專利名稱：低復(fù)雜度的尺度自適應(yīng)視頻目標(biāo)跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種視頻智能監(jiān)控技術(shù)領(lǐng)域的方法，具體是一種低復(fù)雜度的尺度自適應(yīng)視頻目標(biāo)跟蹤方法。

背景技術(shù)：
在計算機視覺領(lǐng)域的許多應(yīng)用中，如智能監(jiān)控、機器人視覺、人機交互界面，都需要對視頻序列幀間運動目標(biāo)進(jìn)行跟蹤。由于跟蹤目標(biāo)形態(tài)的多樣性和目標(biāo)運動的不確定性，如何實現(xiàn)各種環(huán)境下魯棒的實時跟蹤并隨目標(biāo)距離變化實現(xiàn)其可變尺度的可靠估計一直是研究的熱點。序貫蒙特卡羅濾波方法是近年來使用廣泛的跟蹤方法，用目標(biāo)在狀態(tài)空間中的后驗概率分布表示目標(biāo)最可能出現(xiàn)的狀態(tài)，如位置、大小等。與傳統(tǒng)的卡爾曼濾波不同，該方法用一組離散采樣點來近似真實的目標(biāo)狀態(tài)分布函數(shù)，所以也被稱為粒子濾波。序貫蒙特卡羅濾波方法的優(yōu)勢在于其適用于非高斯非線性系統(tǒng)，但由于計算量較大，限制了其在實時系統(tǒng)中的應(yīng)用。均值漂移是另一類常用的目標(biāo)跟蹤方法，其沿著目標(biāo)狀態(tài)概率函數(shù)的梯度方向局部迭代搜索圖像中目標(biāo)最可能具有的狀態(tài)。1998年，Bradski等人對基本的均值漂移方法進(jìn)行改進(jìn)，在搜索目標(biāo)位置的同時用目標(biāo)狀態(tài)概率分布的高階矩得到更加準(zhǔn)確的目標(biāo)尺度大小，即尺度自適應(yīng)的均值漂移方法。這類方法運算速度快，但因為可能收斂于狀態(tài)空間的局部最優(yōu)點，在出現(xiàn)遮擋、相似背景物干擾等情況下容易發(fā)生目標(biāo)跟蹤丟失的現(xiàn)象。
基于序貫蒙特卡羅濾波和均值漂移方法的各自優(yōu)勢，Shan等人提出了嵌入均值漂移的粒子濾波方法。該方法對序貫蒙特卡羅濾波器中每一個采樣點進(jìn)行獨立的均值漂移，使其更集中于局部最優(yōu)值，從而提高了采樣效率，降低了運算復(fù)雜度。
經(jīng)對現(xiàn)有技術(shù)文獻(xiàn)的檢索發(fā)現(xiàn)，類似的方法在近年的工作中也曾被使用并有所改進(jìn)，如2004年Koichiro等人在《第十七屆模式識別國際會議》(Proceedings of the 17th International Conference on PatternRecognition)第三卷506到509頁發(fā)表的“Object tracking by the mean-shiftof regional color distribution combined with the particle-filteralgorithm”(基于區(qū)域彩色分布的均值漂移與粒子濾波的目標(biāo)跟蹤方法)。在這種結(jié)合粒子濾波和均值漂移的方法中，對每個經(jīng)過狀態(tài)預(yù)測的粒子都進(jìn)行了均值漂移的優(yōu)化，使得到的采樣點集合更靠近模式概率大的狀態(tài)空間，從而提高了采樣效率，降低了所需的粒子數(shù)目。另一方面，粒子濾波器的運算時間直接決定于粒子的數(shù)目，因此這種改進(jìn)同時提高了跟蹤器的速度。但是，這些改進(jìn)還存在一些缺點粒子過于集中而造成樣本匱乏，以致序貫蒙特卡羅濾波的多樣性被破壞。其根源在于這些工作中結(jié)合序貫蒙特卡羅濾波和均值漂移的方法過于簡單，沒有考慮嵌入均值漂移優(yōu)化手段對原始序貫蒙特卡羅濾波框架的影響，主要表現(xiàn)為粒子狀態(tài)空間呈現(xiàn)新的概率分布。所以從蒙特卡羅采樣的概率角度提出完備的均值漂移結(jié)合方法，并使其在跟蹤過程中隨目標(biāo)大小的變化有效降低目標(biāo)尺度的估計誤差，目前還是空白。


