域,
其中有n个象素用 {zi}i1...n 表示，对选中的区域的灰度颜色空
间均匀划分，得到由m个相等的区间构成的灰度直方图,则目标 模型概率密度为
其中中心，坐z标i* ；表K示为以核目函标数中。心为原点的归一化的像素位置；(x0, y0 ) 为目标
数度量初始帧目标模型和当前帧的候选模版的相
似性，选择使相似函数最大的候选模型并得到关
于目标模型的Meanshift向量，这个向量正是目标
由初始位置向正确位置移动的向量。由于均值漂
移算法的快速收敛性，通过不断迭代计算
Meanshift向量，算法最终将收敛到目标的真实位
置，达到跟踪的目的。
a
5
目标模型的描述
相似性函数用于描述目标模型和候选目标模型之间 的相似程度，我们使用Bhattacharyya系数作为相似性 函数，其定义为：
a
9
MeanShift迭代过程
均值漂移的迭代过程，也就是目标位置搜索的过程。 为使相似函数最大，对上式进行泰勒展开， Bhattachcyarya系数可近似为：
a
10
MeanShift迭代过程
基于视频的目标跟踪方法
a
1
MeanShift 算法
MeanShift算法简介 基于MeanShift的目标跟踪算法 MeanShift算法实现过程
a
2
MeanShift算法简介
基本含义
给定的d维的欧式空间中n个样本点 x i（n=1,……n）在x点的
wenku.baidu.com
meanshift向量基本形式定义为
xi
其极大化过程就可以通过候选区域中心向真实区域中心 的MeanShift迭代方程完成：
其中，g(x)=- K ' ( x) 。
a
11
MeanShift算法实现过程
1.计算目标模板的概率密度 {qu}u1...m ,在当前帧以y0为起
点2.计，算计候算选候目选标目与标目的标特的征相{p似u}度u；1...m ；
3.计算当前窗口内各点处权值 {wi}i1...m； 4.利用MeanShift算法，计算目标新位置：
5.若
，则停止；否则y0←y1转步骤2
限制条件：新目标中心需位于原目标中心附近。
a
12
在起始帧，通过鼠标确定一个包含所有目标特征的椭 圆，称为被跟踪目标的目标区域，这个目标区域也是 核函数作用的区域，区域的大小等于核函数的带宽。
对目标区域进行描述，常用的方法是按照直方图的方 式将图像像素的值域等分成m个区间，每个区间按照 值域的大小对应一个特征值。然后求出图像的像素值 取每个特征值的概率。
a
7
候选模型描述
运动目标在第二帧及以后的每帧中可能包含目标的区 域称为候选区域，假设在第t帧时，根据第t-1帧的目标中心 位置 f 0 ，以 f 0为搜索窗口的中心，得到候选目标的中心位 置坐标f，计算当前帧的候选目标区域直方图，该区域的像
素用{zi}i1...n 表示，则其概率密度为
a
8
相似性度量