本發(fā)明涉及圖像處理、計(jì)算機(jī)視覺和模式識(shí)別技術(shù)領(lǐng)域，具體而言，涉及一種基于均值偏移多特征融合的目標(biāo)跟蹤方法及裝置。

背景技術(shù)：
運(yùn)動(dòng)目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要課題，在軍用視覺制導(dǎo)、機(jī)器人導(dǎo)航、安全監(jiān)測(cè)、交通管制、醫(yī)療診斷、虛擬現(xiàn)實(shí)和戰(zhàn)場(chǎng)警戒、公共安全監(jiān)視、人機(jī)交互、圖像壓縮等諸多方面應(yīng)用廣泛。通常，運(yùn)動(dòng)目標(biāo)跟蹤涉及到圖像處理、模式識(shí)別、人工智能以及自適應(yīng)控制等多領(lǐng)域問題的綜合解決，其中，對(duì)于復(fù)雜背景下的圖像處理一直是視覺信息處理和理解的難點(diǎn)。運(yùn)動(dòng)目標(biāo)跟蹤是指通過對(duì)視頻流或者圖像序列中的運(yùn)動(dòng)目標(biāo)進(jìn)行檢測(cè)、特征提取、識(shí)別和跟蹤，獲得目標(biāo)的運(yùn)動(dòng)參數(shù)，如速度、加速度、位置以及運(yùn)動(dòng)軌跡等，從而進(jìn)行進(jìn)一步處理與分析，實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的行為理解，以完成更高一級(jí)的任務(wù)。在對(duì)運(yùn)動(dòng)目標(biāo)特征提取時(shí)，顏色直方圖信息因其具有特征穩(wěn)定、抗部分遮擋、計(jì)算方法簡(jiǎn)單和計(jì)算量小等特點(diǎn)而被廣泛采用，但是顏色直方圖特征主要缺點(diǎn)是容易受光照、視覺和攝像機(jī)參數(shù)等因素的影響，同時(shí)也容易被復(fù)雜背景干擾，導(dǎo)致目標(biāo)跟蹤魯棒性不強(qiáng)。脈沖功率激光技術(shù)國(guó)家重點(diǎn)實(shí)驗(yàn)室的陳善靜、楊華等獨(dú)立研究了一種《基于二階直方圖的改進(jìn)型均值偏移跟蹤算法》（期刊名：《探測(cè)與控制學(xué)報(bào)》；卷號(hào)：ISSN:1008-1194/CN:61-1316/TJ；期數(shù):2010年04期；頁(yè)碼:73），由于其提出的二階直方圖與顏色直方圖相比不僅考慮像素點(diǎn)的顏色值并且考慮像素點(diǎn)間的空間關(guān)系，包含更豐富的目標(biāo)信息，所以抗干擾性和抗拒不遮擋能力更強(qiáng)和受光照影響更小，一定程度上提高了目標(biāo)跟蹤魯棒性，但當(dāng)背景比較復(fù)雜，目標(biāo)與背景顏色相似時(shí)，此時(shí)用二階直方圖特征進(jìn)行跟蹤就有可能偏離目標(biāo)，從而導(dǎo)致跟蹤失敗。另外，中國(guó)科學(xué)院光電技術(shù)研究所的劉素珍、鄧和林研究了一種《基于顏色直方圖特征和梯度直方圖特征相融合的目標(biāo)跟蹤算法》（期刊名：《激光與紅外》；文章編號(hào)：1001-5078（2008）08-0837-04；期數(shù):2008年08期；頁(yè)碼:837），在該文中，其聯(lián)合目標(biāo)的灰度特征空間和梯度特征空間，聯(lián)合特征空間中的目標(biāo)模型比單一特征目標(biāo)模型具有更好的魯棒性，能有效地克服目標(biāo)部分遮擋、目標(biāo)和背景灰度相似等因素下的影響。但當(dāng)不同目標(biāo)在灰度和梯度特征空間均相似時(shí)，容易導(dǎo)致跟蹤失敗。為此，在背景復(fù)雜下，目標(biāo)與背景顏色相似時(shí)以及不同目標(biāo)在灰度和梯度特征空間均表現(xiàn)相似時(shí)，如何提供一種既能實(shí)現(xiàn)運(yùn)動(dòng)目標(biāo)的準(zhǔn)確跟蹤，又能保障目標(biāo)跟蹤魯棒性的目標(biāo)跟蹤方法便成為了目前亟需解決的問題。

技術(shù)實(shí)現(xiàn)要素：