發(fā)明內(nèi)容
本發(fā)明針對上述現(xiàn)有技術(shù)的不足，提出了一種低復(fù)雜度的尺度自適應(yīng)視頻目標(biāo)跟蹤方法，使其通過設(shè)計重要性采樣函數(shù)將尺度自適應(yīng)均值漂移方法直接融合到序貫蒙特卡羅濾波的概率體系，即均值漂移方法對采樣點的優(yōu)化作用體現(xiàn)在重要性采樣函數(shù)中，保證了目標(biāo)狀態(tài)概率分布的估計是無偏的。
本發(fā)明是通過如下技術(shù)方案實現(xiàn)的，本發(fā)明包括如下步驟 步驟一，初始化粒子樣本狀態(tài)通過檢測確定目標(biāo)的初始狀態(tài)x0，如位置和大??；同時計算目標(biāo)的觀測矢量，如顏色直方圖，作為目標(biāo)特征的參考模板；給定粒子采樣點的數(shù)目N以描述目標(biāo)狀態(tài)向量的多樣性，并將所有采樣點的初始狀態(tài)向量均設(shè)為x0，且賦以統(tǒng)一的權(quán)值
步驟二，對步驟一的粒子樣本，每一個采樣點隨機產(chǎn)生兩種不同的尺度因子，計算樣本二階自回歸中心點，并作為均值漂移的中心點進(jìn)行存儲； 所述計算樣本二階自回歸中心點，具體為 令當(dāng)前采樣點集合為{xti，wti}i＝1...N，對每個樣點i＝1:N計算其二階自回歸中心
式中，xti表示時刻t下第i個粒子的狀態(tài)矢量。
所述對每一個采樣點隨機產(chǎn)生兩種不同的尺度因子，具體為 對每個樣點i＝1:N取均勻分布的隨機變量u～U[0，1)，如果該樣點的尺度因子ki取為k1，否則取為k2，k1＞1，k2＜1，分別表征了幀間目標(biāo)尺度放大和縮小的變化特性，因該變化函數(shù)大多情形下滿足局部平滑性，k1和k2通常在1附近取值。
步驟三，根據(jù)步驟二中樣本集合中的采樣點的二階自回歸中心，得到具有鄰域一致性的均值漂移場，具體如下 ①首先判斷每個樣點i＝1:N，如果i＝＝1或者

在

的鄰域Ω外，首先執(zhí)行②和③步驟，否則跳到④； ②設(shè)定參考狀態(tài)其中pref、sref分別為位置和尺度子狀態(tài)，sref＝{lref，href}，lref，href分別描述了以pref為中心的目標(biāo)矩形輪廓的長和高；置零階矩累積量m00(xref，j＝0)初值為1，j＝0:I，參數(shù)I是均值漂移的最大收斂迭代次數(shù)； ③對j＝1:I作循環(huán) 首先，計算均值漂移矢量Mr，g(xref) 其中，{pj}j＝1...M是參考樣本xref所在圖像矩形區(qū)域覆蓋的像素坐標(biāo)，m(pj)是位置pj的可能性權(quán)值，當(dāng)觀測矢量為顏色直方圖時，由xref狀態(tài)對應(yīng)的目標(biāo)顏色直方圖與目標(biāo)特征模板之間顏色區(qū)間的匹配程度求得，g(·)為一核函數(shù)，r是用來歸一化核函數(shù)包絡(luò)的因子； 然后，更新參考樣本的位置子狀態(tài) pref＝pref+Mr，g(xref) (3) 計算參考樣本的零階矩密度 其中M00(xref)是目標(biāo)可能出現(xiàn)在狀態(tài)xref所對應(yīng)的矩形區(qū)域內(nèi)的零階矩，通過零階矩密度對零階矩累積量進(jìn)行更新 m00(xref，j)＝m00(xref，j-1)×m00(xref) (5) ④將第i個采樣點的均值漂移向量、零階矩密度、零階矩累積量直接由第i-1個采樣點處的相應(yīng)信息分別進(jìn)行賦值； ⑤得到零階矩累積量以及經(jīng)過均值漂移優(yōu)化和尺度自適應(yīng)調(diào)整的新狀態(tài) ⑥存儲均值漂移的終止位置和零階矩累積量
步驟四，首先對每個樣點建立重要性采樣密度函數(shù)，從蒙特卡羅采樣的概率角度與步驟三中的均值漂移方法結(jié)合，得到樣本的更新狀態(tài)

