法律状态公告日
法律状态信息
法律状态
2017-02-01
授权
授权
2014-07-16
实质审查的生效 IPC(主分类):G06K9/62 申请日:20140218
实质审查的生效
2014-06-25
公开
公开
技术领域
本发明属于计算机视觉与模式识别领域,涉及一种对视频目标进行尺度自适应跟踪的方 法。
背景技术
目标跟踪是计算机视觉领域的一个极具有挑战性的研究课题,在智能视频监控、增强现 实、手势识别以及自动驾驶等方面具有广泛的应用前景。近二十年来,国内外的许多机构和 专家做了大量相关的工作,提出很多算法和技术。根据对目标表现建模所用的方法不同,可 以将跟踪算法分为两类:基于生成模型的目标跟踪算法和基于判别模型的目标跟踪算法。
基于生成模型的跟踪算法首先学习一个目标表现模型,然后在每帧图像上搜索与该模型 最相似的目标。基于判别模型的跟踪算法将目标跟踪问题看作是一个二元分类问题,通过在 线学习一个分类器将目标和背景分开。
由于鲁棒的目标跟踪算法需要解决跟踪过程中的目标尺度变化、光照变化、部分遮挡、 相机旋转等问题,因而计算量十分巨大,很难达到实时效果。目前,一个非常经典的目标跟 踪算法是均值-平移(Mean-Shift)算法,它是一种典型的基于生成模型的跟踪算法,采用一 个核函数来构造目标模型,通过最大化目标模型与候选模型之间的相似性来达到目标跟踪的 目的。由于Mean-Shift算法具有计算量小、实时性高等优点,因而它在跟踪领域获得了成功 应用。
在目标跟踪过程中,目标尺度变化是一个很难处理的问题。然而,传统的Mean-Shift算 法不具备尺度自适应性,对于跟踪过程中目标出现尺度变化的视频场景效果不好。针对这一 问题,目前已经提出了许多算法。可将高斯尺度空间理论与Mean-Shift算法结合,通过在离 散尺度空间进行Mean-Shift迭代,从而找到最佳的目标尺寸,但该算法计算量较大,达不到 实时处理要求。此外,也可利用前面帧的时空上下文信息来估算目标的尺度,该算法计算量 小、效果很好,是多尺度跟踪领域的最新研究成果。以上跟踪算法在处理目标尺度变化问题 上虽然取得了一定的效果,但是至今还没有一种行之有效的鲁棒方法。
发明内容
本发明的目的是克服现有技术的不足,提供一种基于对数似然图像的尺度自适应目标跟 踪方法。
基于对数似然图像的尺度自适应目标跟踪方法包含以下步骤:
1)用一个矩形图像像素集来表示目标O,目标O大小为h×w,选择目标O外围、宽度 大小为0.75×max{h,w}的矩形环状图像像素集来表示背景B;
2)根据目标O与背景B的颜色差异建立对数似然图像LI,并利用数学形态学中的膨胀 方法对对数似然图像LI进行处理;
3)计算对数似然图像LI的二阶中心矩,公式为:
其中,(xi,yi)表示目标O中像素i的坐标,LIi表示对数似然图中像素i的似然值,
然后对目标O进行椭圆拟合,根据椭圆拟合的结果估算目标O的尺度参数;
4)根据目标O的新尺度更新Mean-Shift算法的目标模型,并更新目标模型中的核函数窗 宽,然后对目标O进行Mean-Shift迭代跟踪。
所述的步骤2)中,根据目标O与背景B的颜色差异建立对数似然图像LI的方法为:
(1)计算图像像素点的直方图特征值u在目标O中的概率p(u)和在背景B中的概率 q(u),即
p(u)=Hobj(u)/nobj
q(u)=Hbg(u)/nbg
其中,nobj和nbg分别是目标O和背景B的像素总数,Hobj(u)为目标O中,直方图特征值为u的 像素点的个数,Hbg(u)为背景B中,直方图特征值为u的像素点的个数;
(2)计算特征值u的对数似然函数值L(u),公式为:
式中,ε是极小值,ε=0.005;
(3)反向投影每个像素点的对数似然函数值到原图像中,获得对数似然图LI;
(4)利用数学形态学中的膨胀方法对对数似然图像LI进行处理。
