基于d-s證據(jù)理論信息融合的多核目標(biāo)跟蹤方法
【專利摘要】本發(fā)明公開了一種基于D-S證據(jù)理論信息融合的多核目標(biāo)跟蹤方法，其特征在于，包括以下步驟：（1）對初始選定的目標(biāo)跟蹤框劃分；（2）計算顏色特征和邊緣特征的聯(lián)合概率密度；（3）計算子塊的權(quán)重系數(shù)；（4）利用mean-shift非參數(shù)密度估計算法對位移矢量求取極大值；（5）利用D-S證據(jù)理論信息融合方法，對多個目標(biāo)位置估計進(jìn)行融合計算以獲得最佳的跟蹤目標(biāo)位置。本發(fā)明能夠有效地處理目標(biāo)被遮擋下特征單一、光線的強(qiáng)烈變化及目標(biāo)自身形狀的改變的情況、具有良好的跟蹤效果。
【專利說明】基于D-S證據(jù)理論信息融合的多核目標(biāo)跟蹤方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于數(shù)字圖像處理及計算機(jī)視覺目標(biāo)跟蹤【技術(shù)領(lǐng)域】，涉及一種對視頻圖像 序列目標(biāo)跟蹤技術(shù)，特別是涉及一種基于D-S證據(jù)理論信息融合的多核目標(biāo)跟蹤方法。

【背景技術(shù)】
[0002] 隨著計算機(jī)視覺技術(shù)的蓬勃發(fā)展，電子設(shè)備以及數(shù)字存儲設(shè)備的完善。利用計算 機(jī)視覺技術(shù)來幫助我們處理、理解，分析圖像和視頻得到廣泛的普及。其中運(yùn)動目標(biāo)跟蹤是 一個熱點(diǎn)研究問題。運(yùn)動目標(biāo)跟蹤就是在一段序列圖像中的每幅圖像中實時地找到所感興 趣的運(yùn)動目標(biāo)（包括位置、速度及加速度等運(yùn)動參數(shù)。在運(yùn)動目標(biāo)跟蹤問題的研究上，總體 來說有兩種思路：a)不依賴于先驗知識，直接從圖像序列中檢測到運(yùn)動目標(biāo)，并進(jìn)行目標(biāo) 識別，最終跟蹤感興趣的運(yùn)動目標(biāo)；b)依賴于目標(biāo)的先驗知識，首先為運(yùn)動目標(biāo)建模，然后 在圖像序列中實時找到相匹配的運(yùn)動目標(biāo)。圍繞這兩種思路，產(chǎn)生了大量的運(yùn)動檢測與跟 蹤算法。但迄今為止，運(yùn)動檢測與跟蹤算法的魯棒性、準(zhǔn)確性和實時性的統(tǒng)一仍是尚未解決 和正在努力追求的目標(biāo)。運(yùn)動目標(biāo)跟蹤作為一門跨學(xué)科的前沿技術(shù)，融合了圖像處理、模式 識別、人工智能、自動控制等多種不同領(lǐng)域的理論知識。在軍事制導(dǎo)、視覺導(dǎo)航、安全監(jiān)控、 智能交通、氣象分析及天文觀測等眾多領(lǐng)域中有著廣闊的應(yīng)用前景，跟蹤算法的研究具有 重要的實際意義。
[0003] 通過多年的發(fā)展和改進(jìn)，運(yùn)動目標(biāo)跟蹤的方法主要有以下幾種：（1)基于區(qū)域匹 配的方法，其主要是把參考圖像的某一塊整體與實時圖像的在所有可能位置上進(jìn)行疊加， 然后計算某種圖像相似性度量的相應(yīng)值，其最大相似性相對應(yīng)的位置就是目標(biāo)的位置。（2) 基于特征匹配方法，即在提取特征后，對特征屬性矢量（點(diǎn)、邊緣、線段、小面或局部能量） 作相關(guān)度計算，相關(guān)系數(shù)的峰值即為匹配位置。（3)基于頻率域匹配是將視頻圖像變換到頻 率域，然后根據(jù)變換系數(shù)的幅值或相位來檢測目標(biāo)的運(yùn)動。傅立葉變換是常用的頻率分析 方法。（4)基于模型的匹配跟蹤是通過一定的先驗知識對所跟蹤目標(biāo)建立模型，然后通過匹 配跟蹤目標(biāo)進(jìn)行模型的實時更新。
