一種利用運(yùn)動(dòng)模糊信息的物體跟蹤方法
【專利摘要】本發(fā)明公開了一種利用運(yùn)動(dòng)模糊信息的物體跟蹤方法，首先提取跟蹤目標(biāo)特征，利用模糊核函數(shù)構(gòu)造模糊目標(biāo)圖像；然后利用得到的清晰目標(biāo)和模糊目標(biāo)并對(duì)圖像分塊構(gòu)造字典；接著利用構(gòu)造的字典采用稀疏表示方法表示跟蹤目標(biāo)，利用系數(shù)提取運(yùn)動(dòng)信息；采用粒子濾波算法定位跟蹤目標(biāo)，跟蹤目標(biāo)由分塊系數(shù)確定，粒子濾波算法中的粒子采樣分布與運(yùn)動(dòng)信息相關(guān)；最后利用新跟蹤到的目標(biāo)，結(jié)合稀疏編碼和增量學(xué)習(xí)進(jìn)行字典更新。本發(fā)明的方法，利用構(gòu)造的字典可以解決圖像因運(yùn)動(dòng)模糊降級(jí)造成的特征不易提取問題，利用運(yùn)動(dòng)信息可以提高物體跟蹤算法準(zhǔn)確度與運(yùn)行速度。
【專利說明】一種利用運(yùn)動(dòng)模糊信息的物體跟蹤方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及計(jì)算機(jī)視覺領(lǐng)域，特別涉及一種利用運(yùn)動(dòng)模糊信息的物體跟蹤方法。

【背景技術(shù)】
[0002] 在計(jì)算機(jī)視覺領(lǐng)域中，跟蹤問題是一個(gè)研究熱點(diǎn)，跟蹤算法的效果受多方面的因 素影響，目前的工作主要在處理如下的影響因素：圖像噪聲、復(fù)雜運(yùn)動(dòng)、物體發(fā)生非剛性形 變、部分或者完全遮擋、背景干擾、光照變化、實(shí)時(shí)性要求等。在許多應(yīng)用中，一般都假設(shè)物 體沒有突然運(yùn)動(dòng)，物體保持恒定的速度移動(dòng)，視頻中不存在運(yùn)動(dòng)模糊等。但是在實(shí)際中運(yùn)動(dòng) 模糊是不可避免，產(chǎn)生運(yùn)動(dòng)模糊的原因有：物體運(yùn)動(dòng)過快、曝光時(shí)間過短、相機(jī)運(yùn)動(dòng)等，運(yùn)動(dòng) 模糊在物體跟蹤問題中十分常見。
[0003] 運(yùn)動(dòng)模糊對(duì)于物體跟蹤影響很大，運(yùn)動(dòng)模糊直接造成的結(jié)果就是圖像降級(jí)。對(duì)于 跟蹤算法，首要解決的兩個(gè)關(guān)鍵問題就是目標(biāo)建模與目標(biāo)定位，其中目標(biāo)建模主要就是提 取跟蹤目標(biāo)的特征，而圖像質(zhì)量直接影響特征提取。所以要構(gòu)建一個(gè)魯棒性的跟蹤系統(tǒng)，解 決運(yùn)動(dòng)模糊的問題是十分重要的。而目前關(guān)于運(yùn)動(dòng)模糊的處理主要是圖像處理層面，即主 要研究圖像去模糊的方法，而對(duì)于運(yùn)動(dòng)模糊在跟蹤方面的問題并不做特別處理。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的缺點(diǎn)與不足，提供一種利用運(yùn)動(dòng)模糊信息的物 體跟蹤方法。
[0005] 本發(fā)明的目的通過以下的技術(shù)方案實(shí)現(xiàn)：
[0006] -種利用運(yùn)動(dòng)模糊信息的物體跟蹤方法，包含以下順序的步驟：
[0007] S1.提取跟蹤目標(biāo)的灰度特征，利用模糊核函數(shù)構(gòu)造不同模糊尺度和模糊方向的 模糊目標(biāo)圖像；
[0008] S2.利用得到的清晰目標(biāo)和模糊目標(biāo)做圖像分塊處理，每幅圖像分割成可重疊的 若干個(gè)小塊，每個(gè)小塊作為字典的一個(gè)條目，構(gòu)造稀疏編碼字典；
[0009] S3.利用構(gòu)造的稀疏編碼字典采用稀疏表示方法表示跟蹤目標(biāo)，對(duì)各個(gè)方向和尺 度的條目系數(shù)疊加，利用得到系數(shù)提取運(yùn)動(dòng)信息，包括運(yùn)動(dòng)方向和運(yùn)動(dòng)大??；
[0010] S4.對(duì)稀疏表示的系數(shù)重新處理，按照塊位置疊加，取對(duì)角線系數(shù)，結(jié)合粒子濾波 算法定位跟蹤目標(biāo)；