所述的步骤3)中,用以下公式计算椭圆E的主轴a、b及倾斜角θ来对目标O进行椭圆 拟合,
其中,N表示目标O中的对数似然图LI中正似然值的总数。
所述的步骤3)中,根据椭圆拟合的结果估算目标O的尺度参数的方法为:
(1)计算椭圆E的横坐标x和纵坐标y的最大值和最小值,并得到一个大小为{w,h}的 矩形,其中,w=max(x)-min(x),h=max(y)-min(y);
(2)计算目标O的尺度参数ρt,其中,ρt=η×{w,h},η是折中参数;
(3)对尺度参数ρt进行滤波:
ρt=γρt+(1-γ)ρt-1
式中,ρt-1表示前一帧图像中目标的尺度参数,ρt表示从当前帧图像中获得的目标的尺度参 数,γ是滤波系数,取值在0到1之间。
所述的步骤4)为:
(1)初始化为目标O模型的彩色图像核直方图,
式中,xi为目标O的第i个像素坐标,y0为目标O的初始中心位置坐标,k(x)为高斯核函数, h为高斯核函数窗宽,等于目标的尺度参数ρt,函数δ[b(xi)-u]是判断xi处的颜色值是否属 于特征值u,C是归一化常数,n是目标O的像素总数,m为特征值u的总数;
(2)计算为候选区域模型的彩色图像核直方图,
式中,xi为候选区域的第i个像素坐标,y为候选区域的中心像素坐标,k(x)为高斯核函数, h为高斯核函数窗宽,等于目标的尺度参数ρt,函数δ[b(xi)-u]是判断xi处的颜色值是否属 于特征值u,C是归一化常数,nk是候选区域的像素总数,m为特征值u的总数;
(3)计算和的Bhattacharyya相似性
式中,m为特征值u的总数;
(4)计算权值系数wi,
式中,表示目标模型,表示候选区域模型,m为特征值u的总数,xi为第i个像素坐 标,函数δ[b(xi)-u]是判断xi处的颜色值是否属于特征值u;
(5)找到下一个候选位置点y1,
其中,xi为候选区域的第i个像素坐标,g(x)=-k′(x),h为高斯核函数窗宽,等于目标的尺 度参数ρt,wi为权值系数,y0为目标区域的中心位置坐标,nk是候选区域的像素总数;
(6)计算并评估Bhattacharyya相似性
(7)若那么继续评估Bhattacharyya相似性 重复该步骤,直到不等式不再成立;
(8)判断||y1-y0||<ζ是否成立,ζ是极小值,如果成立,Mean-Shift迭代跟踪结束; 否则,y0←y1,转到步骤(4)。
本发明的有益效果是:
1)提出了一种基于对数似然图像的多尺度目标跟踪方法,该方法能够在对数似然图像 上对目标进行椭圆拟合,从而准确计算出目标的真实尺度,更新Mean-Shift跟踪算法模型。
2)本发明中的方法计算速度快,能快速得到目标的尺度参数,并对其进行跟踪,算法 实现简单,整个过程自动完成,可以实现实时的尺度自适应目标跟踪。
附图说明
图1为基于对数似然图像的尺度自适应目标跟踪方法的总流程图;
图2为图1中的椭圆拟合和估算目标尺度参数的示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发 明进行进一步详细说明。
本发明提出了一种基于对数似然图像的尺度自适应目标跟踪方法,首先,根据目标与背 景的颜色差异建立对数似然图像,并对图像进行数学形态学处理;其次,在前面获得的对数 图上进行椭圆拟合以得出目标的尺度;最后,根据目标尺度更新Mean-Shift算法的目标模型 和核函数窗宽,并通过不断迭代进行目标跟踪。
如图1和图2所示,基于对数似然图像的尺度自适应目标跟踪方法包含以下步骤:
1)用一个矩形图像像素集来表示目标O,目标O大小为h×w,选择目标O外围、宽度 大小为0.75×max{h,w}的矩形环状图像像素集来表示背景B;
2)根据目标O与背景B的颜色差异建立对数似然图像LI,并利用数学形态学中的膨胀 方法对对数似然图像LI进行处理;
3)计算对数似然图像LI的二阶中心矩,公式为:
其中,(xi,yi)表示目标O中像素i的坐标,LIi表示对数似然图中像素i的似然值,
然后对目标O进行椭圆拟合,根据椭圆拟合的结果估算目标O的尺度参数;
4)根据目标O的新尺度更新Mean-Shift算法的目标模型,并更新目标模型中的核函数窗 宽,然后对目标O进行Mean-Shift迭代跟踪。
所述的步骤2)中,根据目标O与背景B的颜色差异建立对数似然图像LI的方法为:
(1)计算图像像素点的直方图特征值u在目标O中的概率p(u)和在背景B中的概率 q(u),即
p(u)=Hobj(u)/nobj
q(u)=Hbg(u)/nbg
其中,nobj和nbg分别是目标O和背景B的像素总数,Hobj(u)为目标O中,直方图特征值为u的 像素点的个数,Hbg(u)为背景B中,直方图特征值为u的像素点的个数;
(2)计算特征值u的对数似然函数值L(u),公式为:
式中,ε是极小值,ε=0.005;
(3)反向投影每个像素点的对数似然函数值到原图像中,获得对数似然图LI;
(4)利用数学形态学中的膨胀方法对对数似然图像LI进行处理。
所述的步骤3)中,用以下公式计算椭圆E的主轴a、b及倾斜角θ来对目标O进行椭圆 拟合,
其中,N表示目标O中的对数似然图LI中正似然值的总数。
所述的步骤3)中,根据椭圆拟合的结果估算目标O的尺度参数的方法为:
(1)如图2所示,计算椭圆E的横坐标x和纵坐标y的最大值和最小值,并得到一个大 小为{w,h}的矩形,其中,w=max(x)-min(x),h=max(y)-min(y);
(2)计算目标O的尺度参数ρt,其中,ρt=η×{w,h},η是折中参数;
(3)对尺度参数ρt进行滤波:
ρt=γρt+(1-γ)ρt-1
式中,ρt-1表示前一帧图像中目标的尺度参数,ρt表示从当前帧图像中获得的目标的尺度参 数,γ是滤波系数,取值在0到1之间。
所述的步骤4)为:
(1)初始化为目标O模型的彩色图像核直方图,
式中,xi为目标O的第i个像素坐标,y0为目标O的初始中心位置坐标,k(x)为高斯核函数, h为高斯核函数窗宽,等于目标的尺度参数ρt,函数δ[b(xi)-u]是判断xi处的颜色值是否属 于特征值u,C是归一化常数,n是目标O的像素总数,m为特征值u的总数;
(2)计算为候选区域模型的彩色图像核直方图,
式中,xi为候选区域的第i个像素坐标,y为候选区域的中心像素坐标,k(x)为高斯核函数, h为高斯核函数窗宽,等于目标的尺度参数ρt,函数δ[b(xi)-u]是判断xi处的颜色值是否属 于特征值u,C是归一化常数,nk是候选区域的像素总数,m为特征值u的总数;
(3)计算和的Bhattacharyya相似性
式中,m为特征值u的总数;
(4)计算权值系数wi,
式中,表示目标模型,表示候选区域模型,m为特征值u的总数,xi为第i个像素坐 标,函数δ[b(xi)-u]是判断xi处的颜色值是否属于特征值u;
(5)找到下一个候选位置点y1,
其中,xi为候选区域的第i个像素坐标,g(x)=-k′(x),h为高斯核函数窗宽,等于目标的尺 度参数ρt,wi为权值系数,y0为目标区域的中心位置坐标,nk是候选区域的像素总数;
(6)计算并评估Bhattacharyya相似性
(7)若那么继续评估Bhattacharyya相似性 重复该步骤,直到不等式不再成立;
(8)判断||y1-y0||<ζ是否成立,ζ是极小值,如果成立,Mean-Shift迭代跟踪结束; 否则,y0←y1,转到步骤(4)。
以上所述仅为本发明的较佳实施例而已,并不以限制本发明,凡在本发明的精神和原则 之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
机译: 基于输入图像的对数似然评分的可靠性计算方法
机译: 基于对数似然分数的输入图像可靠性计算方法
机译: 基于图像目标跟踪设备的似然性的阈值级别选择