并在狀態(tài)

下更新權(quán)值

然后通過對采樣點集合

進(jìn)行重采樣，得到當(dāng)前時刻目標(biāo)最終狀態(tài)的后驗概率分布的離散估計{xti，wti}i＝1..N。
所述對每個樣點建立重要性采樣密度函數(shù)，具體為 ①把粒子集合隨機地分為兩組，其中第一組占總數(shù)的比例為α，第二組占總數(shù)的比例為1-α； ②第一組中粒子的狀態(tài)按照二階自回歸模型進(jìn)行轉(zhuǎn)移，即在粒子當(dāng)前狀態(tài)基礎(chǔ)上加上前一時刻的狀態(tài)轉(zhuǎn)移量以及一個遵從高斯分布的隨機量，該高斯隨機量與粒子狀態(tài)具有相同的維度，均值為零，且方差∑D可按照經(jīng)驗設(shè)定，或根據(jù)已知樣本學(xué)習(xí)得到； ③對第二組的粒子狀態(tài)進(jìn)行采樣時，把其中的粒子以等概率再隨機分為A，B兩小組，每小組的粒子采樣過程分別遵從兩種高斯分布進(jìn)行，但兩小組的高斯分布中心的位置分量均為粒子經(jīng)均值漂移方法的收斂位置，其中，A小組高斯分布中心的尺度分量是選取尺度放大因子k1時自適應(yīng)尺度方法的優(yōu)化尺度；方差為疊加尺度放大修正量的二階自回歸模型協(xié)方差矩陣

加上模擬自適應(yīng)尺度均值漂移方法不確定性的協(xié)方差矩陣∑CAM；B小組高斯分布中心的尺度分量則為選取尺度縮小因子k2時自適應(yīng)尺度方法的優(yōu)化尺度；方差為疊加尺度縮小修正量的二階自回歸模型協(xié)方差矩陣

加上模擬自適應(yīng)尺度均值漂移方法不確定性的協(xié)方差矩陣∑CAM。
所述重要性采樣密度函數(shù)，具體如下 其中，各參數(shù)的物理意義為i＝{1，2，...，N}，N表示粒子采樣點的個數(shù)；xti表示時刻t下第i個粒子的狀態(tài)矢量，僅考慮位置子狀態(tài)pi和尺度子狀態(tài)sti的情形下，

表示xti重采樣之前的中間狀態(tài)；zt表示時刻t下的觀測矢量；第i個粒子經(jīng)均值漂移優(yōu)化后位置的中間狀態(tài)為

而

表示該中間狀態(tài)下的零階矩累積量；參數(shù)I是內(nèi)嵌的尺度自適應(yīng)均值漂移的迭代次數(shù)；α是采樣粒子狀態(tài)被均值漂移優(yōu)化的概率；N(·)表示高斯分布函數(shù)；∑D與∑CAM分別表示序貫蒙特卡羅濾波二階自回歸狀態(tài)轉(zhuǎn)移模型和尺度自適應(yīng)均值漂移的狀態(tài)轉(zhuǎn)移模型對目標(biāo)狀態(tài)預(yù)測帶來的預(yù)測誤差的方差；內(nèi)嵌的尺度自適應(yīng)均值漂移方法在估計尺度子狀態(tài)時產(chǎn)生的誤差由兩種尺度調(diào)整因子k1和k2進(jìn)行最佳選擇性補償；T表示矩陣轉(zhuǎn)置符。
所述在狀態(tài)

下更新權(quán)值

具體為 其中，

是在假設(shè)狀態(tài)

