《高斯背景模型与均值漂移跟踪结合的运动目标统计方法.pdf》由会员分享，可在线阅读，更多相关《高斯背景模型与均值漂移跟踪结合的运动目标统计方法.pdf（14页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 104077779 A (43)申请公布日 2014.10.01 CN 104077779 A (21)申请号 201410318868.6 (22)申请日 2014.07.04 G06T 7/00(2006.01) G06T 7/20(2006.01) (71)申请人 中国航天科技集团公司第五研究院 第五一三研究所 地址 264003 山东省烟台市高新区航天路 513 号 (72)发明人 徐明道 刘建文 刁奇 赵亮 林巍 韩波 牟懋竹 (74)专利代理机构 北京理工大学专利中心 11120 代理人 高燕燕 仇蕾安 (54) 发明名称 高斯背景模型与均值漂移跟踪结合的。
2、运动目 标统计方法 (57) 摘要 本发明公开了一种高斯背景模型与均值漂移 跟踪结合的运动目标统计方法， 首先采集1T时 刻的序列图像 ； 建立空的跟踪队列 ； t 由 1 取至 T， 对 t 时刻图像执行步骤 1 41、 采用改进的混合 高斯背景模型从 t 时刻图像分离出背景像素和前 景像素， 获得二值化图像 A ； 2、 采用形态学开运算 和闭运算去除 A 中独立前景像素， 填充前景空洞， 得到图像 B ； 3、 对于 B 进行连通域分析， 获得前景 轮廓 ； 4、 以前景轮廓的外接矩形作为当前目标窗 口， 若当前目标窗口与跟踪队列中的已有目标窗 口没有重叠， 则将当前目标窗口添加至跟踪队。
3、列 作为已有目标窗口， 统计加 1 ； 采用均值漂移跟踪 的方法对跟踪队列中的已有目标窗口进行跟踪和 更新。 (51)Int.Cl. 权利要求书 3 页 说明书 7 页 附图 3 页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书3页 说明书7页 附图3页 (10)申请公布号 CN 104077779 A CN 104077779 A 1/3 页 2 1. 高斯背景模型与均值漂移跟踪结合的运动目标统计方法， 其特征在于， 该方法首先 在 1 T 每一时刻采集一帧图像， 组成序列图像， 并建立跟踪队列， 初始化跟踪队列为空 ； 按照时间顺序从序列图像依次选取图像， 并对于。
4、 t 时刻图像进行如下第一步第四步的处 理， 1 t T ： 第一步、 采用改进的混合高斯背景模型从 t 时刻图像分离出背景像素和前景像素， 从 而获得运动前景二值化图像 ； 所述改进的混合高斯背景模型中具有 K 个高斯模型， 每个高斯模型由如下公式确定 ： 命中公式、 滑动均值公式、 滑动方差公式、 排序键值公式以及权值公式 ； 其中每个公式均针 对 t 时刻图像中每一个像素的像素值建立， 采用 t 时刻图像中每个像素对应的 Lab 空间色 彩分量建立矩阵 P， 以矩阵 P 替代上述每个公式中对应像素的像素值部分 ； 第二步、 采用形态学开运算和形态学闭运算对所述运动前景的二值化图像中的独立。
5、前 景像素进行去除， 并对前景空洞进行填充， 得到完整的前景二值图像 ； 第三步、 对于完整的前景二值图像进行连通域分析， 获得前景轮廓 ； 第四步、 以所述前景轮廓的外接矩形作为当前目标窗口， 判断当前目标窗口与跟踪队 列中的已有目标窗口是否有重叠， 若没有重叠， 则将当前目标窗口添加至跟踪队列作为已 有目标窗口， 同时统计数据加 1 ； 同时采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪， 以跟踪获得的 搜索窗替换所跟踪的已有目标窗口。 2. 如权利要求 1 所述的高斯背景模型与均值漂移跟踪结合的运动目标统计方法， 其特 征在于， 所述序列图像中包括 400 帧以上的图像。 3.。
