基于Meanshift的视频人体目标跟踪算法研究

上海交通大学专业硕士学位论文基于Meanshift的视频人体目标跟踪算法研究院系：信息安全工程学院班级：B1003692班学号：1100369043硕士生：胡威专业：电子与通信工程导师Ⅰ：蒋兴浩（教授）导师Ⅱ：孙锬锋上海交通大学信息安全工程学院2012年12月ADissertationSubmittedtoShanghaiJiaoTongUniversityfortheDegreeofMasterRESEARCHONTHETRACKINGMETHODBASEDONMEANSHIFTFORHUMAN-OBJECTONVIDEOAuthor:HuWeiSpecialty:ElectronicsandCommunicationEngineeringAdvisor:Prof.JiangXinghaoSchoolofInformationSecurityEngineeringShanghaiJiaoTongUniversityDecember,2012上海交通大学专业硕士学位论文原创性声明本人郑重声明：所呈交学位论文，是本人在导师的指导下，独立进行研究工作所取得的成果。除文中已经注明引用的内容外，本论文不包含任何其他个人或集体已经发表或撰写过的作品成果。对本文的研究做出重要贡献的个人和集体，均已在文中以明确方式标明。本人完全意识到本声明的法律结果由本人承担。学位论文作者签名：日期：年月日上海交通大学专业硕士学位论文版权使用授权书上海交通大学专业硕士学位论文摘要第I页基于Meanshift的视频人体目标跟踪算法研究摘要视频运动人体目标的跟踪技术已经成为了计算机视觉一个重要课题和研究热点，也有很大的现实意义和应用价值。本文研究对比了代表性的Meanshift、粒子滤波、Kalman滤波估计、光流法等视频目标跟踪技术算法，其中Meanshift算法是通过多次迭代漂移跟踪目标位置，对低速运动目标大多数情况都能达到实时、准确的跟踪，且简单易实现，但不适应快速运动目标或小目标的跟踪，存在误差累积错误跟踪。基于此，本文提出了一种结合Kalman滤波器和帧差法改进Meanshift算法的新跟踪方法。在Meanshift算法框架下，新方法依据Kalman滤波对目标质心和长宽预测，从帧差法检测到的运动区域中挑选可信区域只进行一次Meanshift颜色相似度检测，若不满足目标相似条件，则再对其他运动区域及Kalman预测区域依序进行原Meanshift算法跟踪，选出目标最佳跟踪区域。Kalman滤波器和帧差法可以预测和检测到丰富的运动区域信息，二者让Meanshift算法内核漂移跟踪更智能化。实验证明新方法减少了传统Meanshift颜色匹配迭代的次数和计算，在持久跟踪丢失目标的情况下也可以快速重新找回原目标准确跟踪，具有跟踪上的鲁棒性。最后本文拓展研究了人体目标跟踪技术的重要应用—视频人体动作识别，并提出了基于肢体的三个特征描述子了的动作识别方法。最后重申本文的研究创新点：1)在Meanshift算法框架下，设计一种结合Kalman、帧差法挖掘丰富运动信息新MeanShift跟踪算法，同样可以较好跟踪快速运动目标。2)新方法改善了原算法误差累积跟踪错误的现象，具有跟踪的自校正能力和鲁棒性。3)提出一种隔帧目标快速跟踪实验的设计。4)提出并设计了基于肢体的三个特征描述子的动作识别方法。关键词：目标跟踪，MeanShift，快速跟踪，人体动作识别上海交通大学专业硕士学位论文ABSTRACT第II页ResearchonthetrackingmethodbasedonMeanshiftforhuman-ObjectonvideoABSTRACTThemovinghumantrackingtechnologyinvideohasbecomeanimportanttopicandresearchfocusincomputervision.Thispaperhasresearhedsomerepresentedtrackingmethodssuchasopticalflow,KalmanFilter,ParticlefilterandMeanshiftAlgorithm.TheideaofMeanshiftistofindthepositionoftargetthroughmultipleiterationsdrift.Itcouldbeeasilyrealizedtogetaccurtetrackingpositionforlow-speedtargets,butnotsuitablefortrackingfastmovingtarget.ThereisalsoaccumulatederrortolosttargetinTrackingforMeanshift.Inthispaper,weproposedanewMeanshifttrackingmethodcombinedwithKalmanfilterandframedifferencemethod.Kalmanfiltercouldpredicttarget’scentroidandscaling.Framedifferencemethodcandetectandgettheinformationofmovementareas.SothenewmethodguidesMeanshiftalgorithmkerneltrackingeffectivelyinitsdriftprocess.Experimentsshowthenewmethodreducesthetrackingtimeandisrobustforlongperiodtrackingoffast-movingtargets.Inthelastchapter,weexpandtoresearchanddesignanactionrecognitionmethodbasedonthreefeaturedescriptors.Finally,weintroducetheinnovationofthisstudyagain:1)DesignanewMeanshifttrackingmethodwithcombinationofKalmanfilterandframedifferencemethod.2)Thenewmethodisrobustforfast-movingtargetintrackingwithlesstime.3)Proposeaframe-skippingtarget-trackingmethod.4)Proposeanddesigneanactionrecognitionmethodbasedonthreefeaturesofthelimbdescriptor.Keywords:target-tracking,Meanshift,fasttracking,humanactionrecognition上海交通大学硕士学位论文目录3目录摘要.....................................................................................................................................................................IABSTRACT..........................................................................................................................................................II目录....................................................................................................................................................................3第一章绪论...........................................................................................................................................................11.1课题背景和意义..........................................................................................................................................11.2国内外研究现状分析及研究......................................................................................................................21.3视频目标跟踪的关键问题..........................................................................................................................31.4论文的研究创新点及章节安排..................................................................................................................5第二章基本理论算法...........................................................................................................................................82.1引言..............................................................................................................................................................82.2MEANSHIFT理论..........................................................................................................................................92.2.1无参密度估计......................................................................................................................................92.2.2Meanshift核密度估计........................................................................................................................102.2.3Mean-shift算法概率密度梯度及Mean-shift向量...........................................................................112.2.4Mea