基于多模板回歸加權均值漂移的人體目標跟蹤

賈松敏，文林風*，王麗佳，3

(1.北京工業(yè)大學 信息學部， 北京 100124；2.計算智能與智能系統(tǒng)北京市重點實驗室， 北京 100124；3.河北工業(yè)職業(yè)技術學院 信息工程與自動化系， 河北 石家莊 050091)

?

基于多模板回歸加權均值漂移的人體目標跟蹤

賈松敏1，2，文林風1，2*，王麗佳1，2，3

(1.北京工業(yè)大學 信息學部， 北京 100124；2.計算智能與智能系統(tǒng)北京市重點實驗室， 北京 100124；3.河北工業(yè)職業(yè)技術學院 信息工程與自動化系， 河北 石家莊 050091)

針對移動機器人跟蹤人體目標時目標因角度大幅變化引起外觀改變造成的跟蹤無效，提出了多模板回歸加權均值漂移跟蹤方法。該方法通過建立目標的多模板模型，應用均值漂移算法實現(xiàn)目標跟蹤。首先，根據(jù)前一幀均值漂移結果和當前幀頭肩粗定位結果確定目標模板集，使其包含目標人體的位姿和角度改變。然后，采用多模板回歸加權均值漂移實現(xiàn)目標的精確定位。在多模板均值漂移中引入回歸模型實現(xiàn)顏色紋理特征與目標模型相似度之間的映射，從而控制模板數(shù)量，保證目標檢測的實時性。最后，分別在視頻圖像和機器人目標跟蹤平臺上對所提方法進行實驗驗證。結果顯示，圖像處理平均時間為86.4 s/frame，滿足機器人跟蹤的實時性要求。該方法解決了目標特征在跟蹤過程中發(fā)生變化的問題，提高了機器人跟蹤時對目標人體特征變化的魯棒性。

機器人目標跟蹤；行人跟蹤；多模板均值漂移；回歸模型；視頻圖像

1　引　言

目標跟蹤在科學技術研究和工程應用中具有重要價值。作為一種確定性非參數(shù)化概率密度估計方法[1-2]，均值漂移(Mean Shift)算法已廣泛應用于行人跟蹤技術中。經(jīng)典的均值漂移算法是以顏色直方圖為基礎，通過迭代得到與模板匹配度最高的區(qū)域[3]。在實際的復雜場景下，由于受到光照變化、目標形變、姿態(tài)改變以及障礙物遮擋等問題的影響，經(jīng)典的均值漂移算法往往不能較穩(wěn)定地對目標進行跟蹤[4-6]。

現(xiàn)有的許多研究都是在跟蹤過程中目標外觀變化較小的前提下進行的，然而受光照、位姿等的影響，目標的外觀在跟蹤過程中不斷變化且變化較大。尤其對于服務型機器人而言，人體在室內的姿態(tài)多變，每個角度對應的目標外觀不同，同時行人行走過程中極易受光照變化和障礙物遮擋的影響。因此固定的目標模型難以滿足室內復雜環(huán)境下的跟蹤要求。為解決該問題，一些研究引入了模型實時更新策略。李琦等[7]利用目標凸包擬合橢圓并結合卡爾曼濾波模型，來調整算法核函數(shù)的方向，通過聯(lián)合目標形狀和顏色信息建立了一種目標更新機制。胡良梅等[8]依據(jù)像素點的深度特征以及前一幀的定位結果，提出一種結合深度與顏色信息的目標檢測方法，以自定義的更新速率對模型進行加權更新。喬立勇等[9]提出一種多特征融合和帶寬自適應均值偏移跟蹤算法，根據(jù)目標與模板的巴氏距離獲取權值，對模型進行更新。王麗佳等[10]提出一種分塊多特征描述子的方法，該方法將候選樣本進行分塊，跟蹤過程中結合深度特征及圖像片外觀相似度進行檢測并處理遮擋。上述方法都是在同一目標模板的基礎上更新模型，解決了目標外觀緩慢變化情況下的跟蹤問題。然而，當目標外觀改變較大時這些方法會發(fā)生模型更新不及時，發(fā)生“欠更新”從而跟丟目標。