[0004] 文獻(xiàn)"Meanshift在目標(biāo)跟蹤中的應(yīng)用[J]. "（宋新、沈振康、王平、王魯平，系統(tǒng) 工程與電子技術(shù)，2007. 09 =1405-1409.)。提出了采用獲取顏色空間直方圖結(jié)合MeanShift 算法來對目標(biāo)進(jìn)行跟蹤。但由于只選擇單一顏色的特征，其他的特征信息就被忽略，導(dǎo)致信 息量不夠充分。在實際情景中，由于目標(biāo)被遮擋或光線的強(qiáng)烈變化以及目標(biāo)自身形狀的改 變都會影響目標(biāo)的跟蹤效果。


【發(fā)明內(nèi)容】

[0005] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺陷，提出一種能夠有效地處理目標(biāo)被遮 擋下特征單一、光線的強(qiáng)烈變化及目標(biāo)自身形狀改變的情況、具有良好的跟蹤效果的基于 D-S證據(jù)理論信息融合的多核目標(biāo)跟蹤方法。
[0006] 本發(fā)明為解決所述技術(shù)問題采用的技術(shù)方案是：
[0007] -種基于D-S證據(jù)理論信息融合的多核目標(biāo)跟蹤方法，其特征在于，包括以下步 驟：
[0008] (1)對初始選定的目標(biāo)跟蹤框劃分；當(dāng)手動框選目標(biāo)區(qū)域后，根據(jù)目標(biāo)框的坐標(biāo) 即可求出目標(biāo)框的長和寬，選取長和寬的一半劃分目標(biāo)框大小。
[0009] (2)計算顏色特征和邊緣特征的聯(lián)合概率密度；顏色直方圖是目標(biāo)顏色的整體統(tǒng) 計特征，邊緣直方圖是目標(biāo)邊緣的整體統(tǒng)計特征，將兩者有機(jī)的融合在一起，獲取各自重要 的特征信息。
[0010] (3)計算子塊的權(quán)重系數(shù)；每個分塊各自的巴氏系數(shù)值與整體的巴氏系數(shù)值的比 值。
[0011] (4)求取跟蹤目標(biāo)位置估計；利用mean-shift非參數(shù)密度估計算法對位移矢量求 取極大值。
[0012] 利用D-S證據(jù)理論信息融合方法，對多個目標(biāo)位置估計進(jìn)行融合計算以獲得最佳 的跟蹤目標(biāo)位置。
[0013] 所述步驟（1)中，對跟蹤框等分情況實施方法為：
[0014] x=m/2
[0015] y=n/2
[0016] 其中，m為選定目標(biāo)跟蹤框的寬度，n為選定目標(biāo)跟蹤框的高度。
[0017] 所述步驟（2)中，對計算顏色特征和邊緣特征的聯(lián)合概率密度實施方法為：

【權(quán)利要求】
