專利名稱：基于核及目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明涉及的是一種計算機(jī)視覺技術(shù)領(lǐng)域的跟蹤方法，特別是一種基于核及 目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法。
背景技術(shù)：
目前可視目標(biāo)跟蹤技術(shù)可分為數(shù)據(jù)驅(qū)動的跟蹤和模型驅(qū)動的跟蹤。數(shù)據(jù)驅(qū) 動的可視目標(biāo)跟蹤方法往往采用局部優(yōu)化的算法，找到相似性的梯度信息來確定 目標(biāo)運(yùn)動的方向(實時性好)，實質(zhì)上，這種方法是變跟蹤問題為局部尋優(yōu)問題； 或者直接進(jìn)行塊匹配法來進(jìn)行跟蹤(實時性差)，但是利用多尺度分解方法，采用 由粗到精的跟蹤思路，能提高塊匹配法的實時性。更為流行的模型驅(qū)動方法則是 利用隨機(jī)的動態(tài)運(yùn)動模型來預(yù)測目標(biāo)的運(yùn)動狀態(tài)，然后利用觀測信息更新模型狀 態(tài)以確定目標(biāo)的位置，這種方法又叫做濾波方法。由于觀測模型與目標(biāo)的運(yùn)動狀 態(tài)之間往往是非線性的關(guān)系，所以可視目標(biāo)跟蹤問題就成了一個非線性濾波問題。 上述兩類方法的共同點(diǎn)就是都利用了局部觀測信息進(jìn)行跟蹤。還有另一類方法是 依賴于靜態(tài)或動態(tài)圖像的全局檢測算法來實現(xiàn)跟蹤。
經(jīng)對現(xiàn)有技術(shù)文獻(xiàn)的檢索發(fā)現(xiàn)，Comaniciu等在《IEEE Transactions on Pattern Analysis and Machine Intelligence》 (pp. 564-577， 2003) 上發(fā)表 "Kernel based object tracking"(基于核的目標(biāo)跟蹤，《IEEE模式分析與機(jī)器 智能雜志》)?；诤说哪繕?biāo)跟蹤(簡記為KBT)又稱為mean shift (均值漂移)跟 蹤。Mean shift方法將核直方圖作為目標(biāo)特征的描述，即采用了目標(biāo)區(qū)域的像素 顏色或灰度分布作為圖像特征的描述方式。Mean shift作為一種高效的模式匹配 方法，被成功的應(yīng)用在了對實時性要求較高的可視目標(biāo)跟蹤領(lǐng)域，已成為數(shù)據(jù)驅(qū) 動式的可視目標(biāo)跟蹤方法的代表。
一般來說，可視目標(biāo)跟蹤可描述為在初始幀，提取目標(biāo)區(qū)域的特征作為跟 蹤模板，在后續(xù)視頻幀中，與跟蹤模板匹配最相似的圖像區(qū)域成為目標(biāo)跟蹤結(jié)果。 對于KBT方法，在初始幀中提取的目標(biāo)模板特征叫做"目標(biāo)模型"，在后續(xù)視頻幀 中用于匹配的特征叫做"候選模型"。
4在實際的跟蹤應(yīng)用領(lǐng)域中，目標(biāo)將出現(xiàn)尺度大小、形狀和姿態(tài)等的變化，加 上環(huán)境中的各種其他因素干擾，相關(guān)匹配跟蹤得不到最佳的匹配位置，必然存在 測量誤差。當(dāng)跟蹤置信度下降到小于模板更新的閾值時，模板已發(fā)生較大的漂移。 另外，當(dāng)圖像的亮度和對比度發(fā)生變化且出現(xiàn)灰度反轉(zhuǎn)時，最佳匹配點(diǎn)的位置將 隨灰度的變化而變化，跟蹤誤差逐漸增大。所以作為相關(guān)跟蹤過程中相似性度量 基準(zhǔn)的模板圖像，在跟蹤過程中，必須及時得到更新修正。