6、 如权利要求 1 所述的高斯背景模型与均值漂移跟踪结合的运动目标统计方法， 其特 征在于， 所述第一步采用改进的混合高斯背景模型从 t 时刻图像分离出背景像素和前景像 素， 其过程具体为 ： 针对 t 时刻图像中的任一像素， 区分其为背景像素或者前景像素， 然后 进行分离 ； 其中对于当前像素， 所述区分其为背景像素或者前景像素的过程包括如下步骤 ： 步骤101、 对于 t 时刻图像中的当前像素 ： 维护 K 个高斯模型 ； 当 t 为 1 时， 对该 K 个高 斯模型进行初始化， 初始化的参数包括 ： 滑动均值、 滑动方差、 排序键值以及权值 ； 其中滑 动均值和滑动方差均为 31 的矩阵形。
7、式 ； 以当前像素在 t 时刻图像中的 Lab 空间的色彩分量分别为 L、 a、 b 分量， wl、 wa、 wb分别 为 L、 a、 b 分量的权值， wl、 wa、 wb均取经验值， 建立当前像素在 t 时刻图像中的 Lab 特性矩阵 Pt wlL waa wbb， 其中在 t 时刻图像中， L、 a、 b 分量的滑动均值的矩阵形式为 ： Ut 1 2 3 ； 方差的矩阵形式为 ： 步骤 102、 对当前像素进行命中试验， 其中高斯模型命中公式为 ： 其中以 * 为下脚标表示 * 时刻， 则 P*表示当前像素在 * 时刻图像中的 Lab 特性矩阵， U*为 * 时刻图像中该像素 L、 a、。
8、 b 分量的滑动均值， V*为 * 时刻图像中该像素 L、 a、 b 分量的 滑动方差， 当 t 1 时， Ut和 Vt均为初始化值 ； Tv为标准高斯分布阈值 ； 加权滑动方差数值 权 利 要 求 书 CN 104077779 A 2 2/3 页 3 在当前像素的命中试验中， 如果det小于0， 则t时刻的当前像素属于此高斯模型， 即命 中的高斯模型， 更新命中的高斯模型的滑动均值公式， 滑动方差公式、 排序键值公式和权值 公式依次为 ： Ut Ut-1+(Pt-Ut-1) Vt (1-)Vt-1+(Pt-Ut-1)(Pt-Ut-1) t t-1+(1-t-1) 其中 st为排序键值， t为。
9、权值， 为学习率， 然后对于 K 个高斯模型， 按照排序键值 从大到小的顺序排列， 进入步骤 103 ； 如果没有命中任何高斯模型， 将 K 个高斯模型按照排序键值从大到小的顺序排列后， 重新初始化一个新的高斯模型， 新的高斯模型用于替换排列在最后的高斯模型， 重复本步 骤 102 ； 步骤 103、 将当前像素所维护的 K 个高斯模型的排序键值和权值进行归一化处理， 其中 第 k 个高斯模型的排序键值为 sk、 权值为 k， 其归一化后的排序键值为权值为其 中 1 k K ： 其中 sums为所述 K 个高斯模型排序键值的和 ； sum为所述 K 个高斯模型权值的和 ； 步骤 104、 设定。
10、背景阈值 Tb， 找到 kF 1,K， 使得排序为 1 kF位的高斯模型归一化 后的权值之和大于 Tb； 所述命中的高斯模型在K个高斯模型排序中占第kH位， 则对于当前像素， 当kFkH时， 该像素为背景像素， 否则为前景像素。 4. 如权利要求 3 所述的高斯背景模型与均值漂移跟踪结合的运动目标统计方法， 其特 征在于， 所述 L、 a、 b 分量的权值 wl、 wa、 wb的取值均为经验值， 其中 wl取值为 1、 wa取值在区 间 1,2 内， wb取值在区间 0,1 内。 5. 如权利要求 1 或 3 所述的高斯背景模型与均值漂移跟踪结合的运动目标统计方法， 其特征在于， 所述第四步中。