有鑒于此，本發(fā)明提出一種將二階梯度加權(quán)直方圖和顏色直方圖特征相融合的方法，并以均值偏移算法為框架實(shí)現(xiàn)目標(biāo)跟蹤的基于均值偏移多特征融合的目標(biāo)跟蹤方法及裝置，通過本發(fā)明可以提高目標(biāo)跟蹤算法的準(zhǔn)確度。為了達(dá)到本發(fā)明的目的，本發(fā)明采用以下技術(shù)方案實(shí)現(xiàn)：一種基于均值偏移多特征融合的目標(biāo)跟蹤方法，包括：獲取場(chǎng)景的視頻數(shù)據(jù)，對(duì)其進(jìn)行運(yùn)動(dòng)目標(biāo)分離，得到前景目標(biāo)；提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤。一種優(yōu)選實(shí)施方式下，獲取場(chǎng)景的視頻數(shù)據(jù)，對(duì)其進(jìn)行運(yùn)動(dòng)目標(biāo)分離以得到前景目標(biāo)的處理步驟包括：對(duì)視頻數(shù)據(jù)進(jìn)行顏色空間轉(zhuǎn)換，對(duì)轉(zhuǎn)換后的顏色空間進(jìn)行圖像去噪處理；對(duì)進(jìn)行了圖像去噪處理后的視頻數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)處理以得到前景目標(biāo)；對(duì)所述前景目標(biāo)進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理和聯(lián)通區(qū)域標(biāo)記處理。一種更為優(yōu)選實(shí)施方式下，所述目標(biāo)檢測(cè)處理方法包括背景差分法、幀差法、光流法或者背景建模法。一種優(yōu)選實(shí)施方式下，提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤的處理步驟包括：提取二階梯度加權(quán)直方圖特征；提取顏色直方圖特征；采用以下數(shù)學(xué)式進(jìn)行特征融合處理：ρ=Σi=1kωiRi,k∈N+;]]>其中，ρ表示融合后的特征匹配系數(shù)，Ri表示融合前的各個(gè)特征歸一化匹配系數(shù)，ωi表示Ri所對(duì)應(yīng)的權(quán)重，且有N+表示正整數(shù)集，即k≥1且k∈N+；基于融合后的特征以均值偏移算法進(jìn)行目標(biāo)跟蹤。一種更為優(yōu)選實(shí)施方式下，所述二階梯度加權(quán)直方圖特征的計(jì)算步驟為：以圖像任意一點(diǎn)為中心構(gòu)建0°、45°、90°、135°四個(gè)方向的梯度值；將這四個(gè)方向的梯度值相加得到該點(diǎn)的梯度特征；依據(jù)所述梯度特征、加權(quán)直方圖、梯度空間均值向量和梯度空間協(xié)方差矩陣提取所述二階梯度加權(quán)直方圖特征。一種更為優(yōu)選實(shí)施方式下，提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤具體處理步驟包括：a、在獲取的前景目標(biāo)中確定一目標(biāo)，并確定該目標(biāo)初始質(zhì)心位置為前景目標(biāo)檢測(cè)時(shí)的位置y0；b、計(jì)算目標(biāo)模型的梯度加權(quán)直方圖分布c、計(jì)算目標(biāo)模型的梯度加權(quán)直方圖各灰度等級(jí)的均值向量u1b和協(xié)方差矩陣Δ1b；d、計(jì)算目標(biāo)模型的顏色直方圖e、確定候選目標(biāo)模型的質(zhì)心位置y0；f、計(jì)算候選目標(biāo)模型的梯度加權(quán)直方圖分布g、計(jì)算候選目標(biāo)模型的梯度加權(quán)直方圖各灰度等級(jí)的均值向量u2b(y0)和協(xié)方差矩陣Δ2b(y0)；h、計(jì)算候選目標(biāo)模型的顏色直方圖分布i、采用以下數(shù)學(xué)式計(jì)算聯(lián)合特征空間的目標(biāo)模型：其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；j、采用以下數(shù)學(xué)式計(jì)算聯(lián)合特征空間的候選目標(biāo)模型；p^u(y0)=(1-α)p^1u(y0)+αp^2u(y0);]]>其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；k、采用以下數(shù)學(xué)式計(jì)算權(quán)值{ωi},i＝1,2,...,nh；ωi=ηexp{-12(u2b(y0)-u1b)Δ^b-1(