下目標(biāo)的觀測模型概率，可采用顏色直方圖與目標(biāo)特征模板之間顏色區(qū)間的匹配程度求得；

是目標(biāo)的動態(tài)模型概率，這里采用二階自回歸模型；

為重要性采樣概率。
所述對采樣點集合

進(jìn)行重采樣，具體為選取樣本集合中權(quán)值大的采樣點，并歸一化所有樣點的權(quán)值，得到當(dāng)前時刻目標(biāo)最終狀態(tài)的后驗概率分布的離散估計{xti，wti}i＝1...N。
本發(fā)明的原理是，序貫蒙特卡羅濾波時間復(fù)雜度較高，因此在重要性采樣函數(shù)中引入尺度自適應(yīng)均值漂移在目標(biāo)位置和尺度上的優(yōu)化，以提高采樣效率，使目標(biāo)后驗概率的近似更加準(zhǔn)確。為進(jìn)一步降低復(fù)雜度，在計算樣本集合的中間狀態(tài)空間時，對采樣樣本的均值漂移參數(shù)做了局部一致處理，即認(rèn)為一個鄰域內(nèi)樣本經(jīng)均值漂移優(yōu)化后會收斂到同一局部最優(yōu)點。其中，樣本以一定概率被選擇作均值漂移，避免了所有樣本集中在局部模式最大點處，保證了樣本狀態(tài)的多樣性。同時，對樣本隨機采用兩種不同的尺度調(diào)整因子，分別對目標(biāo)假設(shè)區(qū)域縮小和放大，通過序貫蒙特卡羅濾波的權(quán)值計算和重采樣機制自動地選取最佳尺度，解決了單一尺度自適應(yīng)均值漂移方法不夠準(zhǔn)確和普適的缺點。
與現(xiàn)有技術(shù)相比，本發(fā)明提出了設(shè)計統(tǒng)一的重要性采樣函數(shù)，從蒙特卡羅采樣的概率角度提出了完備的均值漂移結(jié)合方法，利用鄰域狀態(tài)一致收斂特性降低了均值漂移優(yōu)化的計算復(fù)雜度；僅對部分樣本進(jìn)行均值漂移，避免了樣本匱乏問題；狀態(tài)收斂過程中多尺度調(diào)整因子的選取克服了尺度估計不夠準(zhǔn)確和普適的問題。針對基本的目標(biāo)跟蹤方法——序貫蒙特卡羅濾波和均值漂移，在相同的實驗條件下，本發(fā)明能更準(zhǔn)確地估計目標(biāo)的尺度大小，更魯棒地處理目標(biāo)遮擋等跟蹤難題，有效地降低跟蹤方法的運算時間。



圖1是本發(fā)明跟蹤方法的工作流程圖； 圖2是現(xiàn)有技術(shù)中普通的嵌入均值漂移的序貫蒙特卡羅濾波方法在目標(biāo)尺度發(fā)生變化下自適應(yīng)調(diào)整尺度子狀態(tài)的跟蹤效果圖； 圖3是現(xiàn)有技術(shù)中尺度自適應(yīng)均值漂移方法在目標(biāo)尺度發(fā)生變化下自適應(yīng)調(diào)整尺度子狀態(tài)的跟蹤效果圖； 圖4是本發(fā)明在目標(biāo)尺度發(fā)生變化下自適應(yīng)調(diào)整尺度子狀態(tài)的跟蹤效果圖； 圖5是本發(fā)明實施例和嵌入均值漂移序貫蒙特卡羅濾波跟蹤方法在計算時間上的對比結(jié)果。