為了解決上述問題，本文提出了一種多模板回歸加權均值漂移跟蹤方法，并將其應用于室內移動機器人的目標跟蹤系統(tǒng)中。首先通過雙目視覺系統(tǒng)提取場景中的深度信息，并利用頭肩模板進行匹配[11]確定備選人體頭肩區(qū)域，再應用均值漂移算法確定最終模板集。頭肩模板匹配失敗時，在最終模板集中應用均值漂移算法，根據(jù)漂移結果與模板的相似度確定候選模板集，并更新最終模板集。為了有效地描述目標，采用顏色紋理描述子。為了保證系統(tǒng)的實時性，本文提出根據(jù)最終模板集訓練回歸模型得到顏色紋理相似度估計值。最后在視頻和機器人平臺上對所提方法進行驗證。

2　總體設計

跟蹤系統(tǒng)由粗定位模塊和精確定位模塊組成。粗定位模塊主要由雙目立體視覺系統(tǒng)和頭肩匹配算法組成，利用深度信息進行頭肩匹配，初步確定前景中是否出現(xiàn)目標人體以及人體粗略位置。精確定位模塊主要由多模板均值漂移算法和目標回歸模型組成，其作用是在粗定位模塊的基礎上確定所跟蹤目標人體的具體位置。總體設計圖如圖1所示。

圖1　總體設計

3　基于顏色紋理特征的均值漂移

顏色是圖像的一種重要的視覺性質，顏色特征的優(yōu)點是提取相對比較容易，受旋轉、平移和尺度變化等的影響較小，然而其也存在無法反映顏色的空間信息、不同的量化方法造成的誤差對檢索結果可能具有很大的影響等缺點[12]。紋理特征可反映圖像區(qū)域中像素灰度級的空間分布屬性[13-14]，可以彌補顏色描述的不足。其中常用的紋理特征是LBP特征，具有計算復雜度低、尺度和旋轉不變性、算子僅與樣本自身有關等優(yōu)點[15-16]。為更全面地表示目標，本文采用顏色紋理描述子。其中，顏色特征c(x)采用HSV(Hue，Saturation，Value)顏色空間中的色度(hue)分量表示。紋理特征采用均勻LBP(Local Binary Patterns)模式表示[14]。

將特征離散成(m=[mc，mt])個區(qū)間，mc為顏色特征的量化等級，mt為紋理特征的量化等級。假設目標區(qū)域有n個像素點{xi}，i=1，2，…，n，所表示的區(qū)域中心點為x0，則目標的顏色紋理特征表示為：

(1)

(2)

跟蹤過程中，采用顏色紋理聯(lián)合相似度函數(shù)來量化候選區(qū)域與目標模板之間的相似度[12]。顏色紋理聯(lián)合相似度函數(shù)為：

(3)

跟蹤過程中，假設y0作為當前幀的起始漂移窗口中心，通過計算均值漂移向量，迭代尋找目標與候選區(qū)域相似度最大的位置：

(4)

4　多模板回歸加權均值漂移算法

4.1多模板漂移算法

傳統(tǒng)的均值漂移算法假設跟蹤目標的特征變化較小，因此在目標跟蹤時目標模型通常固定不變或者變化不大。然而在移動機器人目標跟蹤系統(tǒng)中，所跟蹤的人體目標會因轉身、光照等變化造成目標外觀改變，從而導致跟蹤失敗。為解決以上問題，本文通過引入多模板漂移算法對均值漂移過程進行管理。

4.1.1多模板漂移算法的模板集

多模板均值漂移算法的模板集分為兩個子集，最終模板集{Gi}i=1，2，…，m和候選模板集{Cj}j=1，2，…，n，每一個模板都用顏色紋理特征描述子表示。兩個模板子集既過濾了一些不穩(wěn)定特征對最終模板的影響，也合理利用了不準確的特征信息。