y0)(u2b(y0)-u1b)T},]]>其中，η是高斯常數(shù)，且Δ^b-1(y0)=(Δ2b-1(y0)+(Δ1b)-1);]]>l、利用均值偏移算法，并采用以下數(shù)學(xué)式計(jì)算目標(biāo)新位置：y1=Σi=1nhαixi-Σj=1BvjΣi=1nhαi;]]>其中，αi=Chh2Σj=1Bωj(y0)q^up^u(y0)δij,]]>vj=ωj(y0)q^up^u(y0)Δ^b-1(y0)(u1b-u2b(y0)),]]>Ch為歸一化常數(shù)，且h為核帶寬，nh為目標(biāo)區(qū)域的像素?cái)?shù)；m、分別采用以下數(shù)學(xué)式計(jì)算相似性系數(shù)ρ^(y0)=ρ(p^u(y0),q^u)=Σu=1mp^u(y0)q^u;]]>ρ^(y1)=ρ(p^u(y1),q^u)=Σu=1mp^u(y1)q^u;]]>其中，如果那么y1=(y0+y1)/2，則轉(zhuǎn)步驟l，否則轉(zhuǎn)步驟n；n、如果||y1-y0||<ε，則停止迭代，否則，y0=y1，轉(zhuǎn)步驟b。一種基于均值偏移多特征融合的目標(biāo)跟蹤裝置，包括：獲取模塊，用于獲取場(chǎng)景的視頻數(shù)據(jù)；前景分離模塊，用于對(duì)獲取的視頻數(shù)據(jù)進(jìn)行運(yùn)動(dòng)目標(biāo)分離，得到前景目標(biāo)；跟蹤模塊，用于提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤。一種優(yōu)選實(shí)施方式下，前景分離模塊對(duì)獲取的視頻數(shù)據(jù)進(jìn)行運(yùn)動(dòng)目標(biāo)分離以得到前景目標(biāo)的處理步驟包括：對(duì)視頻數(shù)據(jù)進(jìn)行顏色空間轉(zhuǎn)換，對(duì)轉(zhuǎn)換后的顏色空間進(jìn)行圖像去噪處理；對(duì)進(jìn)行了圖像去噪處理后的視頻數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)處理以得到前景目標(biāo)；對(duì)所述前景目標(biāo)進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理和聯(lián)通區(qū)域標(biāo)記處理。一種更為優(yōu)選實(shí)施方式下，所述目標(biāo)檢測(cè)處理方法包括背景差分法、幀差法、光流法或者背景建模法。一種優(yōu)選實(shí)施方式下，跟蹤模塊提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤的處理步驟包括：提取二階梯度加權(quán)直方圖特征；提取顏色直方圖特征；采用以下數(shù)學(xué)式進(jìn)行特征融合處理：ρ=Σi=1kωiRi,k∈N+;]]>其中，ρ表示融合后的特征匹配系數(shù)，Ri表示融合前的各個(gè)特征歸一化匹配系數(shù)，ωi表示Ri所對(duì)應(yīng)的權(quán)重，且有N+表示正整數(shù)集，即k≥1且k∈N+；基于融合后的特征以均值偏移算法進(jìn)行目標(biāo)跟蹤。一種更為優(yōu)選實(shí)施方式下，所述二階梯度加權(quán)直方圖特征的計(jì)算步驟為：以圖像任意一點(diǎn)為中心構(gòu)建0°、45°、90°、135°四個(gè)方向的梯度值；將這四個(gè)方向的梯度值相加得到該點(diǎn)的梯度特征；依據(jù)所述梯度特征、加權(quán)直方圖、梯度空間均值向量和梯度空間協(xié)方差矩陣提取所述二階梯度加權(quán)直方圖特征。一種更為優(yōu)選實(shí)施方式下，跟蹤模塊提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤具體處理步驟包括：a、在獲取的前景目標(biāo)中確定一目標(biāo)，并確定該目標(biāo)初始質(zhì)心位置為前景目標(biāo)檢測(cè)時(shí)的位置y0；b、計(jì)算目標(biāo)模型的梯度加權(quán)直方圖分布c、計(jì)算目標(biāo)模型的梯度加權(quán)直方圖各灰度等級(jí)的均值向量u1b和協(xié)方差矩陣Δ1b；d、計(jì)算目標(biāo)模型的顏色直方圖e、確定候選目標(biāo)模型的質(zhì)心位置y0；f、