具體實施例方式 下面結(jié)合附圖對本發(fā)明的實施例作詳細(xì)說明本實施例在以本發(fā)明技術(shù)方案為前提下進(jìn)行實施，給出了詳細(xì)的實施方式和過程，但本發(fā)明的保護(hù)范圍不限于下述的實施例。
本實施例中對某“足球運動員”視頻序列進(jìn)行目標(biāo)跟蹤。設(shè)計參數(shù)設(shè)置為粒子總數(shù)N＝50；尺度調(diào)整因子k1＝1.2，k2＝0.9；對于內(nèi)嵌的均值漂移優(yōu)化，其迭代次數(shù)I＝2，發(fā)生概率α＝0.5，一致收斂鄰域定義為狀態(tài)優(yōu)化產(chǎn)生的誤差方差約為∑CAM＝diag{0.25，0.25，2×10-4，2×10-4}，序貫蒙特卡羅濾波對狀態(tài)估計產(chǎn)生的誤差方差約為∑D＝diag{1.0，0.25，(5，4；4，5)×10-4}。
如圖1所示，本實施例包括如下步驟 步驟一，初始化粒子樣本狀態(tài)在序列的第一幀，通過自動目標(biāo)檢測方法確定目標(biāo)的質(zhì)心位置、長和寬，從而建立目標(biāo)的初始狀態(tài)向量x0，并將所有采樣點的初始狀態(tài)向量均設(shè)為x0，且賦以相同的權(quán)值同時，計算目標(biāo)的觀測矢量，如顏色直方圖，作為目標(biāo)特征的參考模板； 步驟二，對每一個采樣點隨機產(chǎn)生兩種不同的尺度因子，計算樣本二階自回歸中心點，并作為均值漂移的中心點進(jìn)行存儲；從第二幀開始，以前一幀采樣點的狀態(tài)分布和當(dāng)前幀圖像的觀測矢量遞歸地求取當(dāng)前幀目標(biāo)的后驗概率采樣分布，具體如下 ①對1～50個采樣點按照式(1)得到各自的二階自回歸中心，這些數(shù)據(jù)作為均值漂移的中心點都存放在數(shù)組中； ②對每一個樣點i＝1:N取均勻分布的隨機變量u～U[0，1)，如果該樣點的尺度因子ki取為k1＝1.2，否則取為k2＝0.9，它們分別表征了幀間目標(biāo)尺度放大和縮小的變化特性； 步驟三，根據(jù)樣本集合中的采樣點的二階自回歸中心，得到具有鄰域一致性的均值漂移場，具體如下 ①對第1個采樣點的二階自回歸中心按照公式(2)-(5)依次算出該點狀態(tài)的均值漂移向量、漂移后的采樣點位置子狀態(tài)、零階矩密度、零階矩累積量，如此迭代計算2次； ②按照公式(6)得到第1個采樣點經(jīng)過均值漂移和尺度自適應(yīng)調(diào)整的新狀態(tài)，并存儲新狀態(tài)下第一個采樣點的終止位置和零階矩累積量； ③對第i個采樣點(i＝{2，3，…N})，如果其狀態(tài)向量中的位置子狀態(tài)和前一個采樣點的位置子狀態(tài)之間的歐氏距離大于2，那么執(zhí)行第④步；否則跳到第⑤步； ④對第i個采樣點的二階自回歸中心按照公式(2)-(5)依次算出該點處的均值漂移向量、零階矩密度、零階矩累積量，如此迭代計算2次； ⑤第i個采樣點的均值漂移向量、零階矩密度、零階矩累積量直接由第i-1個采樣點處的相應(yīng)信息分別進(jìn)行賦值； ⑥按照公式(6)得到第i個采樣點經(jīng)過均值漂移和尺度自適應(yīng)調(diào)整的新狀態(tài)，并存儲新狀態(tài)下第i個采樣點的終止位置和零階矩累積量。
⑦重復(fù)執(zhí)行第③-④步，直至50個采樣點都已被處理。
步驟四，首先對每個樣點建立重要性采樣密度函數(shù)，從蒙特卡羅采樣的概率角度與均值漂移方法結(jié)合，得到樣本的更新狀態(tài)

并在狀態(tài)

下更新權(quán)值

然后通過對采樣點集合

進(jìn)行重采樣，得到當(dāng)前時刻目標(biāo)最終狀態(tài)的后驗概率分布的離散估計{xti，wti}i＝1..N，具體如下 ①建立重要性采樣函數(shù)，得到新的樣點集合重要性采樣函數(shù)具體如下 其中，各參數(shù)的物理意義為i＝{1，2，...，N}，N表示粒子采樣點的個數(shù)；xti表示時刻t下第i個粒子的狀態(tài)矢量，僅考慮位置子狀態(tài)pi和尺度子狀態(tài)sti的情形下，