4.1.2多模板漂移算法初始化

跟蹤系統(tǒng)啟動后，頭肩模型[11]首次匹配成功時，根據(jù)其位置確定最終模板集Gi。候選模板集在跟蹤過程中頭肩模型匹配失敗后根據(jù)均值漂移結果確定。

4.1.3候選模板集的生成

受光照等影響，會使提取的視差圖像不清楚，造成頭肩模型匹配失敗，從而不能提供較為有效的目標位置信息。此時，根據(jù)均值漂移結果生成候選模板集。其生成過程為：

(1)以前一幀目標位置為起點，分別在最終模板集中的m個模板上應用均值漂移算法，得到m個候選位置區(qū)域；

(2)提取候選位置區(qū)域的顏色紋理特征描述子，并計算它們與最終模板的相似度；

此時，利用EKF(Extended Kalman Filter)對當前幀的目標位置進行預測[12]。

4.1.4最終模板集的篩選

頭肩模型匹配成功的結果能夠為均值漂移算法提供有效的初始位置，從而提高均值漂移跟蹤結果的可靠性。最終模板集的篩選過程如下：

(1)以頭肩匹配確定的位置為起點，在最終模板集和候選模板集中的所有n+m個模板上分別進行均值漂移，得到n+m個跟蹤位置；

(2)計算漂移結果與相應模板之間的相似度；

(3)將相似度最大的m組漂移結果所對應的模板存儲到最終模板集中代替舊的模板，其余n組模板存儲到候選模板集。

將由相似度最大的m組漂移結果所確定位置的幾何中心作為當前幀的目標位置。

4.2多模板回歸加權均值漂移算法

多模板均值漂移算法有利于克服光照、位姿變化等造成的目標外觀改變問題。當目標人體姿態(tài)多變或者衣著較為復雜時，需采用較多的模板，而模板數(shù)量的提高會增加均值漂移次數(shù)，從而影響目標跟蹤的實時性。為解決這一問題，提出多模板回歸加權漂移算法。

4.2.1回歸模型的構成

建立回歸模型的目標是實現(xiàn)目標模板的顏色紋理特征描述子與相似度的一個映射[17]。假設目標顏色紋理的特征空間被劃分為m個量化等級，線性回歸模型表示為：

(5)

4.2.2回歸模型的訓練

線性回歸模型采用在線訓練機制來訓練，在跟蹤過程中收集多模板漂移算法中的所有最終模板，作為訓練樣本以訓練回歸模型。在最終模板集發(fā)生改變時進行模型更新。相較于傳統(tǒng)的單模板均值漂移方法，這種更新方式更有針對性。

訓練的目標是估計一組參數(shù)β，使得損失函數(shù)L(β)取得最小值[18]。平方損失函數(shù)是基于數(shù)據(jù)分布存在高斯噪聲的假設而提出的，通過求取數(shù)據(jù)分布的極大似然估計推導得出的，在許多領域具有廣泛應用[19-20]。由于其有閉式解，便于計算機的快速計算，因此采用平方損失函數(shù)來衡量公式(3)計算得出的相似度與回歸模型估計值之間的偏差程度。平方損失函數(shù)定義如下：

(6)

用代數(shù)方法可以推導出其閉式解如下：

(7)

(8)

(9)

4.2.3結合回歸模型改進的多模板均值漂移算法

在回歸模型建立之前，跟蹤系統(tǒng)按照4.1節(jié)多模板均值漂移算法運行，在此期間逐步更新得到的最終模板被收集到訓練樣本中。當訓練樣本達到特征維數(shù)時開始訓練生成線性回歸模型。在后續(xù)跟蹤中，若最終模板集被更新，則將新的模板加入訓練樣本集更新回歸模型。

在建立回歸模型之后，用回歸模型估計值代替顏色紋理聯(lián)合相似度(公式(3))以量化漂移結果區(qū)域與目標的相似度，并在頭肩模型匹配成功的情況下用回歸預測值來對數(shù)量較少的漂移結果區(qū)域的位置進行加權，從而最終確定一個較為精確的目標預測位置，達到用較少數(shù)量的模板進行均值漂移得到較準確的預測位置的目的。