計(jì)算候選目標(biāo)模型的梯度加權(quán)直方圖分布g、計(jì)算候選目標(biāo)模型的梯度加權(quán)直方圖各灰度等級(jí)的均值向量u2b(y0)和協(xié)方差矩陣Δ2b(y0)；h、計(jì)算候選目標(biāo)模型的顏色直方圖分布i、采用以下數(shù)學(xué)式計(jì)算聯(lián)合特征空間的目標(biāo)模型：其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；j、采用以下數(shù)學(xué)式計(jì)算聯(lián)合特征空間的候選目標(biāo)模型；p^u(y0)=(1-α)p^1u(y0)+αp^2u(y0);]]>其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；k、采用以下數(shù)學(xué)式計(jì)算權(quán)值{ωi},i＝1,2,...,nh；ωi=ηexp{-12(u2b(y0)-u1b)Δ^b-1(y0)(u2b(y0)-u1b)T},]]>其中，η是高斯常數(shù)，且Δ^b-1(y0)=(Δ2b-1(y0)+(Δ1b)-1);]]>l、利用均值偏移算法，并采用以下數(shù)學(xué)式計(jì)算目標(biāo)新位置：y1=Σi=1nhαixi-Σj=1BvjΣi=1nhαi;]]>其中，αi=Chh2Σj=1Bωj(y0)q^up^u(y0)δij,]]>vj=ωj(y0)q^up^u(y0)Δ^b-1(y0)(u1b-u2b(y0)),]]>Ch為歸一化常數(shù)，且h為核帶寬，nh為目標(biāo)區(qū)域的像素?cái)?shù)；m、分別采用以下數(shù)學(xué)式計(jì)算相似性系數(shù)ρ^(y0)=ρ(p^u(y0),q^u)=Σu=1mp^u(y0)q^u;]]>ρ^(y1)=ρ(p^u(y1),q^u)=Σu=1mp^u(y1)q^u;]]>其中，如果那么y1=(y0+y1)/2，則轉(zhuǎn)步驟l，否則轉(zhuǎn)步驟n；n、如果||y1-y0||<ε，則停止迭代，否則，y0=y1，轉(zhuǎn)步驟b。通過上述本發(fā)明的技術(shù)方案可以看出，本發(fā)明通過將二階梯度加權(quán)直方圖特征和顏色直方圖特征相融合，并以均值偏移算法為框架實(shí)現(xiàn)目標(biāo)跟蹤，可以提高目標(biāo)跟蹤算法的準(zhǔn)確度以及魯棒性。附圖說明圖1是本發(fā)明實(shí)施例提供的基于均值偏移多特征融合的目標(biāo)跟蹤裝置進(jìn)行運(yùn)動(dòng)目標(biāo)檢測(cè)與跟蹤的示意圖；圖2是本發(fā)明實(shí)施例提供的基于特征跟蹤的算法結(jié)構(gòu)示意圖；圖3是本發(fā)明實(shí)施例提供的二階直方圖示意圖；圖4是本發(fā)明實(shí)施例提供的3×3領(lǐng)域梯度模板示意圖；圖5是本發(fā)明實(shí)施例提供的以均值偏移算法為框架的多特征目標(biāo)跟蹤算法流程示意圖。本發(fā)明目的的實(shí)現(xiàn)、功能特點(diǎn)及優(yōu)異效果，下面將結(jié)合具體實(shí)施例以及附圖做進(jìn)一步的說明。具體實(shí)施方式下面結(jié)合附圖和具體實(shí)施例對(duì)本發(fā)明所述技術(shù)方案作進(jìn)一步的詳細(xì)描述，以使本領(lǐng)域的技術(shù)人員可以更好的理解本發(fā)明并能予以實(shí)施，但所舉實(shí)施例不作為對(duì)本發(fā)明的限定。本發(fā)明實(shí)施例提供了一種基于均值偏移多特征融合的目標(biāo)跟蹤方法，參考圖2，其主要包括如下具體步驟：S101、獲取場(chǎng)景的視頻數(shù)據(jù)，對(duì)其進(jìn)行運(yùn)動(dòng)目標(biāo)分離，得到前景目標(biāo)；S102、提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤。具體實(shí)施時(shí)，對(duì)獲取場(chǎng)景的視頻數(shù)據(jù)進(jìn)行運(yùn)動(dòng)目標(biāo)分離以得到前景目標(biāo)的處理步驟包括：預(yù)處理步驟、目標(biāo)檢測(cè)步驟以及后處理步驟三個(gè)步驟。