表示xti重采樣之前的中間狀態(tài)；zt表示時刻t下的觀測矢量；第i個粒子經(jīng)均值漂移優(yōu)化后位置的中間狀態(tài)為

而

表示該中間狀態(tài)下的零階矩累積量；參數(shù)I是內(nèi)嵌的尺度自適應(yīng)均值漂移的迭代次數(shù)；α是采樣粒子狀態(tài)被均值漂移優(yōu)化的概率；N(·)表示高斯分布函數(shù)；∑D與∑CAM分別表示序貫蒙特卡羅濾波二階自回歸狀態(tài)轉(zhuǎn)移模型和尺度自適應(yīng)均值漂移的狀態(tài)轉(zhuǎn)移模型對目標(biāo)狀態(tài)預(yù)測帶來的預(yù)測誤差的方差；內(nèi)嵌的尺度自適應(yīng)均值漂移方法在估計尺度子狀態(tài)時產(chǎn)生的誤差由兩種尺度調(diào)整因子k1和k2進(jìn)行最佳選擇性補償；T表示矩陣轉(zhuǎn)置符。
②用公式(8)更新每一個新采樣點的權(quán)值，得到
③對50個采樣點的最新權(quán)值進(jìn)行歸一化，得到{wti}i＝1...N； ④對第i(i＝{1，2，…N})個采樣點進(jìn)行重采樣，即通過復(fù)制或刪除使該狀態(tài)的采樣點在樣本集合中的數(shù)目為