多模板漂移算法與回歸模型的結合方式如圖2所示。

圖2多模板均值漂移算法與回歸模型的結合方式

Fig.2Multi-template Mean Shift combining with regression model

5　實驗結果

實驗硬件平臺主要由雙目立體視覺系統(tǒng)和Pioneer3-DX機器人組成。Pioneer3-DX機器人為內嵌工控機的移動機器人平臺，不具備目標跟蹤功能。雙目立體視覺系統(tǒng)由兩臺Point Gray公司的FLEA2相機搭建而成，該相機的最大分辨率為1 024×768，焦距為3.5 mm，兩臺相機采用平行光軸的方式安裝。視覺跟蹤程序在一臺筆記本電腦上運行，并通過無線局域網(wǎng)實現(xiàn)與Pioneer3-DX機器人的通訊。采用基于模糊規(guī)則的智能控制策略[11]。當機器人通過視覺系統(tǒng)獲得目標準確位置后，基于模糊規(guī)則的智能控制策略實時調整機器人左右輪轉速，從而實現(xiàn)目標跟蹤。實驗場景為室內場景，有桌椅、書柜等障礙物，區(qū)域大小約為8.5 m×7 m。

5.1多模板回歸均值漂移算法實驗

實驗在相機靜止的條件下進行，用雙目立體視覺系統(tǒng)對目標人體進行視頻跟蹤。共采集210幀圖像，每一幀圖像的大小為800 pixel×600 pixel。實驗過程中目標人體在檢測區(qū)域內進行前后左右移動及旋轉，運用所提算法與傳統(tǒng)的均值漂移算法對其進行視覺跟蹤，通過比較實驗效果，分析所提出算法的有效性。實驗中，多模板回歸加權均值漂移算法的模板集設置為3個最終模板與2個候選模板，回歸模型設置為48個維度的顏色特征和36個維度的紋理特征樣本。

(b)傳統(tǒng)均值漂移算法

圖3為部分實驗結果。在第一次成功匹配頭肩模型時進行模板的提取。圖中第35、53、82幀目標人體分別做了解開部分外套、轉身到側面、轉身到背面動作，其顏色紋理特征在初始提取特征的基礎上發(fā)生了一定變化。從實驗結果可以看出，兩種方法的跟蹤位置離目標中心均有所偏差。第126、144、177幀分別為目標人體第二次轉身到側面、第二次轉身到正面出現(xiàn)外套解開狀態(tài)和第二次轉身到背面3種情況。從跟蹤結果可以看出，傳統(tǒng)均值漂移的結果依然與第一次的效果接近，而所提算法的目標跟蹤效果有較大的提升。這是由于多模板回歸加權均值漂移算法在實驗過程中對模板集進行了更新并獲取了訓練樣本，且在收集足夠數(shù)量訓練樣本后訓練出回歸模型，在后續(xù)幀確定目標位置時對漂移結果進行了加權，因此跟蹤的目標位置更加準確。

經(jīng)過多次重復以上實驗，對兩種方法的檢測準確率與檢測時間進行了統(tǒng)計，如表1所示。

表1兩種均值漂移算法的檢測成功率與處理時間的比較

Tab.1Comparison of detection accuracies and running time of two mean shift algorithms

統(tǒng)計項多模板回歸加權均值漂移算法傳統(tǒng)均值漂移算法準確率視差圖不清晰/%88.685.0視差圖清晰/%93.786.4目標首次轉身/%76.277.4目標二次轉身/%94.378.7總體/%90.385.8處理時間/(ms·frame-1)68.286.4

從表1的數(shù)據(jù)中可以看出，相較于傳統(tǒng)均值漂移算法所提的多模板回歸加權均值漂移算法，由于對多個模板進行了更新，且訓練了回歸模型，所以在視差圖清晰時與再次出現(xiàn)近似特征時，準確率有明顯優(yōu)勢。而在處理時間上由于所提算法要進行多次漂移，故比傳統(tǒng)均值漂移算法長一些。但由于均值漂移過程僅是實際應用系統(tǒng)處理過程的一部分，所以對于整個系統(tǒng)的運行的影響是有限的。