11、， 采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行 跟踪， 以跟踪获得的搜索窗替换所跟踪的已有目标窗口， 该过程具体包括如下步骤 ： 步骤 401、 获得 t 时刻图像在 HSV 色彩空间的色度图像 IH， 以所述前景轮廓的外接矩形 作为当前目标窗口 RO， 对当前目标窗口内的色度图像进行直方图统计， 得到直方图 Ho， 利用 直方图 Ho计算色度图 IH的反向投影 Po， 即为当前目标窗口在色度图像 IH中的分布概率密 度图像 ； 步骤 402、 跟踪队列中与当前目标窗口有重叠的已有目标窗口为 WO， 以 WO作为搜索窗 WS； 步骤 403、 计算 PO在 WS内的零阶矩 M00： 。
12、权 利 要 求 书 CN 104077779 A 3 3/3 页 4 如果 M00小于经验阈值 TM， 则将 WS中心保持不变， 长和宽均扩大 2 倍更新搜索窗 WS， 并 重新计算 Po在 WS内的零阶矩， 如果该零阶距仍小于所述经验阈值则更新 WS为 0， 停止跟踪 进入步骤 404 ； 如果 M00大于或等于经验阈值 TM， 则计算一阶矩 M10和 M01以及搜索窗的重心 ； 若搜索窗 的重心与其中心之间的距离小于经验距离 ， 则停止跟踪进入步骤 404 ； 否则将搜索窗 WS 的中心移动到搜索窗重心处更新搜索窗 WS， 重复步骤 403、 当重复次数达到跟踪上限时， 停 止跟踪进入步骤。
13、 404 ； 步骤 404、 以停止跟踪时的 WS更新跟踪队列中的 WO 所存储的目标窗口， 当停止跟踪时 的 WS为 0 时将 WO从跟踪队列中删除。 权 利 要 求 书 CN 104077779 A 4 1/7 页 5 高斯背景模型与均值漂移跟踪结合的运动目标统计方法 技术领域 0001 本发明属于运动目标检测统计技术领域， 具体涉及一种高斯背景模型与均值漂移 跟踪结合的运动目标统计方法。 背景技术 0002 随着军事侦察、 智能交通、 智能监控等领域的发展， 对图像处理及目标识别的智能 性和可靠性的要求越来越高。在这些领域中， 序列图像中运动目标的个数统计是一种重要 的应用。 0003 。
14、目前， 在运动目标检测统计领域， 多采用帧差法、 均值背景法或虚拟检测线圈法。 帧差法运算量小， 但检测精度较低 ； 均值背景法易受到光线变化或树叶摇摆等干扰的影响， 鲁棒性较差 ； 虚拟线圈法通过比较在人为设置的图像中区域内像素值的变化检测运动目 标， 适用于运动路径较固定的场合， 如按车道行驶的车流量统计， 应用局限性较大。 此外， 以 上几种方法受阴影影响较大， 当阴影覆盖其他目标时很容易发生目标粘连， 导致丢失目标。 发明内容 0004 有鉴于此， 本发明提供了一种高斯背景模型与均值漂移跟踪结合的运动目标统计 方法， 该方法是一种抗噪能力强、 前景分离准确、 跟踪精度高、 适合多种应用。
15、场合运动目标 统计方法。 0005 为了达到上述目的， 本发明的技术方案为 ： 该方法首先在1T每一时刻采集一帧 图像， 组成序列图像， 并建立跟踪队列， 初始化跟踪队列为空 ； 按照时间顺序从序列图像依 次选取图像， 并对于 t 时刻图像进行如下第一步第四步的处理， 1 t T ： 0006 第一步、 采用改进的混合高斯背景模型从 t 时刻图像分离出背景像素和前景像 素， 从而获得运动前景二值化图像 ； 0007 改进的混合高斯背景模型中具有 K 个高斯模型， 每个高斯模型由如下公式确定 ： 命中公式、 滑动均值公式、 滑动方差公式、 排序键值公式以及权值公式 ； 其中每个公式均针 对 t 。