Mean Shift方法是一種密度函數(shù)梯度估計的非參數(shù)方法，通過迭代尋優(yōu)找 到概率分布的極值來定位目標(biāo)。對于mean shift跟蹤方法來說，目標(biāo)模型可以看 作是跟蹤模板。當(dāng)跟蹤窗口在包含目標(biāo)區(qū)域的同時逐漸混入很多背景區(qū)域時，由 于跟蹤窗口的中心始終指示著目標(biāo)的形心，因此空間定位誤差很小。但是當(dāng)目標(biāo) 不斷增大尺寸并且大于跟蹤窗口的尺度時，不僅會導(dǎo)致尺度定位偏差，還導(dǎo)致空 間定位偏差。另一方面，當(dāng)目標(biāo)不斷縮小尺寸時，由于跟蹤窗口大小不變，最終 必定會導(dǎo)致極大的尺度定位誤差。因此，對于mean shift的跟蹤模版自適應(yīng)應(yīng)該 包含兩方面的內(nèi)容
(1) 目標(biāo)模型自適應(yīng)更新；
(2) 跟蹤窗口尺度自適應(yīng)更新；
為了避免模板更新不及時導(dǎo)致定位誤差積累，并向后繼跟蹤過程傳遞，必須 設(shè)計有效的模板更新和修正策略以獲得穩(wěn)健的跟蹤性能。
Bradski G R提出的CAMSHIFT (Continuously adaptive mean shift)方法 用于感知用戶界面的人臉跟蹤中，它采用HSV色彩空間的H分量建立目標(biāo)直方圖 模型，限于跟蹤特定顏色的目標(biāo)。值得注意的是，區(qū)別于KBT， CAMSHIFT方法是 基于目標(biāo)的連續(xù)自適應(yīng)分布實現(xiàn)目標(biāo)跟蹤。CAMSHIFT方法能夠自動調(diào)節(jié)窗口大小 以適應(yīng)被跟蹤目標(biāo)在圖像中的大小。通過對比分析KBT和CAMSHIFT各自的優(yōu)勢 及缺點(diǎn)，可以看出KBT缺乏必要的模型更新，其固定不變的核函數(shù)窗寬，既跟蹤 窗口的大小不變，影響了跟蹤的準(zhǔn)確性，在目標(biāo)存在明顯尺度變化時，會導(dǎo)致尺 度定位不準(zhǔn)確，甚至造成目標(biāo)的丟失。而CAMSHIFT方法由于缺乏一個相對穩(wěn)定的 目標(biāo)模型作為模板，因此在大面積背景干擾情況下,不能實現(xiàn)有效的跟蹤。本發(fā)明 旨在結(jié)合目標(biāo)的靜態(tài)模型和動態(tài)連續(xù)自適應(yīng)分布各自的優(yōu)勢，取得更加穩(wěn)健的跟 蹤效果。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對現(xiàn)有技術(shù)存在的不足，提出一種基于核及目標(biāo)區(qū)域的 連續(xù)自適應(yīng)分布特征的跟蹤方法，能夠?qū)崿F(xiàn)在動態(tài)場景中，目標(biāo)尺度和表觀發(fā)生 較大變化條件下的跟蹤。
本發(fā)明通過以下技術(shù)方案實現(xiàn)，本發(fā)明基于核的目標(biāo)跟蹤，在均值漂移跟蹤 自身框架內(nèi)，結(jié)合目標(biāo)跟蹤區(qū)域的自適應(yīng)分布和相對穩(wěn)定的目標(biāo)模型，對候選模 型經(jīng)過直方圖后向映射，以跟蹤區(qū)域分布圖像的零階矩來估計跟蹤窗口的尺度。 最后在更新階段，根據(jù)目標(biāo)模型和候選模型的相似度，同時實現(xiàn)了目標(biāo)模型的自 適應(yīng)更新和跟蹤窗口尺度的自適應(yīng)更新。
本發(fā)明包括如下步驟
1、 跟蹤初始化在初始幀確定目標(biāo)跟蹤區(qū)域，S卩確定目標(biāo)位置和尺度的 初始參數(shù)。在初始的目標(biāo)跟蹤區(qū)域中提取目標(biāo)模板特征，即目標(biāo)模型。
2、 跟蹤開始后，在候選區(qū)域，提取目標(biāo)的核直方圖特征，即候選模型。按照
KBT算法計算mean shift向量，確定目標(biāo)的位置。以新得到的目標(biāo)位置為參數(shù)更 新跟蹤區(qū)域，并在更新后的跟蹤區(qū)域內(nèi)重新提取目標(biāo)的核直方圖特征。
3、 以重新提取的目標(biāo)核直方圖為分布，對跟蹤區(qū)域進(jìn)行直方圖后向映射變換 (HBP: Histogram Back-Projection)。通過HBP可以得到跟蹤區(qū)域的分布圖像。