5.2移動機器人跟蹤實驗

實驗在裝載有雙目視覺系統(tǒng)和筆記本電腦的Pioneer3-DX移動機器人平臺上進行。采用所提算法與傳統(tǒng)的均值漂移算法對目標進行動態(tài)跟蹤，用以檢驗所提算法在機器人跟蹤應用中的效果。實驗過程為移動機器人跟隨目標行人在場地內行進，路線包括兩個90°彎道。目標行人在進入第一個彎道時平緩轉身，漸進地通過90°彎道，而在第二個90°彎道時目標行人徑直走到盡頭，然后迅速轉身并繼續(xù)前進，使其面對機器人的角度變化增大。跟蹤過程中伴隨有光照變化及人體姿態(tài)改變。

圖4為部分實驗結果。在目標行人緩慢通過第一個彎道時，兩種方法均能夠較好地確定行人位置，而在第二個彎道，由于目標行人轉身比較快，對于機器人的跟蹤造成一定困難。但通過運行所提算法，機器人在目標經(jīng)過第二個彎道時能夠較準確地將其定位出來，使得機器人的跟蹤過程能夠順利完成，而傳統(tǒng)的跟蹤方法由于人體目標的角度突然發(fā)生較大改變，引起外觀特征變化使得均值漂移位置產生偏差，加之目標衣著與背景近似而且橫向位移速度較第一個彎道快，致使目標很快移出相機視野，造成機器人跟隨失敗。此實驗證明了所提算法在實際機器人應用時能夠在目標行人發(fā)生大幅角度態(tài)變化時為機器人提供更準確的定位信息。

(a)多模板回歸加權均值漂移算法

(b)傳統(tǒng)均值漂移算法

6　結　論

本文提出了一種多模板回歸加權均值漂移算法，以解決機器人目標跟蹤過程中由于目標出現(xiàn)大幅度變化而導致目標外觀改變，從而造成跟蹤失效的問題。通過多模板策略對傳統(tǒng)均值漂移算法進行改進，對目標建立多姿態(tài)的模型，提高了對目標的描述能力。當頭肩模型匹配失敗時更新候選模板集，頭肩模型匹配成功時更新最終模板集，實現(xiàn)了模板的逐步更新，有效解決了目標特征在跟蹤過程中產生變化的問題。在多模板均值漂移中應用回歸模型對均值漂移結果進行加權，使漂移結果在不影響實時性的情況得到進一步優(yōu)化，減少了系統(tǒng)對模板數(shù)量的需求。最后視頻跟蹤實驗與移動機器人跟蹤實驗的結果表明，本文提出的方法能在目標行人快速轉身等變化的情況下準確定位人體，提高了機器人跟蹤時對目標人體特征變化的魯棒性。

[1]初紅霞，謝忠玉，王君祥，等. 空間相關背景加權直方圖均值漂移目標跟蹤[J].控制與決策，2014，29(3): 528-532.

CHU H X， XIE ZH Y， WANG J X，etal.. Mean shift target tracking with spatiogram corrected background-weighted histogram [J].ControlandDecision， 2014， 29(3): 528-532. (in Chinese)

[2]修春波，魏世安.顯著性直方圖模型的Camshift跟蹤方法[J]. 光學 精密工程，2015，23(6): 1749-1757.

XIU CH B， WEI SH A. Camshift tracking with saliency histogram [J].Opt.PrecisionEng.， 2015， 23(6): 1749-1757. (in Chinese)

[3]周芳芳，樊曉平，葉榛. 均值漂移算法的研究與應用[J]. 控制與決策，2007，22(8): 841-847.

ZHOU F F， FAN X P， Y ZH. Mean shift research and applications [J].ControlandDecision， 2007， 22(8): 841-847. (in Chinese)

[4]鄭超，陳杰，陶會峰，等. 基于改進亮度變化函數(shù)實現(xiàn)紅外圖像中行人跟蹤[J]. 光學 精密工程，2015，23(10): 2980-2988.