16、时刻图像中每一个像素的像素值建立， 采用 t 时刻图像中每个像素对应的 Lab 空间色 彩分量建立矩阵 P， 以矩阵 P 替代上述每个公式中对应像素的像素值部分。 0008 第二步、 采用形态学开运算和形态学闭运算对运动前景的二值化图像中的独立前 景像素进行去除， 并对前景空洞进行填充， 得到完整的前景二值图像。 0009 第三步、 对于完整的前景二值图像进行连通域分析， 获得前景轮廓。 0010 第四步、 以前景轮廓的外接矩形作为当前目标窗口， 判断当前目标窗口与跟踪队 列中的已有目标窗口是否有重叠， 若没有重叠， 则将当前目标窗口添加至跟踪队列作为已 有目标窗口， 同时统计数据加 1 ； 。
17、0011 同时采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进行跟踪， 以跟踪获 得的搜索窗替换所跟踪的已有目标窗口。 0012 较佳地， 序列图像中包括 400 帧以上的图像。 说 明 书 CN 104077779 A 5 2/7 页 6 0013 较佳地， 第一步采用改进的混合高斯背景模型从 t 时刻图像分离出背景像素和前 景像素， 其过程具体为 ： 针对 t 时刻图像中的任一像素， 区分其为背景像素或者前景像素， 然后进行分离。其中对于当前像素， 区分其为背景像素或者前景像素的过程包括如下步 骤 ： 0014 步骤 101、 对于 t 时刻图像中的当前像素 ： 维护 K 个高斯模型 ；。
18、 当 t 为 1 时， 对该 K 个高斯模型进行初始化， 初始化的参数包括 ： 滑动均值、 滑动方差、 排序键值以及权值 ； 其 中滑动均值和滑动方差均为 31 的矩阵形式。 0015 以当前像素在 t 时刻图像中的 Lab 空间的色彩分量分别为 L、 a、 b 分量， wl、 wa、 wb 分别为 L、 a、 b 分量的权值， wl、 wa、 wb均取经验值， 建立当前像素在 t 时刻图像中的 Lab 特 性矩阵 Pt wlL waa wbb， 其中在 t 时刻图像中， L、 a、 b 分量的滑动均值的矩阵形式为 ： Ut 1 2 3 ； 方差的矩阵形式为 ： 0016 步骤 102、 对当。
19、前像素进行命中试验， 其中高斯模型命中公式为 ： 0017 0018 其中以 * 为下脚标表示 * 时刻， 则 P*表示当前像素在 * 时刻图像中的 Lab 特性矩 阵， U*为 * 时刻图像中该像素 L、 a、 b 分量的滑动均值， V*为 * 时刻图像中该像素 L、 a、 b 分 量的滑动方差， 当 t 1 时， Ut和 Vt均为初始化值 ； Tv为标准高斯分布阈值 ； 加权滑动方差 数值 0019 在当前像素的命中试验中， 如果det小于0， 则t时刻的当前像素属于此高斯模型， 即命中的高斯模型， 更新命中的高斯模型的滑动均值公式， 滑动方差公式、 排序键值公式和 权值公式依次为 ： 0。
20、020 Ut Ut-1+(Pt-Ut-1) 0021 Vt (1-)Vt-1+(Pt-Ut-1)(Pt-Ut-1) 0022 0023 t t-1+(1-t-1) 0024 其中 st为排序键值， t为权值， 为学习率， 然后对于 K 个高斯模型， 按照排序 键值从大到小的顺序排列， 进入步骤 103 ； 0025 如果没有命中任何高斯模型， 将 K 个高斯模型按照排序键值从大到小的顺序排列 后， 重新初始化一个新的高斯模型， 新的高斯模型用于替换排列在最后的高斯模型， 重复本 步骤 102 ； 0026 步骤 103、 将当前像素所维护的 K 个高斯模型的排序键值和权值进行归一化处理， 其中。
