計(jì)算運(yùn)動(dòng)目標(biāo)的像素?cái)?shù)li:
其中pXi和pyi分別表示第i帖中目標(biāo)中屯、在圖像坐標(biāo)系中的X坐標(biāo)和y坐標(biāo)； 通過像素?cái)?shù)的統(tǒng)計(jì)值li，得到目標(biāo)運(yùn)動(dòng)速度影響因子0fast;
其中
，是確定目標(biāo)運(yùn)動(dòng)速度是否過快的闊值，N為視頻數(shù)據(jù)集的總 帖數(shù)； b)利用模糊數(shù)學(xué)的方法計(jì)算運(yùn)動(dòng)導(dǎo)致的目標(biāo)模糊影響因子： 對(duì)當(dāng)前帖圖像與前一帖進(jìn)行帖間差分運(yùn)算，再對(duì)帖差圖像進(jìn)行Sobel算子檢測(cè)，在 得到的檢測(cè)圖像中，計(jì)算人工標(biāo)定的目標(biāo)所在區(qū)域內(nèi)的局部極大值點(diǎn)：若像素點(diǎn)灰度值 P(i，如大于其3X3鄰域內(nèi)像素的灰度值，則此點(diǎn)為局部極大值點(diǎn)，遍歷目標(biāo)區(qū)域內(nèi)所有像 素點(diǎn)，將局部極大值點(diǎn)添加到局部極大值點(diǎn)集PE中； 然后判斷點(diǎn)集PE中的點(diǎn)數(shù)量是否小于目標(biāo)區(qū)域內(nèi)像素點(diǎn)數(shù)的0. 5%。；若小于，圖像的 模糊因子為0 ;若大于或等于，則繼續(xù)進(jìn)行下一步計(jì)算： 對(duì)PE中的各點(diǎn)，先計(jì)算其3X3鄰域內(nèi)的灰度方差D(i，j)及方差特征0D(i，j):
0D(i，j) = 1A[0V值（i，j)-D1)值2-D1)] 其中p(s，t)表示像素點(diǎn)（i，j)的3X3鄰域內(nèi)的像素點(diǎn)的灰度值，羅(s，/)表示3X3鄰 域內(nèi)的像素點(diǎn)的灰度均值；運(yùn)算符A和V分別是取小和取大運(yùn)算符； 其中D2〉D1〉0是方差闊值； 由方差特征計(jì)算局部極大值點(diǎn)集PE的模糊度，即目標(biāo)模糊影響因子0biut;
其中K表示點(diǎn)集PE中局部極大值點(diǎn)的個(gè)數(shù)，F(xiàn)是一個(gè)可變參數(shù)，取值范圍為[4, 10];。 將運(yùn)動(dòng)速度影響因子與目標(biāo)模糊影響因子進(jìn)行融合，得到目標(biāo)運(yùn)動(dòng)因子： 口二日咖r日fast D
5.如權(quán)利要求3所述的一種基于數(shù)據(jù)集補(bǔ)償?shù)倪\(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法的評(píng)估方法，其 特征在于，所述遮擋因子的獲得方法為： 首先，將選取的視頻數(shù)據(jù)集的各帖中的目標(biāo)區(qū)域均分為4X4個(gè)子塊；選取第0帖無遮 擋圖像的目標(biāo)區(qū)域作為匹配標(biāo)準(zhǔn)，先計(jì)算第1帖無遮擋圖像中各子塊與第0帖中對(duì)應(yīng)的子 塊之間特征點(diǎn)對(duì)數(shù)量，16個(gè)子塊的特征點(diǎn)對(duì)數(shù)量形成一個(gè)16維向量Ti; 從第2帖開始，計(jì)算第i帖與第0帖的子塊之間特征點(diǎn)對(duì)數(shù)量，由此形成第第i帖對(duì)應(yīng) 的16維向量Ti; 分別計(jì)算第i帖對(duì)應(yīng)的16維向量Ti與16維向量T1之間的己氏距離4J 由各帖的己氏距離得出遮擋因子：
其4
; 表示第2帖到最后一帖對(duì)應(yīng)的己氏距離中的最大值，5 為局部遮擋判斷因子，為常數(shù)。
6. 如權(quán)利要求3所述的一種基于數(shù)據(jù)集補(bǔ)償?shù)倪\(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法的評(píng)估方法，其 特征在于，所述尺度變化因子的計(jì)算方法為；針對(duì)選擇的各個(gè)視頻數(shù)據(jù)集，從第1帖開始， 對(duì)每一帖計(jì)算目標(biāo)尺度變化率，其中第i帖的尺度變化率為巧：
其中Si為第i帖的目標(biāo)尺度值； 視頻數(shù)據(jù)集的尺度變化因子由尺度變化量與尺度變化率加權(quán)融合獲得：
^表示當(dāng)前視頻數(shù)據(jù)集中尺度變化率的均值；Sm"與Smi。分別表示視頻數(shù)據(jù)集所有帖 中目標(biāo)尺度的最大值與最小值。