ZHENG CH， CHEN J， TAO H F，etal.. Pedestrian tracking in FLIR imagery based on modified intensity variation function [J].Opt.PrecisionEng.， 2015， 23(10): 2980-2988. (in Chinese)

[5]陳東成，朱明，高文，等. 在線加權多示例學習實時目標跟蹤[J]. 光學 精密工程，2014，22(6): 1661-1667.

CHEN D CH， ZHU M， GAO W，etal.. Real-time object tracking via online weighted multiple instance learning [J].Opt.PrecisionEng.， 2014， 22(6): 1661-1667. (in Chinese)

[6]蘇娟，楊小岡，盧俊. 魯棒的前視紅外目標多核跟蹤算法[J].紅外與激光工程，2013，42(2)：543-548.SU J， YANG X G， LU J. Robust multi-kernel tracking algorithm for FLIR target [J].InfraredandLaserEngineering， 2013，42(2)：543-548. (in Chinese)

[7]李琦，邵春福，岳昊. 核窗口尺寸和目標模型自適應的均值漂移跟蹤[J]. 華南理工大學學報(自然科學版)，2013，41(2): 74-81.

LI Q， SHAO CH F， YUE H. Mean shift tracking with adaptive kernel window size and target model [J].JournalofSouthChinaUniversityofTechnology(NaturalScienceEdition)， 2013， 41(2): 74-81. (in Chinese)

[8]胡良梅，段琳琳，張旭東，等. 融合顏色信息與深度信息的運動目標檢測方法[J].電子與信息學報，2014，36(9)：2047-2052.

HU L M， DUAN L L， ZHANG X D，etal.. Moving object detection based on the fusion of color and depth information [J].JournalofElectronics&InformationTechnology， 2014，36(9)：2047-2052. (in Chinese)

[9]QIAO L Y， XU L X， GAO M. Infrared target tracking using bandwidth adaptive mean shift [J].InfraredandLaserEngineering， 2015，44(1): 354-362.

[10]王麗佳，賈松敏，李秀智，等. 分塊多特征目標描述子的移動機器人目標跟蹤[J]. 控制與決策，2016，31(2): 337-342.

WANG L J， JIA S M， LI X ZH，etal.. Person tracking for robot using patches-based-multi-cues representation [J].ControlandDecision， 2016，31(2): 337-342. (in Chinese)

[11]賈松敏，王爽，王麗佳，等. CTF定位策略下基于多特征的智能機器人目標跟蹤[J]. 上海交通大學學報，2014，48(7): 1039-1052.

JIA S M， WANG SH， WANG L J，etal.. Human tracking based on multi-feature for intelligent robot under the CTF location strategy [J].JournalofShanghaiJiaotongUniversity， 2014， 48(7): 1039-1052. (in Chinese)

[12]宋瀟毅. 基于紋理和顏色特征的圖像檢索[D].成都：電子科技大學，2009.

SONG X Y.Imageretrievalbasedontextureandcolor[D].Chengchu：University of Electronic Science and Technology of China，2009.(in Chinese)

[13]張紅穎，胡正. 融合局部三值數(shù)量和色度信息的均值漂移跟蹤[J]. 電子與信息學報，2014，36(3): 624-630. ZHANG H Y， HU ZH. Mean shift tracking method combining local ternary number with hue information [J].JournalofElectronics&InformationTechnology， 2014， 36(3): 624-630. (in Chinese)

[14]TURHAN M M， HANBAY D. Mean shift based object tracking supported with adaptive Kalman filter [C]. 23rdSignalProcessingandCommunicationsApplicationsConference， 2015.