21、第 k 个高斯模型的排序键值为 sk、 权值为 k， 其归一化后的排序键值为权值为 其中 1 k K ： 0027 0028 说 明 书 CN 104077779 A 6 3/7 页 7 0029 其中 sums为 K 个高斯模型排序键值的和 ； sum为 K 个高斯模型权值的和 ； 0030 步骤 104、 设定背景阈值 Tb， 找到 kF 1,K， 使得排序为 1 kF位的高斯模型归 一化后的权值之和大于 Tb； 0031 命中的高斯模型在K个高斯模型排序中占第kH位， 则对于当前像素， 当kFkH时， 该像素为背景像素， 否则为前景像素。 0032 进一步地， L、 a、 b 分量的权值。
22、 wl、 wa、 wb的取值均为经验值， 其中 wl取值为 1、 wa取 值在区间 1,2 内， wb取值在区间 0,1 内。 0033 进一步地， 第四步中， 采用均值漂移跟踪的方法对跟踪队列中的已有目标窗口进 行跟踪， 以跟踪获得的搜索窗替换所跟踪的已有目标窗口， 该过程具体包括如下步骤 ： 0034 步骤 401、 获得 t 时刻图像在 HSV 色彩空间的色度图像 IH， 以前景轮廓的外接矩形 作为当前目标窗口 RO， 对当前目标窗口内的色度图像进行直方图统计， 得到直方图 Ho， 利用 直方图 Ho计算色度图 IH的反向投影 Po， 即为当前目标窗口在色度图像 IH中的分布概率密 度图。
23、像。 0035 步骤402、 跟踪队列中与当前目标窗口有重叠的已有目标窗口为WO， 以WO作为搜索 窗 WS。 0036 步骤 403、 计算 PO在 WS内的零阶矩 M00： 0037 如果M00小于经验阈值TM， 则将WS中心保持不变， 长和宽均扩大2倍更新搜索窗WS， 并重新计算 Po在 WS内的零阶矩， 如果该零阶距仍小于经验阈值则更新 WS为 0， 停止跟踪进 入步骤 404。 0038 如果 M00大于或等于经验阈值 TM， 则计算一阶矩 M10和 M01以及搜索窗的重心 ； 若搜 索窗的重心与其中心之间的距离小于经验距离 ， 则停止跟踪进入步骤 404 ； 否则将搜索 窗 WS的。
24、中心移动到搜索窗重心处更新搜索窗 WS， 重复步骤 403、 当重复次数达到跟踪上限 时， 停止跟踪进入步骤 404。 0039 步骤 404、 以停止跟踪时的 WS更新跟踪队列中的 WO所存储的目标窗口， 当停止跟 踪时的 WS为 0 时将 WO从跟踪队列中删除。 0040 有益效果 ： 0041 1、 本发明在混合高斯模型中， 利用加权的 LAB 空间彩色特征去除图像中的阴影， 防止当阴影覆盖其他目标时很容易发生目标粘连， 导致丢失目标。 0042 2、 本方法采用混合高斯模型， 其本身具有动态背景更新的功能， 加上 LAB 空间的 特征， 因此受光线变化的影响较小， 因此该方法可以在不同。
25、场合不同光线情况下进行应用。 0043 3、 本发明采用将混合高斯模型与均值漂移的方法结合， 并对均值漂移跟踪方法进 行搜索窗自调整的改进， 通过对目标色彩概率密度的爬升运算， 进行运动目标跟踪， 可以实 现对非确定性路径的目标进行跟踪， 因此对于运动路径不固定的场合同样适用。 附图说明 0044 图 1 为本发明方法的流程图 ； 0045 图 2 为利用改进的混合高斯模型得到的运动前景二值化图像。 0046 图 3 为本方法中对于目标进行跟踪的过程仿真示意图， 其中由图 (a) 为检测到的 目标 2 和 3 ； 图 (b) 图 (g) 为对目标 4 进行跟踪的过程。 说 明 书 CN 104。