7. 如權(quán)利要求3所述的一種基于數(shù)據(jù)集補(bǔ)償?shù)倪\(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法的評(píng)估方法，其 特征在于，所述光照變化因子的計(jì)算方法為： 對(duì)一個(gè)帖數(shù)為N的數(shù)據(jù)集，從第1帖開始，計(jì)算第i帖的亮度直方圖向量Vi與第i-1帖 的亮度直方圖向量Vh之間的己氏距離4
然后由己氏距離卑計(jì) 算最終光照變化因子： 1-JL
其中，
，^表示亮度直方圖向量Vi的向量元素均值，表示亮度直方 圖向量Vy的向量元素均值，N為視頻數(shù)據(jù)集的總帖數(shù)，M表示亮度直方圖向量Vi中元素個(gè) 數(shù)。
8. 如權(quán)利要求3所述的一種基于數(shù)據(jù)集補(bǔ)償?shù)倪\(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法的評(píng)估方法，其 特征在于，所述相似干擾因子的計(jì)算方法為： 首先將目標(biāo)W外的環(huán)境區(qū)域按目標(biāo)大小分為若干窗口，再采用半徑為1的8鄰域LBP 算子計(jì)算目標(biāo)LBP向量L。和窗口LBP向量Li，其中每個(gè)像素的LBP值為；
其中g(shù)。表示當(dāng)前像素灰度值，gi表示鄰域像素灰度值； 之后通過己氏距離公式計(jì)算得出第i個(gè)窗口的向量Li和目標(biāo)LBP向量L。的紋理特征 相似性; 對(duì)目標(biāo)區(qū)域的窗口顏色直方圖向量C。和其他窗口顏色直方圖向量Ci做己氏距離計(jì)算 得到顏色特征相似性>最后將數(shù)據(jù)集中所有帖的相似性融合獲得相似干擾因子：
9. 如權(quán)利要求3所述的一種基于數(shù)據(jù)集補(bǔ)償?shù)倪\(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法的評(píng)估方法，其 特征在于，所述目標(biāo)丟失因子的計(jì)算方法為：
Si表示第i帖中目標(biāo)的尺度值，N是總帖數(shù)。
10. 如權(quán)利要求3所述的一種基于數(shù)據(jù)集補(bǔ)償?shù)倪\(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法的評(píng)估方法， 其特征在于，所述小目標(biāo)因子的計(jì)算方法為：
其中S,maii為目標(biāo)像素值個(gè)數(shù)闊值，
Si表示第i帖中目標(biāo)的尺度值， (Si)mi。表示所有帖中目標(biāo)的尺度最小值。
【專利摘要】本發(fā)明公開了一種基于數(shù)據(jù)集補(bǔ)償?shù)倪\(yùn)動(dòng)目標(biāo)檢測(cè)跟蹤算法的評(píng)估方法，為數(shù)據(jù)集自動(dòng)添加上述八種性能干擾因素的量化因子，可供用戶在進(jìn)行算法評(píng)估時(shí)方便的選擇變化因素；根據(jù)具體被評(píng)估算法對(duì)特定的變化因素的敏感性強(qiáng)弱，可自定義各項(xiàng)變換因素權(quán)值大小，使得各數(shù)據(jù)集對(duì)應(yīng)的綜合量化因子真實(shí)體現(xiàn)算法應(yīng)用環(huán)境，最終保證評(píng)估結(jié)果的客觀性；最后，由于綜合量化因子是對(duì)應(yīng)數(shù)據(jù)集中影響算法性能的變化因素的綜合量化體現(xiàn)，采用各數(shù)據(jù)集的綜合量化因子對(duì)評(píng)估指標(biāo)精度OverlapP進(jìn)行成功判定的閾值進(jìn)行加權(quán)補(bǔ)償，能夠在評(píng)估結(jié)果里表現(xiàn)不同影響因素的數(shù)據(jù)集對(duì)算法性能帶來的不同影響，可以模擬算法在某些干擾條件下的結(jié)果，對(duì)算法的進(jìn)一步改進(jìn)方向提供一定指導(dǎo)作用。
【IPC分類】G06T7-20
【公開號(hào)】CN104851112
【申請(qǐng)?zhí)枴緾N201510206654
【發(fā)明人】陳文頡, 黃欣宇, 竇麗華, 陳杰, 鄧方, 肖馳, 高惠琳, 張利民, 郝克
【申請(qǐng)人】北京理工大學(xué)
【公開日】2015年8月19日
【申請(qǐng)日】2015年4月28日