1. 一種基于D-S證據(jù)理論信息融合的多核目標(biāo)跟蹤方法，其特征在于，包括以下步驟： (1) 對初始選定的目標(biāo)跟蹤框劃分：手動框選目標(biāo)區(qū)域后，根據(jù)目標(biāo)框的坐標(biāo)求出目 標(biāo)框的長和寬，選取長和寬的一半劃分目標(biāo)框大??； (2) 計算顏色特征和邊緣特征的聯(lián)合概率密度：顏色直方圖是目標(biāo)顏色的整體統(tǒng)計特 征，邊緣直方圖是目標(biāo)邊緣的整體統(tǒng)計特征，將兩者有機(jī)的融合在一起，獲取各自重要的特 征信息； (3) 計算子塊的權(quán)重系數(shù)：每個分塊各自的巴氏系數(shù)值與整體的巴氏系數(shù)值的比值： (4) 求取跟蹤目標(biāo)位置估計：利用mean-shift非參數(shù)密度估計算法對位移矢量求取極 大值； (5) 利用D-S證據(jù)理論信息融合方法，對多個目標(biāo)位置估計進(jìn)行融合計算以獲得最佳 的跟蹤目標(biāo)位置。
2. 根據(jù)權(quán)利要求1所述的一種基于D-S證據(jù)理論信息融合的多核目標(biāo)跟蹤方法，其特 征在于所述步驟（1)中，對跟蹤框等分情況實施方法為： X = m/2 y = n/2 其中，m為選定目標(biāo)跟蹤框的寬度，η為選定目標(biāo)跟蹤框的高度。
3. 根據(jù)權(quán)利要求1所述的一種基于D-S證據(jù)理論信息融合的多核目標(biāo)跟蹤方法，其特 征在于：所述步驟（2)中，對計算顏色特征和邊緣特征的聯(lián)合概率密度實施方法為：
其中，g(x，y)是Sobel算子進(jìn)行邊緣檢測后在坐標(biāo)（x，y)處的值，當(dāng)存在邊緣時為1， 否則為0。
4. 根據(jù)權(quán)利要求1所述的一種基于D-S證據(jù)理論信息融合的多核目標(biāo)跟蹤方法，其特 征在于所述步驟（3)中，計算子塊的權(quán)重系數(shù)實施方法為：
i巾，<lv)，為口目+ 示+莫夬白勺$4牛寺征_既$$&分布；Κ為總、白勺土夬 數(shù)。
5. 根據(jù)權(quán)利要求1所述的一種基于D-S證據(jù)理論信息融合的多核目標(biāo)跟蹤方法，其特 征在于所述步驟（4)中，對求取跟蹤目標(biāo)位置估計實施方法為：
其中，h表示核函數(shù)的帶寬，Wi加權(quán)系數(shù)為：
其中，qu，Pu (以，分別為候選模型和目標(biāo)模型的特征概率密度值。
6.根據(jù)權(quán)利要求1所述的一種基于D-S證據(jù)理論信息融合的多核目標(biāo)跟蹤方法，其特 征在于所述步驟（5)中，對多個目標(biāo)位置估計進(jìn)行融合計算以獲得最佳的跟蹤目標(biāo)位置的 實現(xiàn)方法是： 在目標(biāo)跟蹤方法中根據(jù)證據(jù)組合公式原理構(gòu)建數(shù)學(xué)模型，采用N個不同的核函數(shù)，分 另Ij利用Mean-Shift方法，可獲得當(dāng)前幀中N個不同的跟蹤目標(biāo)的位置估計（I1, 12, "·1η)，令 Γ為前一幀中的目標(biāo)位置，根據(jù)D-S證據(jù)理論中焦元結(jié)構(gòu)定義一組mass函數(shù)如下： M1(I1) = (I1-Ii )/!' M2(I2) = (I2-Ii )/!' Mn(In) = αη-ι，)/1' 然后利用D-S合成公式計算得到目標(biāo)位于In的概率：
通過上述公式計算獲得的最大概率時所對應(yīng)的目標(biāo)位置即為最后所求得的實際目標(biāo) 位置。
【文檔編號】G06T7/20GK104392465SQ201410642611
【公開日】2015年3月4日 申請日期:2014年11月13日 優(yōu)先權(quán)日:2014年11月13日
【發(fā)明者】楊欣, 沈雷, 周延培, 張亞紅, 張燕, 周大可 申請人:南京航空航天大學(xué)