4、 計算跟蹤區(qū)域分布圖像的零階矩。根據(jù)跟蹤窗口的縱向尺度和橫向尺度的 比例參數(shù)，利用零階矩為更新權(quán)值，計算新的跟蹤窗口尺度參數(shù)。
5、 按照新的跟蹤窗口尺度參數(shù)和第2步所得的位置參數(shù)，更新跟蹤區(qū)域，并 在跟蹤區(qū)域，提取目標(biāo)核直方圖特征作為新的候選模型。計算目標(biāo)模型與新的候 選模型之間的相似程度若當(dāng)前相似程度高于前一幀的相似度，則以當(dāng)前相似度 為權(quán)值，對目標(biāo)模型進(jìn)行加權(quán)更新。同時，使用第4步所得的尺度參數(shù)更新跟蹤 窗口尺度。
本發(fā)明跟蹤開始后，首先在候選區(qū)域提取目標(biāo)的候選模型。通過KBT方法確 定新的目標(biāo)位置參數(shù)并以此更新跟蹤區(qū)域。以新跟蹤區(qū)域目標(biāo)核直方圖為分布進(jìn) 行直方圖后向映射變換，從而得到新跟蹤區(qū)域的分布圖像。然后計算新跟蹤區(qū)域 分布圖像的零階矩，利用零階矩為更新權(quán)值，計算新的跟蹤窗口尺度參數(shù)。按照 新的跟蹤窗口尺度參數(shù)和新的目標(biāo)位置參數(shù)重新提取新的候選模型。最后，計算新候選模型、候選模型與目標(biāo)模型間的相似度，通過相似度的比較來實現(xiàn)目標(biāo)模 型的自適應(yīng)更新和跟蹤窗口尺度的自適應(yīng)更新。
本發(fā)明在mean shift技術(shù)框架內(nèi)，提出了一種結(jié)合連續(xù)自適應(yīng)分布的可視跟 蹤方法具有如下有益效果
在KBT方法中，在每一幅跟蹤幀，候選模型都需要被重新計算。因此本發(fā)明 直接采用候選模型作為連續(xù)自適應(yīng)分布。由于跟蹤區(qū)域分布圖像是根據(jù)目標(biāo)核直 方圖建立的，因此在跟蹤區(qū)域中，屬于目標(biāo)的像素可以得到增強(qiáng)顯示。而非目標(biāo) 像素會受到抑制，因此只要目標(biāo)模型能夠得到適時的更新且能夠與候選模型保持 較高的相似度，方法的跟蹤性能就可以得到極大提高。通過計算跟蹤區(qū)域分布圖 像的零階矩，可以充分利用候選模型包含的信息，同時估計出跟蹤窗口的尺度參 數(shù)。在更新階段，根據(jù)候選模型與目標(biāo)模型相似度來判斷更新執(zhí)行的條件，將KBT 算法中原先靜態(tài)的目標(biāo)模型轉(zhuǎn)化為了動態(tài)目標(biāo)模型，使得尺度更新和目標(biāo)模型的 更新操作具有更高的穩(wěn)健性和適應(yīng)性。由于本發(fā)明在mean shift技術(shù)框架內(nèi)實現(xiàn)， 因此保留了傳統(tǒng)KBT方法易于實現(xiàn)、運(yùn)行速度快的優(yōu)點(diǎn)，具有較高的實用價值。


圖1為本發(fā)明基于核及目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法示意圖。 圖2為本發(fā)明與KBT方法及CAMSHIFT方法跟蹤效果的比較示意圖。 圖3為本發(fā)明與KBT方法的候選模型與目標(biāo)模型之間相似性比較曲線圖。
具體實施例方式
以下結(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。
如圖1所示，本實施例在確定跟蹤區(qū)域，提取目標(biāo)模型為跟蹤模板后，運(yùn)行 KBT跟蹤方法獲得目標(biāo)位置，利用KBT得到的結(jié)果更新跟蹤區(qū)域為候選區(qū)域后，在 候選區(qū)域提取核直方圖特征，即候選模型。基于候選模型，對候選區(qū)域進(jìn)行直方 圖后向映射操作即可得到該區(qū)域的分布圖像。計算該區(qū)域分布圖像的零階矩。將 候選模型和零階矩輸入圖中右側(cè)的更新模塊，從而實現(xiàn)跟蹤窗口尺度和目標(biāo)模型 的更新操作，使得跟蹤方法具備自適應(yīng)特性。