一種優(yōu)選實(shí)施方式下，在所述步驟S101中，獲取場(chǎng)景的視頻數(shù)據(jù)，對(duì)其進(jìn)行運(yùn)動(dòng)目標(biāo)分離以得到前景目標(biāo)的處理步驟包括：S1011、預(yù)處理步驟：對(duì)視頻數(shù)據(jù)進(jìn)行顏色空間轉(zhuǎn)換，對(duì)轉(zhuǎn)換后的顏色空間進(jìn)行圖像去噪處理，例如，為了減少計(jì)算量，一種優(yōu)選實(shí)施方式下，可以將獲取的視頻數(shù)據(jù)先行灰度化，再對(duì)灰度化的數(shù)據(jù)進(jìn)行圖像去噪處理；S1012、目標(biāo)檢測(cè)步驟：對(duì)進(jìn)行了圖像去噪處理后的視頻數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)處理以得到前景目標(biāo)；一種優(yōu)選實(shí)施方式下，所述目標(biāo)檢測(cè)處理方法包括背景差分法、幀差法、光流法或者背景建模法，其中，采用所述背景差分法、幀差法、光流法或者背景建模法進(jìn)行目標(biāo)檢測(cè)處理的詳細(xì)技術(shù)方案是本技術(shù)領(lǐng)域的普通技術(shù)人員所共知的現(xiàn)有技術(shù)，本文對(duì)此不做詳細(xì)說明；S1013、后處理步驟：對(duì)所述前景目標(biāo)進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理和聯(lián)通區(qū)域標(biāo)記處理。一種優(yōu)選實(shí)施方式下，在所述步驟S102中，提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤的處理步驟包括：S1021、提取二階梯度加權(quán)直方圖特征，其中，如圖3所示，所述二階梯度加權(quán)直方圖特征信息相比一階梯度加權(quán)直方圖特征信息多包含了梯度空間均值向量信息和梯度空間協(xié)方差矩陣信息；S1022、提取顏色直方圖特征；S1023、采用以下數(shù)學(xué)式進(jìn)行特征融合處理：ρ=Σi=1kωiRi,k∈N+;]]>其中，ρ表示融合后的特征匹配系數(shù)，Ri表示融合前的各個(gè)特征歸一化匹配系數(shù)，ωi表示Ri所對(duì)應(yīng)的權(quán)重，且有N+表示正整數(shù)集，即k≥1且k∈N+；S1024、基于融合后的特征以均值偏移算法進(jìn)行目標(biāo)跟蹤。一種更為優(yōu)選實(shí)施方式下，在所述步驟S1021中，所述二階梯度加權(quán)直方圖特征的計(jì)算步驟為：1、以圖像任意一點(diǎn)為中心構(gòu)建0°、45°、90°、135°四個(gè)方向的梯度值；2、將這四個(gè)方向的梯度值相加得到該點(diǎn)的梯度特征；3、依據(jù)所述梯度特征、加權(quán)直方圖、梯度空間均值向量和梯度空間協(xié)方差矩陣提取所述二階梯度加權(quán)直方圖特征。例如，如圖4所示，假設(shè)I(i,j)表示圖像中任意一點(diǎn)灰度值，為簡(jiǎn)化計(jì)算，以該點(diǎn)為中心，在其周圍用3×3模板構(gòu)建四個(gè)方向梯度可以表示為：0°方向梯度值Th：Th(i,j)=|I(i,j-1)-I(i,j+1)|；45°方向梯度值Tl：Tl(i,j)=|I(i+1,j-1)-I(i-1,j+1)|；90°方向梯度值Tv：Tv(i,j)=|I(i+1,j)-I(i-1,j)|；135°方向梯度值Tr：Tr(i,j)=|I(i+1,j+1)-I(i-1,j-1)|。將這四個(gè)方向梯度值相加即得該點(diǎn)的梯度值T(i,j)：T(i,j)=Th(i,j)+Tl(i,j)+Tv(i,j)+Tr(i,j)，再將T(i,j)梯度特征進(jìn)行加權(quán)直方圖、梯度空間均值向量和協(xié)方差矩陣聯(lián)合即得二階梯度加權(quán)直方圖特征信息。