26、077779 A 7 4/7 页 8 具体实施方式 0047 下面结合附图并举实施例， 对本发明进行详细描述。 0048 实施例 1、 高斯背景模型与均值漂移跟踪结合的运动目标统计方法， 该方法首先在 1 T 每一时刻采集一帧图像， 组成序列图像， 并建立跟踪队列， 初始化跟踪队列为空 ； 按照 时间顺序从序列图像依次选取图像， 并对于 t 时刻图像进行如下第一步第四步的处理， 1 t T ： 0049 第一步、 采用改进的混合高斯背景模型从 t 时刻图像分离出背景像素和前景像 素， 从而获得运动前景二值化图像， 如图 2 所示。本实施例中的改进的混合高斯背景模型中 具有 K 个高斯模型， 其。
27、建立方式与现有的混合高斯模型一样， 均是由如下公式确定的 ： 命中 公式、 滑动均值公式、 滑动方差公式、 排序键值公式以及权值公式。 0050 在现有的高斯模型中， 上述每个公式均针对 t 时刻图像中每一个像素的像素值建 立。由于像素值无法确切地表达阴影区域， 因此本实施例采用当前图像各像素对应的 Lab 空间色彩分量建立矩阵 P， 以矩阵 P 替代上述每个公式中的像素值部分即为改进的混合高 斯背景模型， 并且为了适应该种替代， 将替代后的公式中的滑动均值以及滑动方差表达为 与 P 相同规模的矩阵， 对于命中公式中标准高斯分布阈值与方差数值乘积部分， 将方差数 值以 L、 a、 b 分量的加。
28、权方差数值代替。 0051 Lab 色彩空间是一种对立色彩空间， 具有感知均匀性。其 L 分量代表光亮度的变 化， a 分量代表红绿色度， b 分量代表黄蓝色度。红绿通道对阴影具有最大的无关性， 由于被 蓝色的天空光照射， 比起非阴影区域， 其蓝色分量部分增加的更为明显， 所以阴影区在黄蓝 通道比红绿通道变化的更大。采用加权的 LAB 色彩空间特性对混合高斯模型进行改进。将 图像像素值改进为矩阵 P 可以更好地表达图像中的阴影， 因而能够针对性地去除阴影， 防 止当阴影覆盖其他目标时很容易发生目标粘连， 导致丢失目标。 0052 第二步、 采用形态学开运算和形态学闭运算对运动前景的二值化图像中。
29、的独立前 景像素进行去除， 并对前景空洞进行填充， 得到完整的前景二值图像。 该步骤可以采用图像 处理中常规的形态学开运算和比运算。 0053 第三步、 对于完整的前景二值图像进行连通域分析， 获得前景轮廓 ； 该步骤同样可 以采用常规的连通域分析方法。 0054 第四步、 在第三步中， 所获得前景轮廓即为运动目标， 如图 3(a) 所示， 即为图 2 中 目标 2 和目标 3 ； 在检测出运动目标之后， 应当分析该运动目标是否在之前时刻的图像上已 经检测出来， 若已经检测出来， 则需要进行统计， 若尚未检测出来， 则为新的运动目标， 如图 3(b) 中出现的目标 4， 这样才不至于重复计数。。
30、要实现该过程则需要对每一时刻所检测到 的新的运动目标均进行跟踪， 因此本步中采用了均值漂移跟踪的方法。 0055 其主要流程为 ： 以前景轮廓的外接矩形作为当前目标窗口， 判断当前目标窗口与 跟踪队列中的已有目标窗口是否有重叠， 若没有重叠， 则将当前目标窗口添加至跟踪队列 作为已有目标窗口， 同时统计数据加 1 ； 若有重叠， 则采用均值漂移跟踪的方法对跟踪队列 中的已有目标窗口进行跟踪， 并对均值漂移跟踪方法进行搜索窗自调整的改进， 通过对目 标色彩概率密度的爬升运算， 进行运动目标跟踪， 以跟踪获得搜索窗替换所跟踪的已有目 标窗口， 如图 (b) 图 (g) 为对目标 4 进行跟踪的过程。