[0011] S5.利用新跟蹤到的目標(biāo)結(jié)合稀疏編碼和增量學(xué)習(xí)對(duì)字典進(jìn)行更新；
[0012] S6.重復(fù)上述步驟S3?S5,直到跟蹤結(jié)束。
[0013] 所述的步驟S1，具體包含以下順序的步驟：
[0014] A、初始幀假設(shè)為清晰圖像，從初始幀提取跟蹤目標(biāo)的灰度特征；
[0015] B、利用清晰圖像與PSF函數(shù)做卷積運(yùn)算得到模擬的模糊圖像，卷積運(yùn)算公式為：
[0016]

【權(quán)利要求】
1. 一種利用運(yùn)動(dòng)模糊信息的物體跟蹤方法，其特征在于，包含以下順序的步驟：
51. 提取跟蹤目標(biāo)的灰度特征，利用模糊核函數(shù)構(gòu)造不同模糊尺度和模糊方向的模糊 目標(biāo)圖像；
52. 利用得到的清晰目標(biāo)和模糊目標(biāo)做圖像分塊處理，每幅圖像分割成可重疊的若干 個(gè)小塊，每個(gè)小塊作為字典的一個(gè)條目，構(gòu)造稀疏編碼字典；
53. 利用構(gòu)造的稀疏編碼字典采用稀疏表示方法表示跟蹤目標(biāo)，對(duì)各個(gè)方向和尺度的 條目系數(shù)疊加，利用得到系數(shù)提取運(yùn)動(dòng)信息，包括運(yùn)動(dòng)方向和運(yùn)動(dòng)大小；
54. 對(duì)稀疏表示的系數(shù)重新處理，按照塊位置疊加，取對(duì)角線系數(shù)，結(jié)合粒子濾波算法 定位跟蹤目標(biāo)；
55. 利用新跟蹤到的目標(biāo)結(jié)合稀疏編碼和增量學(xué)習(xí)對(duì)字典進(jìn)行更新；
56. 重復(fù)上述步驟S3?S5,直到跟蹤結(jié)束。
2. 根據(jù)權(quán)利要求1所述的利用運(yùn)動(dòng)模糊信息的物體跟蹤方法，其特征在于，所述的步 驟S1，具體包含以下順序的步驟： A、 初始幀假設(shè)為清晰圖像，從初始幀提取跟蹤目標(biāo)的灰度特征； B、 利用清晰圖像與PSF函數(shù)做卷積運(yùn)算得到模擬的模糊圖像，卷積運(yùn)算公式為：
其中Is (X)表示清晰圖像，I(x)表示計(jì)算機(jī)模擬的運(yùn)動(dòng)模糊圖像，v是二維矢量，表示 運(yùn)動(dòng)方向和運(yùn)動(dòng)幅度； v作為參數(shù)，設(shè)置不同的v值得到不同的模糊圖像，對(duì)于v的方向取8個(gè)不同的方向，分 別為π/4, π/2,……，2π，而幅度的取值與圖像的模糊程度相關(guān)，取η個(gè)等級(jí)，最終得到8η 個(gè)不同方向不同運(yùn)動(dòng)幅度的運(yùn)動(dòng)模糊圖像。
3. 根據(jù)權(quán)利要求1所述的利用運(yùn)動(dòng)模糊信息的物體跟蹤方法，其特征在于，步驟S2中， 所述的稀疏編碼字典的具體構(gòu)造步驟如下： Α、擴(kuò)充清晰圖像模板，利用初始幀圖像提取出跟蹤目標(biāo)特征，對(duì)目標(biāo)特征做平移和旋 轉(zhuǎn)變換，得到若干個(gè)清晰圖像模板； Β、對(duì)每個(gè)圖像模板的圖像做分塊處理，分割成若干個(gè)可重疊的小塊，分割方法如下，對(duì) 于一幅寬度為32的圖像，在寬度做分割的方法可以為1?16為第一小塊，8?24為第二小 塊，16?32第三小塊，這樣就可以對(duì)寬度分割成3部分，同理可處理高度，對(duì)于一幅像素值 為32 X 32的圖像，按照上述處理，可以得到3 X 3個(gè)小塊； C、 對(duì)每個(gè)小塊提取灰度特征，作為字典的一個(gè)條目，即可完成字典構(gòu)造；最后得到的字 典可以表示為：
其中i表示第i個(gè)運(yùn)動(dòng)方向，j表示第j個(gè)運(yùn)動(dòng)等級(jí)，k表示每個(gè)模板分割成的第k個(gè) 小塊； D、 對(duì)字典做歸一化處理。
4. 根據(jù)權(quán)利要求1所述的利用運(yùn)動(dòng)模糊信息的物體跟蹤方法，其特征在于，步驟S3中， 所述的跟蹤目標(biāo)存在運(yùn)動(dòng)模糊時(shí)，圖像降級(jí)，為了能夠表示降級(jí)的跟蹤目標(biāo)，采用基于子空 間表示的稀疏編碼表示跟蹤目標(biāo)并提取運(yùn)動(dòng)信息，具體步驟如下： A、 稀疏表不模型為：