表示取整操作； ⑤如果此時樣本集合中的采樣點總數(shù)小于50，那么復(fù)制權(quán)值最大的那個采樣點，直至采樣點總數(shù)等于50，得到樣本的最終狀態(tài)集合{xti}i＝1..N。
實施效果 依據(jù)上述步驟，對多個CIF格式(352×288像素)、25fps的測試序列進(jìn)行目標(biāo)跟蹤，每個序列的長度在200-2000幀不等，所跟蹤的目標(biāo)大小范圍為100-1000個像素。
如圖4所示為采用本實施例得到的某“足球運動員”序列的跟蹤結(jié)果，目標(biāo)用方框標(biāo)示。與嵌入均值漂移的序貫蒙特卡羅濾波(如圖2所示)和尺度自適應(yīng)均值漂移(如圖3所示)相比，本實施例方法能很好地跟蹤目標(biāo)的位置變化，更能準(zhǔn)確地捕捉目標(biāo)尺度由大變小的過程。其中，圖2，圖3和圖4中的子圖(a)-(f)按照時間順序刻畫了目標(biāo)的位置和大小變化。
如圖5給出的本實施例的運算時間分析中，分別對四個視頻序列用本實施例方法(CAMSGPF曲線)和現(xiàn)有的結(jié)合尺度自適應(yīng)均值漂移的序貫蒙特卡羅濾波方法(MSEPF曲線)進(jìn)行測試。圖(a)表示“越野車”序列中本發(fā)明的方法花費在每個粒子上的平均時間為0.138ms，比現(xiàn)有方法快23.63％；圖(b)表示“冰球”序列中本發(fā)明的方法花費在每個粒子上的平均時間為0.043ms，比現(xiàn)有方法快30.03％；圖(c)表示“公路車”序列中本發(fā)明的方法花費在每個粒子上的平均時間為0.038ms，比現(xiàn)有方法快45.49％；圖(d)表示“足球運動員”序列中本發(fā)明的方法花費在每個粒子上的平均時間為0.239ms，比現(xiàn)有方法快34.47％?？梢姳緦嵤├椒?CAMSGPF曲線)能夠在40ms以內(nèi)完成一幀的運算任務(wù)，比現(xiàn)有的結(jié)合尺度自適應(yīng)均值漂移的序貫蒙特卡羅濾波方法(MSEPF曲線)的速度提高約30％-40％。
權(quán)利要求
1、一種低復(fù)雜度的尺度自適應(yīng)視頻目標(biāo)跟蹤方法，其特征在于，包括如下步驟
步驟一，初始化粒子樣本狀態(tài)通過檢測確定目標(biāo)的初始狀態(tài)x0，同時計算目標(biāo)的觀測矢量，給定粒子采樣點的數(shù)目N，并將所有采樣點的初始狀態(tài)向量均設(shè)為x0，且賦以統(tǒng)一的權(quán)值
步驟二，對步驟一的粒子樣本，每一個采樣點隨機產(chǎn)生兩種尺度因子，計算樣本二階自回歸中心點，并作為均值漂移的中心點進(jìn)行存儲；
步驟三，根據(jù)步驟二中樣本集合中的采樣點的二階自回歸中心，得到具有鄰域一致性的均值漂移場；
步驟四，對每個樣點建立重要性采樣密度函數(shù)，從蒙特卡羅采樣的概率角度與步驟三中的均值漂移方法結(jié)合，得到樣本的更新狀態(tài)
并在狀態(tài)
下更新權(quán)值
然后通過對采樣點集合
進(jìn)行重采樣，得到當(dāng)前時刻目標(biāo)最終狀態(tài)的后驗概率分布的離散估計{xti，wti}i＝1 N。
2、根據(jù)權(quán)利要求1所述的低復(fù)雜度的尺度自適應(yīng)視頻目標(biāo)跟蹤方法，其特征是，所述計算樣本二階自回歸中心點，具體為
令當(dāng)前采樣點集合為{xti，wti}i＝1 N，對每個樣點i＝1:N計算其二階自回歸中心
式中，xti表示時刻t下第i個粒子的狀態(tài)矢量。
3、根據(jù)權(quán)利要求1所述的低復(fù)雜度的尺度自適應(yīng)視頻目標(biāo)跟蹤方法，其特征是，所述對每一個采樣點隨機產(chǎn)生兩種尺度因子，具體為
對每個樣點i＝1:N取均勻分布的隨機變量u～U[0，1)，如果該樣點的尺度因子ki取為k1，否則取為k2，k1＞1，k2＜1，分別表征了幀間目標(biāo)尺度放大和縮小的變化特性，k1和k2在1附近取值。
4、根據(jù)權(quán)利要求1所述的低復(fù)雜度的尺度自適應(yīng)視頻目標(biāo)跟蹤方法，其特征是，所述根據(jù)步驟二中樣本集合中的采樣點的二階自回歸中心，得到具有鄰域一致性的均值漂移場，具體如下
①首先判斷每個樣點i＝1:N，如果i＝＝1或者
在
的鄰域Ω外，首先執(zhí)行②和③步驟，否則跳到④；
②設(shè)定參考狀態(tài)其中pref、sref分別為位置和尺度子狀態(tài)，sref＝{lref，href}，lref，href分別描述了以pref為中心的目標(biāo)矩形輪廓的長和高；置零階矩累積量m00(xref，j＝0)初值為1，j＝0:I，參數(shù)I是均值漂移的最大收斂迭代次數(shù)；
③對j＝1:I作循環(huán)
首先，計算均值漂移矢量Mr，g(xref)