31、。 说 明 书 CN 104077779 A 8 5/7 页 9 0056 以上搜索窗自调整的均值漂移算法， 可以采用更大的搜索窗来有效避免由于目标 运动过快导致的搜索窗停留于背景的问题。 0057 该第一步第四步为一次循环过程， 实际的流程应当是， t 的初始值为 1， 每进行 一次循环过程之后， t 自增 1， 然后再进行一次循环过程， 直至 t 取至 T， 具体流程可参照图 1 进行。 0058 在本实施例中， 为了能够达到较好的统计效果， 序列图像中包括 400 帧以上的图 像。 0059 实施例 2、 上述实施例 1 中所给出的方案为一种基本的方案， 在该基本方案的基础 上， 本实施。
32、例依据混合高斯背景模型的特征， 首先初始化如下高斯背景模型， 初始化混合高 斯模型参数 ： 学习率 0.0025， Tv标准高斯分布阈值 Tv 2.5， 背景阈值 Tb 0.7， 高斯 模型数 K 3， 权值 0.05， 方差 2 900。 0060 则实施例 1 中的第一步， 具体为 ： 0061 针对 t 时刻图像中的任一像素， 区分其为背景像素或者前景像素， 然后进行分离 ； 其中对于当前像素， 区分其为背景像素或者前景像素的过程包括如下步骤 ： 0062 步骤 101、 对于 t 时刻图像中的当前像素 ： 维护 K 个高斯模型 ； 当 t 为 1 时， 对该 K 个高斯模型进行初始化，。
33、 初始化的参数包括 ： 滑动均值、 滑动方差、 排序键值以及权值 ； 其 中滑动均值和滑动方差均为 31 的矩阵形式 ； 0063 以当前像素在 t 时刻图像中的 Lab 空间的色彩分量分别为 L、 a、 b 分量， wl、 wa、 wb 分别为 L、 a、 b 分量的权值， wl、 wa、 wb为经验值值， 建立当前像素在 t 时刻图像中的 Lab 特 性矩阵 Pt wlL waa wbb， 其中在 t 时刻图像中， L、 a、 b 分量的滑动均值的矩阵形式为 ： Ut 1 2 3 ； 方差的矩阵形式为 ： 0064 步骤 102、 对当前像素进行命中试验， 其中高斯模型命中公式为 ： 00。
34、65 0066 其中以 * 为下脚标表示 * 时刻， 则 P*表示当前像素在 * 时刻图像中的 Lab 特性矩 阵， U*为 * 时刻图像中该像素 L、 a、 b 分量的滑动均值， V*为 * 时刻图像中该像素 L、 a、 b 分 量的滑动方差， 当 t 1 时， Ut和 Vt均为初始化值 ； Tv为标准高斯分布阈值， 一般取 2.5 ； 加 权滑动方差数值 0067 在当前像素的命中试验中， 如果det小于0， 则t时刻的当前像素属于此高斯模型， 即命中的高斯模型， 更新命中的高斯模型的滑动均值公式， 滑动方差公式、 排序键值公式和 权值公式为 ： 0068 Ut Ut-1+(Pt-Ut-1。
35、) (2) 0069 Vt (1-)Vt-1+(Pt-Ut-1)(Pt-Ut-1) (3) 0070 0071 t t-1+(1-t-1) (5) 0072 其中 st为排序键值， t为权值， 为学习率， 然后对于 K 个高斯模型， 按照排序 键值从大到小的顺序排列， 进入步骤 103。 0073 如果没有命中任何高斯模型， 将 K 个高斯模型按照排序键值从大到小的顺序排列 说 明 书 CN 104077779 A 9 6/7 页 10 后， 根据应用环境和经验值重新初始化一个新的高斯模型， 新的高斯模型用于替换排列在 最后的高斯模型， 重复本步骤 102。 0074 步骤 103、 将当前像。