本實施例包括如下步驟1、 確定目標(biāo)初始位置參數(shù)〈《—、乂一〉和初始尺度參數(shù)(《—、S")。
77 "=及五cr(x" ， (1, f ， C) (1)
其中，上標(biāo)k代表跟蹤的幀編號，初始化時，k=l; (l)式中，(《1，(1,《—、S")
代表初始選定目標(biāo)的中心位置參數(shù)，以及目標(biāo)在x坐標(biāo)方向和y坐標(biāo)方向的跟蹤窗口 尺度參數(shù)。77 " = i 五cr(《-1,(1 ，(1,S，1)代表由((1 ，(1 ，,《—1)參數(shù)構(gòu)成的矩
形跟蹤窗口。
在初始跟蹤區(qū)域中提取目標(biāo)模板特征，即目標(biāo)模型
f=kL』，其中，-c°)"(6(《),") (2)
",=i
根據(jù)KBT方法的定義，目標(biāo)的初始中心位置記作 是跟蹤區(qū)域
中的各像素位置，Kernel為對跟蹤區(qū)域像素值的加權(quán)核函數(shù)。3(0為Kronecker delta函數(shù)。6(《)是完成將各像素向直方圖各對應(yīng)分量映射的函數(shù)。G是歸一化
常數(shù)，用以保證|> =1成立。w代表核直方圖分量的下標(biāo)。與目標(biāo)模型的定
義類似，候選模型定義為如下形式
= 其中，p,+t^，"《—。"諷《),").(3)
2、 跟蹤開始后，在當(dāng)前第k幀中，原來第k-l幀的跟蹤區(qū)域變?yōu)楹蜻x區(qū)域， 在候選區(qū)域按照(3)提取目標(biāo)的核直方圖特征，即候選模型。計算mean shift向 量，可按照如下公式迭代進(jìn)行
確定目標(biāo)位置= (A/，△/) (4)
迭代公式為t《i^"""'-。'w(Z'HX'-。 (5)
△ C= "1^-^-
t K謂/使用第二步結(jié)果更新跟蹤候選區(qū)域，表示為
C = i^:cr((1 + a/ , 乂-1 + △/,《-1,《1) (7)
其中，A一 ^A/,A/)代表采用均值漂移算法得到的目標(biāo)中心位置平移量。
tk證/(x, - ) -c" Ac*=^~^_代表均值漂移算法的計算公式。
C -Mcr((1十A^,(1 +A/,(1，《1)代表使用新的目標(biāo)中心位置
平移量更新目標(biāo)區(qū)域后得到的結(jié)果。
接下來，以新得到的目標(biāo)位置為參數(shù)更新跟蹤區(qū)域，并在更新后的跟蹤區(qū)域
內(nèi)按照(3)，重新提取目標(biāo)的核直方圖特征。
3、以重新提取的目標(biāo)核直方圖為分布，對跟蹤區(qū)域進(jìn)行直方圖后向映射變換 (HBP: Histogram Back-Projection)。變換方式如下
》=[AJ"j其中，A =min
,255 、
(8)
根據(jù)(8)的定義，直方圖分量A的取值范圍從
映射到了[O， 255].通過HBP可以得到跟蹤區(qū)域的分布圖像。
4、計算跟蹤區(qū)域分布圖像的零階矩mq。。計算公式如下
《=1]》"力 (9) 其中，/(jc，力是經(jīng)過HBP后，跟蹤區(qū)域的分布圖像在(x,y)位置的灰度值。 利用零階矩^l/。。為更新權(quán)值，計算新的跟蹤窗口尺度參數(shù)
&=".7^ (10) & =々《 (11) 其中，"為跟蹤窗口尺度與目標(biāo)尺度的比例，實際應(yīng)用中，為了完全覆蓋目
標(biāo)，跟蹤窗口尺度需略大于目標(biāo)尺度("=1. 1)，々為跟蹤窗口的縱向尺度和橫向
尺度的比例參數(shù)。
95、按照新的跟蹤窗口尺度參數(shù)(&，&)和第2步所得的位置參數(shù)，更新當(dāng)前 候選區(qū)域