其中，{pj}j＝1.M是參考樣本xref所在圖像矩形區(qū)域覆蓋的像素坐標(biāo)，m(pj)是位置pj的可能性權(quán)值，當(dāng)觀測矢量為顏色直方圖時，由xref狀態(tài)對應(yīng)的目標(biāo)顏色直方圖與目標(biāo)特征模板之間顏色區(qū)間的匹配程度求得，g(·)為一核函數(shù)，r是用來歸一化核函數(shù)包絡(luò)的因子；
然后，更新參考樣本的位置子狀態(tài)
pref＝pref+Mr，g(xref)
計算參考樣本的零階矩密度
其中M00(xref)是目標(biāo)可能出現(xiàn)在狀態(tài)xref所對應(yīng)的矩形區(qū)域內(nèi)的零階矩，通過零階矩密度對零階矩累積量進(jìn)行更新
m00(xref，j)＝m00(xref，j-1)×m00(xref)
④將第i個采樣點的均值漂移向量、零階矩密度、零階矩累積量直接由第i-1個采樣點處的相應(yīng)信息分別進(jìn)行賦值；
⑤得到零階矩累積量以及經(jīng)過均值漂移優(yōu)化和尺度自適應(yīng)調(diào)整的新狀態(tài)
⑥存儲均值漂移的終止位置和零階矩累積量
5、根據(jù)權(quán)利要求1所述的復(fù)雜度的尺度自適應(yīng)視頻目標(biāo)跟蹤方法，其特征是，所述對每個樣點建立重要性采樣密度函數(shù)，具體為
①把粒子集合隨機地分為兩組，其中第一組占總數(shù)的比例為α，第二組占總數(shù)的比例為1-α；
②第一組中粒子的狀態(tài)按照二階自回歸模型進(jìn)行轉(zhuǎn)移，即在粒子當(dāng)前狀態(tài)基礎(chǔ)上加上前一時刻的狀態(tài)轉(zhuǎn)移量以及一個遵從高斯分布的隨機量，該高斯隨機量與粒子狀態(tài)具有相同的維度，均值為零，且方差∑D按照經(jīng)驗設(shè)定，或根據(jù)已知樣本學(xué)習(xí)得到；
③對第二組的粒子狀態(tài)進(jìn)行采樣時，把其中的粒子以等概率再隨機分為A，B兩小組，每小組的粒子采樣過程分別遵從兩種高斯分布進(jìn)行，但兩小組的高斯分布中心的位置分量均為粒子經(jīng)均值漂移方法的收斂位置，其中A小組高斯分布中心的尺度分量是選取尺度放大因子k1時自適應(yīng)尺度方法的優(yōu)化尺度，方差為疊加尺度放大修正量的二階自回歸模型協(xié)方差矩陣
加上模擬自適應(yīng)尺度均值漂移方法不確定性的協(xié)方差矩陣∑CAM；B小組高斯分布中心的尺度分量則為選取尺度縮小因子k2時自適應(yīng)尺度方法的優(yōu)化尺度，方差為疊加尺度縮小修正量的二階自回歸模型協(xié)方差矩陣
加上模擬自適應(yīng)尺度均值漂移方法不確定性的協(xié)方差矩陣∑CAM。
6、根據(jù)權(quán)利要求1所述的低復(fù)雜度的尺度自適應(yīng)視頻目標(biāo)跟蹤方法，其特征是，所述在狀態(tài)
下更新權(quán)值
具體為
其中，
是在假設(shè)狀態(tài)
下目標(biāo)的觀測模型概率，采用顏色直方圖與目標(biāo)特征模板之間顏色區(qū)間的匹配程度求得；
是目標(biāo)的動態(tài)模型概率，這里采用二階自回歸模型；
為重要性采樣概率。
7、根據(jù)權(quán)利要求1所述的低復(fù)雜度的尺度自適應(yīng)視頻目標(biāo)跟蹤方法，其特征是，所述對采樣點集合
進(jìn)行重采樣，具體為選取樣本集合中權(quán)值大的采樣點，并歸一化所有樣點的權(quán)值，得到當(dāng)前時刻目標(biāo)最終狀態(tài)的后驗概率分布的離散估計{xti，wti}i＝1...N。
全文摘要
一種視頻智能監(jiān)控技術(shù)領(lǐng)域的低復(fù)雜度的尺度自適應(yīng)視頻目標(biāo)跟蹤方法，包括初始化粒子樣本狀態(tài)；對粒子樣本，每一個采樣點隨機產(chǎn)生兩種尺度因子，計算樣本二階自回歸中心點，并作為均值漂移的中心點進(jìn)行存儲；根據(jù)樣本集合中的采樣點的二階自回歸中心，得到具有鄰域一致性的均值漂移場；對每個樣點建立重要性采樣密度函數(shù)，從蒙特卡羅采樣的概率角度與均值漂移方法結(jié)合，得到樣本的更新狀態(tài)x'l，并在狀態(tài)x'l下更新權(quán)值w'l，然后通過對采樣點集合{x'l，w'l}l=1…N進(jìn)行重采樣，得到當(dāng)前時刻目標(biāo)最終狀態(tài)的后驗概率分布的離散估計{x'l，w'l}l=1…N。本發(fā)明提高目標(biāo)尺度空間的跟蹤準(zhǔn)確度，降低了實時視頻跟蹤中的計算復(fù)雜度。
文檔編號G06T7/20GK101281648SQ20081003676
公開日2008年10月8日 申請日期2008年4月29日 優(yōu)先權(quán)日2008年4月29日
發(fā)明者奕 徐, 利 宋, 蓉 解, 張文軍, 王兆聞 申請人:上海交通大學(xué)