一種更為優(yōu)選實(shí)施方式下，在所述步驟S102中，參考圖5，提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤具體包括以下處理步驟（其中，本文以單目標(biāo)為例進(jìn)行闡述，多目標(biāo)情況依此類推）：步驟一：從檢測(cè)的前景目標(biāo)中確定一單目標(biāo)，并確定該目標(biāo)初始質(zhì)心位置為前景檢測(cè)時(shí)的位置y0；步驟二：計(jì)算目標(biāo)模型的梯度加權(quán)直方圖分布其中，為了闡明的含義，先假設(shè)目標(biāo)有nh個(gè)像素，用{xi},i＝1,2,...nh表示，并假設(shè)目標(biāo)中心為x0，梯度空間劃分成k個(gè)相等的區(qū)間，每個(gè)區(qū)間作為一個(gè)bin，又假設(shè)bin的個(gè)數(shù)為m，那么目標(biāo)模型的加權(quán)直方圖特征u=1,2,...,m估計(jì)概率密度可表示為：q^1u=CΣi=1nhk(||x0-xih||2)δ[b(xi)-u];]]>其中，k(x)是核函數(shù)的輪廓函數(shù)，δ(x)是Delta函數(shù)，h為核帶寬，C是歸一化常數(shù)，其可以通過以下數(shù)學(xué)式獲?。篊=1Σi=1nhk(||x0-xih||2);]]>步驟三：計(jì)算目標(biāo)模型的梯度加權(quán)直方圖各灰度等級(jí)的均值向量u1b和協(xié)方差矩陣Δ1b；其中，可用下面兩個(gè)式子描述均值向量u1b和協(xié)方差矩陣Δ1b的含義：u1b=1Σi=1nhδ[b(xi)-u]Σi=1nh(xi-x0)δ[b(xi)-u];]]>Δ1b=1Σi=1nhδ[b(xi)-u]Σi=1nh((xi-u1b)T(xi-u1b))δ[b(xi)-u];]]>步驟四：計(jì)算目標(biāo)模型的顏色直方圖其中，的物理意義同步驟二的物理意義一樣；步驟五：確定候選目標(biāo)模型的質(zhì)心位置y0；步驟六：計(jì)算候選目標(biāo)模型的梯度加權(quán)直方圖分布其中，可用下述數(shù)學(xué)式獲取p^1u(y0)=ChΣi=1nhk(||y0-xih||2)δ[b(xi)-u];]]>其中，Ch是歸一化常數(shù)，且步驟七：計(jì)算候選目標(biāo)模型的梯度加權(quán)直方圖各灰度等級(jí)的均值向量u2b(y0)和協(xié)方差矩陣Δ2b(y0)，其中，u2b(y0)、Δ2b(y0)的物理意義分別同步驟三中的u1b、Δ1b物理意義相同，這里不再重復(fù)贅述；步驟八：計(jì)算候選目標(biāo)模型的顏色直方圖分布其中，的物理含義同步驟六中的物理意義相同，這里不再重復(fù)贅述；步驟九：采用以下數(shù)學(xué)式計(jì)算聯(lián)合特征空間的目標(biāo)模型：q^u=(1-α)q^1u+αq^2u;]]>其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；步驟十：采用以下數(shù)學(xué)式計(jì)算聯(lián)合特征空間的候選目標(biāo)模型；p^u(y0)=(1-α)p^1u(y0)+αp^2u(y0);]]>其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；步驟十一：根據(jù)以下數(shù)學(xué)式計(jì)算權(quán)值{ωi},i＝1,2,...,nh：ωi=ηexp{-12(u2b(y0)-u1b)Δ^b-1(y0)(u2b(y0)-u1b)T};]]>其中，η是高斯常數(shù)，Δ^b-1(y0)=(Δ2b-1(y0)+(Δ1b)-1);]]>步驟十二：利用均值偏移算法，并采用以下數(shù)學(xué)式計(jì)算目標(biāo)新位置：y1=Σi=1nhαixi-Σj=1BvjΣi=1nhαi;]]>其中，αi=Chh2Σj=1Bωj(y0)q^up^u(y0)δij,]]>vj=ωj(y0)q^up^u(y0)Δ^b-1(y0)(u1b-u2b(y0)),]]>αi表達(dá)式中Ch為歸一化常數(shù)，且h為核帶寬，nh為目標(biāo)區(qū)域的像素?cái)?shù)，vj表達(dá)式中意義同步驟十一中所述；步驟十三：分別采用以下數(shù)學(xué)式計(jì)算相似性系數(shù)ρ^(y0)=ρ(p^u(y0),q^u)=Σu=1mp^u(y0)q^u;]]>ρ^(y1)=ρ(p^u(y1),q^u)=Σu=1mp^u(y1)q^u;]]>其中，如果那么y1=(y0+y1)/2，則轉(zhuǎn)步驟十二，否則進(jìn)行下一步；步驟十四：如果||y1-y0||<ε，那么停止迭代，否則，y0=y1，轉(zhuǎn)步驟二，重復(fù)之后過程。