C# = MC7X(1 + A/, (1 + 》 (12) 按照(3)提取目標(biāo)核直方圖特征作為新的候選模型。 計算目標(biāo)模型與候選模型之間的相似程度楓》—、》—"，厭》_1,》)。 其中、^w)為上一幀的目標(biāo)模型與候選模型之間的Bhattacharyya系
數(shù)，',》)為上一幀的目標(biāo)模型與當(dāng)前候選模型之間的Bhattacharyya系數(shù)， 計算公式如下
根據(jù)Bhattacharyya系數(shù)比較，具體更新過程如下 若5"",-1) < J)
則更新尺度《=&
更新目標(biāo)模型》=5(》-j，戶+(1-風(fēng)》-'，,)^-1 否則保持跟蹤窗口尺度與目標(biāo)模型不變
sx1，《《1，》4"
更新結(jié)束。
如圖2所示，圖2中(a)-(c)為傳統(tǒng)KBT方法的跟蹤效果，由于其跟蹤窗口尺 度無法得到適當(dāng)?shù)母拢?dāng)目標(biāo)尺度變大時，跟蹤性能逐步變差。圖2中(d)-(f) 為CAMSHIFT方法的跟蹤效果。雖然CAMSHIFT能夠自動調(diào)節(jié)窗口大小，但是由于 動態(tài)場景的強(qiáng)烈干擾，又缺乏一個相對固定的跟蹤模板，CAMSHIFT得到的跟蹤窗 口尺度往往過大，從而包含了過多的背景像素，最終導(dǎo)致跟蹤性能下降。圖2中 (g)-(i)為本實施例的跟蹤效果，從中可以看出，本實施例提出的跟蹤方法實現(xiàn)了 在動態(tài)場景中，目標(biāo)尺度和表觀發(fā)生較大變化條件下的跟蹤。
如圖3所示，星號線表示了本實施例提出方法的跟蹤結(jié)果與目標(biāo)模板間的相 似度；實線表示了 KBT方法的跟蹤結(jié)果與目標(biāo)模板間的相似度。
在本實施例中，由于引入了專門的目標(biāo)尺度和模型更新方法，保證了目標(biāo)能
10夠始終被完全鎖定，因此，可以與目標(biāo)模板特征保持更好的一致性，實現(xiàn)了對目 標(biāo)的穩(wěn)健跟蹤。
權(quán)利要求
1、一種基于核及目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法，其特征在于，基于核目標(biāo)跟蹤方法，在均值漂移跟蹤自身框架內(nèi)，結(jié)合目標(biāo)區(qū)域的自適應(yīng)分布和相對穩(wěn)定的目標(biāo)模型，對候選模型經(jīng)過直方圖后向映射，以跟蹤區(qū)域分布圖像的零階矩來估計跟蹤窗口的尺度，最后在更新階段，根據(jù)目標(biāo)模型和候選模型的相似程度，同時實現(xiàn)了目標(biāo)模型的自適應(yīng)更新和跟蹤窗口尺度的自適應(yīng)更新。
2、 根據(jù)權(quán)利要求l所述的基于核及目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法，其 特征是，包括如下步驟① 、在初始幀確定目標(biāo)跟蹤區(qū)域，提取目標(biāo)模板特征；② 、跟蹤開始后，在候選區(qū)域，提取目標(biāo)的核直方圖特征，確定目標(biāo)的位置參 數(shù)，以新得到的目標(biāo)位置為參數(shù)更新跟蹤區(qū)域，并在更新后的跟蹤區(qū)域內(nèi)重新提 取目標(biāo)的核直方圖特征；③ 、以重新提取的目標(biāo)核直方圖為分布，對跟蹤區(qū)域進(jìn)行直方圖后向映射變換， 通過映射變換得到跟蹤區(qū)域的分布圖像；④ 、計算跟蹤區(qū)域分布圖像的零階矩，根據(jù)跟蹤窗口的縱向尺度和橫向尺度的 比例參數(shù)，利用零階矩為更新權(quán)值，計算新的跟蹤窗口尺度參數(shù)；◎、按照新的跟蹤窗口尺度參數(shù)和第②步所得的位置參數(shù)，更新跟蹤區(qū)域， 并在跟蹤區(qū)域提取目標(biāo)核直方圖特征作為新的候選模型，計算目標(biāo)模型與新的候 選模型之間的相似程度，通過對當(dāng)前相似程度和前一幀相似程度的比較，來對目 標(biāo)模型和跟蹤窗口進(jìn)行更新。