36、素所维护的 K 个高斯模型的排序键值和权值进行归一化处理， 其中第 k 个高斯模型的排序键值为 sk、 权值为 k， 其归一化后的排序键值为权值为 其中 1 k K ： 0075 0076 0077 其中 sum 为 K 个高斯模型权值的和。 0078 步骤 104、 设定背景阈值 Tb， 找到 kF 1,K， 使得排序为 1 kF位的高斯模型归 一化后的权值之和大于 Tb； 0079 命中的高斯模型在K个高斯模型排序中占第kH位， 则对于当前像素， 当kFkH时， 该像素为背景像素， 否则为前景像素。 0080 在本实施例中， L、 a、 b 分量的权值 wl、 wa、 wb的取值均为经验值。
37、， 其中 wl取值为 1、 wa取值在区间 1,2 内， wb取值在区间 0,1 内。 0081 实施例 3、 在上述实施例 1 的方案中， 其中第四步中， 采用均值漂移跟踪的方法对 跟踪队列中的已有目标窗口进行跟踪， 并对均值漂移跟踪方法进行搜索窗自调整的改进， 通过对目标色彩概率密度的爬升运算， 进行运动目标跟踪， 以跟踪获得搜索窗替换所跟踪 的已有目标窗口 ； 对于一次具体的跟踪过程， 则包括如下步骤 ： 0082 步骤 401、 获得 t 时刻图像在 HSV 色彩空间的色度图像 IH， 以前景轮廓的外接矩形 作为当前目标窗口 RO， 对当前目标窗口内的色度图像进行直方图统计， 得到直方。
38、图 Ho， 利用 直方图 Ho计算色度图 IH的反向投影 Po， 即为当前目标窗口在色度图像 IH中的分布概率密 度图像。 0083 步骤402、 跟踪队列中与当前目标窗口有重叠的已有目标窗口为WO， 以WO作为搜索 窗 WS。 0084 步骤 403、 计算 PO在 WS内的零阶矩 M00， 公式如下 ： 0085 0086 其中 I(x,y) 为 PO在 WS内的坐标为 (x,y) 的像素的像素值。 0087 如果M00小于经验阈值TM， 则将WS中心保持不变， 长和宽均扩大2倍更新搜索窗WS， 并重新计算 Po在 WS内的零阶矩， 如果该零阶距仍小于经验阈值则令 WS为 0， 停止跟踪进。
39、入 步骤 404。 0088 如果 M00大于或者等于经验阈值 TM， 则计算一阶矩 M10和 M01以及搜索窗的重心， 公 式如下 ： 0089 说 明 书 CN 104077779 A 10 7/7 页 11 0090 0091 计算搜索窗口的重心 (xc,yc) ： 0092 0093 0094 若搜索窗的重心 (xc,yc) 与其中心之间的距离小于经验距离 ， 则停止跟踪进入 步骤 404 ； 否则则将搜索窗 WS的中心移动到搜索窗重心处更新搜索窗 WS， 重复步骤 403、 当 重复次数达到跟踪上限时， 停止跟踪进入步骤 404。 0095 步骤 404、 以停止跟踪时的 WS更新跟踪队列中的 WO所存储的目标窗口， 当停止跟 踪时的 WS为 0 时将 WO从跟踪队列中删除。 0096 综上， 以上仅为本发明的较佳实施例而已， 并非用于限定本发明的保护范围。 凡在 本发明的精神和原则之内， 所作的任何修改、 等同替换、 改进等， 均应包含在本发明的保护 范围之内。 说 明 书 CN 104077779 A 11 1/3 页 12 图 1 说 明 书 附 图 CN 104077779 A 12 2/3 页 13 图 2 说 明 书 附 图 CN 104077779 A 13 3/3 页 14 图 3 说 明 书 附 图 CN 104077779 A 14 。