相應(yīng)地，本發(fā)明實(shí)施例還提供了一種基于均值偏移多特征融合的目標(biāo)跟蹤裝置，參考圖1和圖2，，其主要包括以下幾大模塊：獲取模塊10，用于獲取場(chǎng)景的視頻數(shù)據(jù)；前景分離模塊20，用于對(duì)獲取的視頻數(shù)據(jù)進(jìn)行運(yùn)動(dòng)目標(biāo)分離，得到前景目標(biāo)；跟蹤模塊30，用于提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤。本實(shí)施例中，所述前景分離模塊20對(duì)獲取的視頻數(shù)據(jù)進(jìn)行運(yùn)動(dòng)目標(biāo)分離以得到前景目標(biāo)的處理步驟包括：1、對(duì)視頻數(shù)據(jù)進(jìn)行顏色空間轉(zhuǎn)換，對(duì)轉(zhuǎn)換后的顏色空間進(jìn)行圖像去噪處理；2、對(duì)進(jìn)行了圖像去噪處理后的視頻數(shù)據(jù)進(jìn)行目標(biāo)檢測(cè)處理以得到前景目標(biāo)，優(yōu)選實(shí)施方式下，所述目標(biāo)檢測(cè)處理方法包括背景差分法、幀差法、光流法或者背景建模法；3、對(duì)所述前景目標(biāo)進(jìn)行數(shù)學(xué)形態(tài)學(xué)處理和聯(lián)通區(qū)域標(biāo)記處理。本實(shí)施例中，參考圖3，所述跟蹤模塊30提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤的處理步驟包括：1、提取二階梯度加權(quán)直方圖特征；2、提取顏色直方圖特征；3、采用以下數(shù)學(xué)式進(jìn)行特征融合處理：ρ=Σi=1kωiRi,k∈N+;]]>其中，ρ表示融合后的特征匹配系數(shù)，Ri表示融合前的各個(gè)特征歸一化匹配系數(shù)，ωi表示Ri所對(duì)應(yīng)的權(quán)重，且有N+表示正整數(shù)集，即k≥1且k∈N+；4、基于融合后的特征以均值偏移算法進(jìn)行目標(biāo)跟蹤。本實(shí)施例中，所述二階梯度加權(quán)直方圖特征的計(jì)算步驟為：1、以圖像任意一點(diǎn)為中心構(gòu)建0°、45°、90°、135°四個(gè)方向的梯度值；2、將這四個(gè)方向的梯度值相加得到該點(diǎn)的梯度特征；3、依據(jù)所述梯度特征、加權(quán)直方圖、梯度空間均值向量和梯度空間協(xié)方差矩陣提取所述二階梯度加權(quán)直方圖特征。例如，如圖4所示，假設(shè)I(i,j)表示圖像中任意一點(diǎn)灰度值，為簡(jiǎn)化計(jì)算，以該點(diǎn)為中心，在其周圍用3×3模板構(gòu)建四個(gè)方向梯度可以表示為：0°方向梯度值Th：Th(i,j)=|I(i,j-1)-I(i,j+1)|；45°方向梯度值Tl：Tl(i,j)=|I(i+1,j-1)-I(i-1,j+1)|；90°方向梯度值Tv：Tv(i,j)=|I(i+1,j)-I(i-1,j)|；135°方向梯度值Tr：Tr(i,j)=|I(i+1,j+1)-I(i-1,j-1)|。將這四個(gè)方向梯度值相加即得該點(diǎn)的梯度值T(i,j)：T(i,j)=Th(i,j)+Tl(i,j)+Tv(i,j)+Tr(i,j)，再將T(i,j)梯度特征進(jìn)行加權(quán)直方圖、梯度空間均值向量和協(xié)方差矩陣聯(lián)合即得二階梯度加權(quán)直方圖特征信息。本發(fā)明實(shí)施例中，參考圖5，所述跟蹤模塊30提取前景目標(biāo)中的二階梯度加權(quán)直方圖特征和顏色直方圖特征，并基于所述二階梯度加權(quán)直方圖特征和顏色直方圖特征以均值偏移算法為框架對(duì)前景目標(biāo)進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤具體包括以下處理步驟（其中，本文以單目標(biāo)為例進(jìn)行闡述，多目標(biāo)情況依此類推）：步驟一：從檢測(cè)的前景目標(biāo)中確定一單目標(biāo)，并確定該目標(biāo)初始質(zhì)心位置為前景檢測(cè)時(shí)的位置y0；步驟二：計(jì)算目標(biāo)模型的梯度加權(quán)直方圖分布其中，為了闡明的含義，先假設(shè)目標(biāo)有nh個(gè)像素，用{xi},i＝1,2,...nh表示，并假設(shè)目標(biāo)中心為x0，梯度空間劃分成k個(gè)相等的區(qū)間，每個(gè)區(qū)間作為一個(gè)bin，又假設(shè)bin的個(gè)數(shù)為m，那么目標(biāo)模型的加權(quán)直方圖特征u=1,2,...,m估計(jì)概率密度可表示為：q^1u=CΣi=1nhk(||x0-xih||2)δ[b(xi)-u];]]>其中，k(x)是核函數(shù)的輪廓函數(shù)，δ(x)是Delta函數(shù)，h為核帶寬，C是歸一化常數(shù)，其可以通過以下數(shù)學(xué)式獲?。