1分层MS跟踪算法(HMS)
1.1目标区域颜色与空间联合聚类分析
在基于颜色特征的区域匹配目标跟踪算法中,区域内像素颜色随时间受光照、噪声等影响会发生细微的变化,采用聚类可以提高像素颜色的抗干扰性,而且聚类模式点能以简洁的方式表达目标的分布特征.通常情况下,非参数MS聚类迭代算法及应用[16 17],都是对一幅给定的静态图像进行聚类、区域分割,而在动态图像序列跟踪帧中对目标区域聚类进行分析,目标在运动中除了平移,还会有尺度变化.因此,聚类带宽须能够随目标大小而变化、更新,即对序列帧需进行可变带宽聚类.带宽的更新有两种方式[18]:窗口内所有数据点采用相同尺度带宽核与不同尺度带宽核更新.由于目标区域内前景目标的颜色信息不会发生尺度变化,而位置信息会发生尺度变化,位置数据点是相邻的,则发生近似相同尺度变化,所以,所有数据点采用相同尺度带宽核的更新方式.在文献[17]的基础上,本文给出了适合于动态图像序列帧的MS变带宽聚类如式(1),式中
对目标区域数据点集{xn}Nn=1∈R5
进行自动聚类,收敛于模式点x.
m ω x x
2 nσ,s xn
fj=1xn∈setj
σ,s(x)= m ω x x
2
(1)nj=1xn
∈set
j
σ,s
式(1)中,xn={i,j,r,g,b}是颜色分量{r,g,b}与空间位置分量{i,j}的5D信息数据点;N个数据点预划分在m个子集setj(j=1,···,m)内,m在聚类过程中自动更新;ω(·)为带宽为σ的高斯核函数,聚类带宽σ控制聚类程度和聚类数;s是更新聚类带宽的尺度因子,由目标尺度变化大小来确定.
目标模型区域的颜色与空间5维联合信息按式(1)进行聚类分析,形成d个聚类块,每一聚类块的模式点Ck={Cxk,Cuk},k=1,···,d,其中Cxk为聚类空间位置,Cuk为聚类颜色,每类的像素数为nk.颜色与空间位置的联合聚类分析,使得目标区域特征表达鲁棒性强.图1显示了两种不同的RGB彩色目标模型区图像:颜色分布变化大的球员模型区和颜色分布变化细腻的人脸模型区,及经过5维空间、颜色联合特征聚类后的自适应聚类分割块.根据目标颜色分布变化情况,选择不同的聚类带宽,实现不同程度的聚类.球员各部分颜色分布变化大,设聚类带宽σ为38,自适应聚为10类.而相对于球员整体目标来讲,人脸是局部区域目标,其变化细腻,聚类带宽设为14,聚为84类,视觉上与原始图
(a)球员模型区(b)聚类的球员(a)Playerregion
(b)5Dclusteredplayer
(c)人脸模型区(d)聚类的人脸(c)Faceregion
(d)5Dclusteredface
图1两种不同的颜色分布目标模型区及5D聚类分析Fig.1
Twoobjectmodelregionswithdistinctcolordistributionsandtheir5Dclusteringanalysis
一种分层Mean Shift目标跟踪算法
像差别不大.
1.2目标模型聚类模式点描述
MS跟踪迭代算法是以目标区前景(fg)颜色信息引导及驱动得到跟踪平移量,所以目标模型的建立需去除掉背景.背景(bg)像素的混入对跟踪效果影响非常大,前景与背景能否准确分离是影响目标模型及MS跟踪性能好坏的关键要素之一.给定的目标区域经过颜色与空间的联合特征聚类分析,形成聚类分割块,并以聚类模式点Ck(k=1,···,d)描述.下面首先判别每一聚类块属于前景还是背景,然后再提取出前景类,建立目标模型描述.
图像区域矩特征具有不变性,目标质心是一个有效的矩特征,计算目标质心可进行前景与背景的区分判别,目标质心的计算过程如下:
1)初始化质心为目标区域中心xc=x (x 为目标模型区中心);
2)目标区域前景聚类块的组成部分是有序连接的,前景类、背景类与目标区域质心的距离远近不同,利用目标区域内各聚类的模式点Ck与质心的距离,区分判别
fg和bg,即
Ck∈fg,若|Cxk xc|<Td
C(2)
k∈bg,否则
聚类模式点位置距离质心xc较远者标记为bg,Td为最大距离阈值.
3)由于背景像素分布是随机的,可能会出现背景类模式点位置距离目标质心较近的情况,因此仅用距离信息可能会存在误判.这里,在步骤2)的基础上,进一步对被判为fg的聚类块及其模式点Ck进行分析,对目标区域聚类块计算对数似然函数比L(k)[19],通过比值
L的正负判别fg和bg,即
Ck∈fg,若L(k)>0
C≤0
(3)
k∈bg,若L(k)4)去掉背景类,再采用聚类模式点Ck定义质
心
Cxk·H(Cuk)
xCk∈fg
c=
H(Cu(4)
k)
Ck∈fg
其中H(Cuk)是该类在HSV色彩空间的H分量值,作为计算质心的图像属性.
5)重复步骤2)～4)求xc,直到质心的位置趋于不变.同时,也得到越来越准确的前景,目标区前景与质心相互制约、相互影响.
因此,根据图像矩特征去分离前景与背景,可以将目标区域d类分解为属于前景的有df类、属于背
景的有db类(d=df+db).这样,目标模型的聚类模式点描述为:Sxk={Cxk,Cuk},k=1,···,df.图2显示了图1目标区在联合空间多维信息聚类后前景与背景分离,提取出前景目标建立的聚类模式点描述的目标模型.球员前景目标呈区域片状,而人脸聚类程度低,几乎还是呈点状.
(a)球员模型(b)人脸模型(a)Playermodel
(b)Facemodel
图2聚类模式点描述的目标模型Fig.2Objectmodelinthedescriptionof
clustermodalpoints
1.3聚类块与像素点分层匹配的相似度量函数
给定目标模型区域抽样点集合Sx和核函数,利用核密度估计法对目标区的空间位置与颜色联合概率密度函数(PDF)估计,在前景颜色信息的引导下进行目标跟踪.假定Sx={xi,ui}Ni=1是源于PDF为P(x,u)分布的抽样点集合,xi为像素二维坐标点,ui=u(xi)为在位置xi处{r,g,b}三维彩色信息,则P(x,u)用多变量联合核密度函数估计[20]为
2 P (x,u)=1 N x x i N
ω k
2 u uii=1
σ h (5)
其中ω(·),k(·)分别是带宽为σ,h的高斯核函数,记作ωσ(·),kh(·).
经过以上聚类分割分析,确定了目标模型区域的前景类和背景类,建立了目标模型的聚类模式点描述,则目标模型区域前景的联合概率密度函数估计可表示为
P (x,u)=1 df nk Nω x x 2 2 i k
f
u ui k=1xi
∈Cσh k
其中N (6)
df