[15]李冠彬，吳賀豐. 基于顏色紋理直方圖的帶權分塊均值漂移目標跟蹤算法[J]. 計算機輔助設計與圖形學學報，2011，23(11): 2059-2066.LI G B， WU H F. Weighted fragments-based meanshift tracking using color-texture histogram [J].JournalofComputer-AidedDesign&ComputerGraphics， 2011， 23(11): 2059-2066. (in Chinese)

[16]楊軍，高志升，袁紅照，等. 基于LBP特征和貝葉斯模型的單樣本人臉識別[J]. 光電子.激光，2011，22(5)：763-765.YANG J，GAO ZH SH， YUAN H ZH，etal.. Single sample face recognition based on LBP feature and Bayes model [J].JournalofOptoelectronics·Laser， 2011，22(5)：763-765. (in Chinese)

[17]劉桂雄，張曉平，周松斌. 基于最小二乘支持向量回歸機的無線傳感器網(wǎng)絡目標定位法[J]. 光學 精密工程，2009，17(7): 1766-1773.

LIU G X， ZHANG X P， ZHOU S B. Target localization in wireless sensor networks based on LSSVR [J].Opt.PrecisionEng.， 2009， 17(7): 1766-1773. (in Chinese)

[18]汪奇生. 線性回歸模型的總體最小二乘平差算法及其應用研究[D].昆明：昆明理工大學，2014.

WANG Q SH.Researchoftotalleastsquaresadjustmentalgorithmbasedonlinearregressionmodelanditsapplication[D].Kunming：Kunming University of Science and Technology，2014.(in Chinese)

[19]汪方斌，洪津，孫曉兵，等. 基于支持向量機預測偏振模式[J]. 光學 精密工程，2014，22(11): 2914-2922.WANG F B， HONG J， SUN X B，etal.. Prediction of polarization pattern by SVM [J].Opt.PrecisionEng.， 2014， 22(11): 2914-2922. (in Chinese)

[20]ZHANG T J， BAI X F， HAN Q. Contour detection based on support vector regression in natural images [J].InternationalJournalofDigitalContentTechnologyanditsApplications， 2012，6(22):713-721.

文林風(1990-)，男，湖南衡山人，碩士研究生，2013年于北京工業(yè)大學獲得學士學位，主要從事智能系統(tǒng)與模式識別等方面的研究。E-mail:wlwind@emails.bjut.edu.cn

導師簡介：

賈松敏(1964-)，女，北京人，教授，博士生導師，2002年于日本國立電氣通信大學獲得博士學位，主要從事智能服務機器人及其關鍵性技術、機器人分散控制、計算機視覺等方面的研究。E-mail:jsm@bjut.edu.cn

(本欄目編輯：李自樂)

(版權所有未經(jīng)許可不得轉載)

Person tracking based on multi-template regression weighted mean shift

JIA Song-min1，2， WEN Lin-feng1，2*， WANG Li-jia1，2，3

(1.FacultyofInformationTechnology，BeijingUniversityofTechnology，Beijing100124，China；2.BeijingKeyLaboratoryofComputationalIntelligenceandIntelligentSystem，Beijing100124，China；3.DepartmentofInformationEngineeringandAutomation，HebeiCollegeofIndustryandTechnology，Shijiazhuang050091，China)*Correspondingauthor，E-mail：wlwind@emails.bjut.edu.cn

To solve the invalid tracking of a human target caused by appearance variations due to large angle change of the target in a robot mobile tracking， a multi-template regression weighted mean-shift algorithm was proposed. The algorithm could implement the target tracking by building a multi-template model of the target and applying mean shift. Firstly， the template set was obtained according to the results from mean shift procedure of the last frame and the coarse location information of head-shoulder model of a current frame， by which the position and angle variation of the target person were included. Then， the multi-template regression weighted mean-shift algorithm was used to determine the precise location of the target person. The regression model was introduced to multi-template mean shift to implement a map from color-texture feature to the similarity of target model to limit the number of templates and to ensure the real-time performance of the target detection. Finally， the proposed algorithm was verified by videos and robot tracking tests. The results show that the image average treatment time is 86.4 ms/frame， which satisfies the requirement of person tracking for a mobile robot. The method solves the appearance variation problem of targets in tracking processing and improves the robustness of human targets to its feature variations.

person tracking; mean shift; multi-template; regression model; video image

TP391.4

A

10.3788/OPE.20162409.2339