其中T為稀疏編碼字典，c為稀疏編碼系數(shù)，求解此模型采用Lasso算法；Y為經(jīng)過分 塊的跟蹤目標(biāo)特征，此時(shí)稀疏表示模型采用Frobenius范數(shù)，根據(jù)設(shè)計(jì)的字典，系數(shù)c為 (iXjXk) Xk 矩陣； B、 提取運(yùn)動(dòng)信息，稀疏編碼為獨(dú)立成分分析的推廣，由構(gòu)造的稀疏編碼字典T，模糊模 板構(gòu)造的每個(gè)條目代表了不同的運(yùn)動(dòng)方向和運(yùn)動(dòng)幅度，對(duì)應(yīng)的系數(shù)c則表示了沿條目的權(quán) 重，按照各個(gè)方向疊加，得到各個(gè)方向的權(quán)重Θ，按照各個(gè)幅度疊加，得到各運(yùn)動(dòng)幅度權(quán)重 1 ：
〇
5. 根據(jù)權(quán)利要求1所述的利用運(yùn)動(dòng)模糊信息的物體跟蹤方法，其特征在于，步驟S4中， 所述的粒子濾波包括觀測(cè)模型和預(yù)測(cè)模型兩部分，而建議分布的設(shè)計(jì)是跟蹤算法效果的很 大影響因子，具體步驟如下： A、 根據(jù)建議分布q產(chǎn)生粒子，建議分布融合進(jìn)了運(yùn)動(dòng)信息，建議分布具體模型為：
其中，
為一階馬爾可夫變換，常取均值為XtH的高斯函數(shù)；
為二 階馬爾可夫變換，常取均值為Xh+Uh的高斯函數(shù)，Uh為前兩巾貞的速度差；
表示沿第i個(gè)運(yùn)動(dòng)方向的分布，其分布也為高斯分布，均值與提取的運(yùn)動(dòng)信息相關(guān)，為
為運(yùn)動(dòng)矢量，是參量Θ i和幅度1的函數(shù)； B、 對(duì)每個(gè)粒子表不的狀態(tài)提取跟蹤目標(biāo)，對(duì)可能的跟蹤目標(biāo)分塊，并且運(yùn)用稀疏表不 表示跟蹤目標(biāo)，度量每個(gè)粒子表示的狀態(tài)與跟蹤目標(biāo)的相似度，相似度度量采用分塊信息， 具體做法是：
其中C表示歸一化常量，pkl，k2表示用第kl個(gè)塊表示第k2個(gè)塊的權(quán)重，則最后得到的p 為kXk的矩陣，理論上第k個(gè)塊應(yīng)該由第k個(gè)塊表示的系數(shù)最大，所以取矩陣p的對(duì)角元 素，此對(duì)角值越大，與跟蹤目標(biāo)最接近； C、 利用稀疏表示的重構(gòu)誤差建立似然函數(shù)模型； D、 利用似然函數(shù)重采樣粒子； E、 重復(fù)上述步驟，直到跟蹤結(jié)束。
6. 根據(jù)權(quán)利要求1所述的利用運(yùn)動(dòng)模糊信息的物體跟蹤方法，其特征在于，所述的步 驟S5,具體包含以下順序的步驟： A、對(duì)清晰模板做PCA分析，得到的特征向量按照特征值大小排序，特征大的幾個(gè)特征 向量作為基u; B、 利用得到的基U用稀疏表示方法表示保存的幾幀跟蹤結(jié)果Y，此時(shí)跟蹤結(jié)果不做分 塊處理，稀疏表示模型為：
其中ζ為系數(shù)，s為噪聲，s呈拉普拉斯分布； 利用稀疏表示對(duì)跟蹤結(jié)果進(jìn)行校正，校正方法如下：
其中μ為PCA分析計(jì)算得到的均值向量； C、 利用校正的跟蹤結(jié)果Ynew采用增量PCA學(xué)習(xí)方法，重新訓(xùn)練得到新的基U ; D、 用新得到的基U表示當(dāng)前的跟蹤結(jié)果y，校正當(dāng)前跟前結(jié)果：
其中μ為PCA分析計(jì)算得到的均值向量，經(jīng)過校正的跟蹤結(jié)果用于更新清晰模板； Ε、按照字典舊條目更新慢、新條目更新快的原則，生成累計(jì)概率序列：
產(chǎn)生0?1之間的隨機(jī)數(shù)，由隨機(jī)數(shù)確定替換清晰模板中的某一模板； F、清晰模板更新之后，對(duì)清晰模板分塊處理，替換稀疏編碼字典Τ的清晰部分，對(duì)新字 典做歸一化處理，得到更新的字典。
7.根據(jù)權(quán)利要求1所述的利用運(yùn)動(dòng)模糊信息的物體跟蹤方法，其特征在于，步驟S6中， 所述的PSF函數(shù)為高斯核函數(shù)。
【文檔編號(hào)】G06T7/20GK104091350SQ201410280387
【公開日】2014年10月8日 申請(qǐng)日期:2014年6月20日 優(yōu)先權(quán)日:2014年6月20日
【發(fā)明者】徐向民, 張南海, 郭鍇凌, 鐘岳宏, 陳永彬 申請(qǐng)人:華南理工大學(xué)