3、 根據(jù)權(quán)利要求2所述的基于核及目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法，其 特征是，所述的在初始幀確定目標(biāo)跟蹤區(qū)域，是指確定目標(biāo)位置和尺度的初始 參數(shù)。
4、 根據(jù)權(quán)利要求2所述的基于核及目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法，其 特征是，所述的提取目標(biāo)的核直方圖特征，其公式如下其中<formula>formula see original document page 2</formula>是跟蹤區(qū)域中的各像素位置，Kernel為對跟蹤區(qū)域像素值的加權(quán)核 函數(shù)，.S(6(X,)，w)為Kronecker delta函數(shù)，&(《)是完成將各像素向直方圖各對應(yīng)分量映射的函數(shù)，G是歸一化常數(shù)，用以保證|> =1成立，"代表核直方 =1圖分量的下標(biāo)。
5、根據(jù)權(quán)利要求1或2所述的基于核及目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法， 其特征是，所述的直方圖后向映射，其公式如下,255 、其中,A =薩(/7) 人d A為直方圖分量，A的取值范圍從
映射到了[O， 255]。
6、 根據(jù)權(quán)利要求1或2所述的基于核及目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法， 其特征是，所述的跟蹤區(qū)域分布圖像的零階矩，其公式如下似o。-;z2^"，力X 少其中，/(jc,力是經(jīng)過HBP后，跟蹤區(qū)域的分布圖像在(x，y)位置的灰度值。
7、 根據(jù)權(quán)利要求2所述的基于核及目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法，其 特征是，第⑤步所述的相似程度比較，其公式為其中，B""，》—i)為上一幀的目標(biāo)模型與候選模型之間的Bhattacharyya系數(shù)，5(》、》)為上一幀的目標(biāo)模型與當(dāng)前候選模型之間的BhattacharTya系數(shù)。
8、根據(jù)權(quán)利要求2所述的基于核及目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法，其 特征是，所述的對目標(biāo)模型和跟蹤窗口進(jìn)行更新，是指若當(dāng)前幀候選模型與目 標(biāo)模型的相似程度高于前一幀候選模型與目標(biāo)模型的相似程度，則以零階矩為更 新權(quán)值對目標(biāo)模型和跟蹤窗口進(jìn)行更新，否則保持目標(biāo)模型和跟蹤窗口尺度不變。
全文摘要
本發(fā)明涉及一種計算機(jī)視覺技術(shù)領(lǐng)域的基于核及目標(biāo)連續(xù)自適應(yīng)分布特征的跟蹤方法。本發(fā)明在mean shift自身框架內(nèi)，結(jié)合目標(biāo)區(qū)域的自適應(yīng)分布和相對穩(wěn)定的目標(biāo)模型，對候選模型經(jīng)過直方圖后向映射，以跟蹤區(qū)域分布圖像的零階矩來估計跟蹤窗口的尺度。最后在更新階段，根據(jù)目標(biāo)模型和候選模型的相似度，同時實現(xiàn)了目標(biāo)模型的自適應(yīng)更新和跟蹤窗口尺度的自適應(yīng)更新。能夠?qū)崿F(xiàn)在動態(tài)場景中，目標(biāo)尺度和表觀發(fā)生較大變化條件下的跟蹤。
文檔編號G06T7/20GK101551909SQ20091004901
公開日2009年10月7日 申請日期2009年4月9日 優(yōu)先權(quán)日2009年4月9日
發(fā)明者敬忠良, 李元祥, 韓日升 申請人:上海交通大學(xué)