篊=1Σi=1nhk(||x0-xih||2);]]>步驟三：計(jì)算目標(biāo)模型的梯度加權(quán)直方圖各灰度等級(jí)的均值向量u1b和協(xié)方差矩陣Δ1b；其中，可用下面兩個(gè)式子描述均值向量u1b和協(xié)方差矩陣Δ1b的含義：u1b=1Σi=1nhδ[b(xi)-u]Σi=1nh(xi-x0)δ[b(xi)-u];]]>Δ1b=1Σi=1nhδ[b(xi)-u]Σi=1nh((xi-u1b)T(xi-u1b))δ[b(xi)-u];]]>步驟四：計(jì)算目標(biāo)模型的顏色直方圖其中，的物理意義同步驟二的物理意義一樣；步驟五：確定候選目標(biāo)模型的質(zhì)心位置y0；步驟六：計(jì)算候選目標(biāo)模型的梯度加權(quán)直方圖分布其中，可用下述數(shù)學(xué)式獲取p^1u(y0)=ChΣi=1nhk(||y0-xih||2)δ[b(xi)-u];]]>其中，Ch是歸一化常數(shù)，且步驟七：計(jì)算候選目標(biāo)模型的梯度加權(quán)直方圖各灰度等級(jí)的均值向量u2b(y0)和協(xié)方差矩陣Δ2b(y0)，其中，u2b(y0)、Δ2b(y0)的物理意義分別同步驟三中的u1b、Δ1b物理意義相同，這里不再重復(fù)贅述；步驟八：計(jì)算候選目標(biāo)模型的顏色直方圖分布其中，的物理含義同步驟六中的物理意義相同，這里不再重復(fù)贅述；步驟九：采用以下數(shù)學(xué)式計(jì)算聯(lián)合特征空間的目標(biāo)模型：q^u=(1-α)q^1u+αq^2u;]]>其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；步驟十：采用以下數(shù)學(xué)式計(jì)算聯(lián)合特征空間的候選目標(biāo)模型；p^u(y0)=(1-α)p^1u(y0)+αp^2u(y0);]]>其中，α是特征權(quán)重系數(shù)，且α∈[0~1]；步驟十一：根據(jù)以下數(shù)學(xué)式計(jì)算權(quán)值{ωi},i＝1,2,...,nh：ωi=ηexp{-12(u2b(y0)-u1b)Δ^b-1(y0)(u2b(y0)-u1b)T};]]>其中，η是高斯常數(shù)，Δ^b-1(y0)=(Δ2b-1(y0)+(Δ1b)-1);]]>步驟十二：利用均值偏移算法，并采用以下數(shù)學(xué)式計(jì)算目標(biāo)新位置：y1=Σi=1nhαixi-Σj=1BvjΣi=1nhαi;]]>其中，αi=Chh2Σj=1Bωj(y0)q^up^u(y0)δij,]]>vj=ωj(y0)q^up^u(y0)Δ^b-1(y0)(u1b-u2b(y0)),]]>αi表達(dá)式中Ch為歸一化常數(shù)，且h為核帶寬，nh為目標(biāo)區(qū)域的像素?cái)?shù)，vj表達(dá)式中意義同步驟十一中所述；步驟十三：分別采用以下數(shù)學(xué)式計(jì)算相似性系數(shù)ρ^(y0)=ρ(p^u(y0),q^u)=Σu=1mp^u(y0)q^u;]]>ρ^(y1)=ρ(p^u(y1),q^u)=Σu=1mp^u(y1)q^u;]]>其中，如果那么y1=(y0+y1)/2，則轉(zhuǎn)步驟十二，否則進(jìn)行下一步；步驟十四：如果||y1-y0||<ε，那么停止迭代，否則，y0=y1，轉(zhuǎn)步驟二，重復(fù)之后過程。以上所述僅為本發(fā)明的優(yōu)選實(shí)施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結(jié)構(gòu)或等效流程變換，或直接或間接運(yùn)用在其他相關(guān)的技術(shù)領(lǐng)域，均同理包括在本發(fā)明的專利保護(hù)范圍內(nèi)。