一種基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法
【專利摘要】本申請公開了一種基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，建立訓(xùn)練樣本集，包含所述目標(biāo)處于不同位置和/或不同姿態(tài)的多幀樣本圖像；對所述待處理圖像和樣本圖像進(jìn)行顏色命名，提取所述待處理圖像和樣本圖像顏色特征數(shù)據(jù)；利用核相關(guān)響應(yīng)函數(shù)計算樣本圖像顏色特征數(shù)據(jù)與待處理圖像的顏色特征數(shù)據(jù)的響應(yīng)值大小，所述待處理圖像中目標(biāo)的位置或姿態(tài)被識別為響應(yīng)值最大的樣本圖像所包含的目標(biāo)位置或姿態(tài)。本發(fā)明利用目標(biāo)顏色屬性成功解決跟蹤過程中出現(xiàn)的光照變化、目標(biāo)遮擋、快速運(yùn)動、形變、多相似目標(biāo)干擾等問題，并利用FFT加速傅里葉變換。
【專利說明】
一種基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法
技術(shù)領(lǐng)域
[0001]本發(fā)明涉及基于運(yùn)動目標(biāo)跟蹤的圖像分析技術(shù)領(lǐng)域，具體涉及一種核相關(guān)目標(biāo)跟蹤方法，可應(yīng)用于對多場景中運(yùn)動目標(biāo)識別跟蹤。
【背景技術(shù)】
[0002]目標(biāo)跟蹤是計算機(jī)視覺的重要技術(shù)，其中，判別類跟蹤算法可以適應(yīng)目標(biāo)所處場景的變化，算法需要大量的訓(xùn)練樣本。例如文獻(xiàn)Exploiting the Circulant Structure ofTracking-by-Detect1n with Kernels(作者Henriques J F,Rui C等，論文記載于Computer Vis1n-ECCV 2012,Springer Berlin Heidelberg)所披露的CSk算法，本申請中稱之為“核相關(guān)算法”，用循環(huán)矩陣方式表示多個圖像樣本，利用核相關(guān)的響應(yīng)函數(shù)計算圖像樣本對目標(biāo)圖像的響應(yīng)值，得到目標(biāo)圖像的位置即為響應(yīng)值最大的圖像樣本所表示的位置。對于現(xiàn)有算法，只有對大量的樣本進(jìn)行訓(xùn)練才能得到識別率更高的分類器，但是計算所需時間較長，很難達(dá)到實(shí)時性的要求。另外，由于現(xiàn)有CSK算法技術(shù)使用灰度圖像，受光照變化、目標(biāo)遮擋、目標(biāo)快速運(yùn)動影響較大，還存在多相似目標(biāo)干擾的問題。目前所出現(xiàn)的特征一般對某一場景或幾種場景下有穩(wěn)定的表現(xiàn)，但是對于多場景變化以及光照變化，或者目標(biāo)產(chǎn)生的各種障礙缺乏適應(yīng)性。

【發(fā)明內(nèi)容】

[0003]本發(fā)明克服現(xiàn)有技術(shù)中存在的不足，提出一種基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，解決現(xiàn)有技術(shù)用灰度圖像進(jìn)行目標(biāo)跟蹤容易受到外界環(huán)境干擾的問題。
[0004]本發(fā)明的基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，包含以下步驟
[0005]對視頻進(jìn)行截取獲取一幀待處理圖像，包含待跟蹤的目標(biāo)；
[0006]建立訓(xùn)練樣本集，包含所述目標(biāo)處于不同位置和/或不同姿態(tài)的多幀樣本圖像；
[0007]對所述待處理圖像和樣本圖像進(jìn)行顏色命名，提取所述待處理圖像和樣本圖像顏色特征數(shù)據(jù);作為本發(fā)明的最佳實(shí)施例，進(jìn)一步地，用主分量分析(PCA)技術(shù)對顏色特征數(shù)據(jù)進(jìn)行降維處理；
[0008]利用核相關(guān)算法，計算樣本圖像顏色特征數(shù)據(jù)與待處理圖像的顏色特征數(shù)據(jù)的響應(yīng)值大小，所述待處理圖像中目標(biāo)的位置或姿態(tài)被識別為響應(yīng)值最大的樣本圖像所包含的目標(biāo)位置或姿態(tài)。
[0009]具體地，目標(biāo)處于不同姿態(tài)的圖像從公開數(shù)據(jù)庫中查詢獲得；目標(biāo)處于不同位置的圖像用提取前景目標(biāo)循環(huán)偏移序列的方法得到；作為本發(fā)明進(jìn)一步優(yōu)化的實(shí)施例，所述前景目標(biāo)偏移序列利用基于混合高斯背景建模算法提取。
[0010]作為本發(fā)明進(jìn)一步優(yōu)化的實(shí)施例，所述顏色特征數(shù)據(jù)的提取方法包含以下步驟:根據(jù)色彩空間轉(zhuǎn)換公式，將圖像由RGB空間轉(zhuǎn)換到Lab空間；用K均值聚類算法，把圖像進(jìn)行分割，將圖像劃分為顏色最為接近的簇，從而得到有效的顏色區(qū)域;在Lab空間中劃分離散區(qū)間，提取各顏色區(qū)域內(nèi)像素點(diǎn)的顏色值，并對應(yīng)到該像素點(diǎn)所在離散區(qū)間；統(tǒng)計每個離散區(qū)間內(nèi)對應(yīng)像素點(diǎn)的數(shù)量，從而得到單個離散區(qū)間某一種顏色的像素點(diǎn)數(shù)量在全部離散區(qū)間像素點(diǎn)總和中所占的百分比；求出離散區(qū)間被命名為11種基本顏色的概率;計算每一幀圖像所對應(yīng)的顏色特征數(shù)據(jù)，建立特征信息庫，所述顏色特征數(shù)據(jù)為m行11列的矩陣，元素值為所述概率值，m表示圖像中的離散區(qū)間個數(shù)。
[0011]作為本發(fā)明進(jìn)一步優(yōu)化的實(shí)施例，所述顏色特征數(shù)據(jù)包含離散區(qū)間被命名為基本顏色的概率，計算所述離散區(qū)間被命名為基本顏色的概率的方法是基于PLSA-bg文本分析算法。
[0012]本發(fā)明的技術(shù)方案能夠達(dá)到以下有益效果:與現(xiàn)有跟蹤技術(shù)相比，目標(biāo)的顏色屬性可反映目標(biāo)自身的屬性，對光照變化、多場景變化、目標(biāo)的各種姿態(tài)變化有較好的適應(yīng)性，本發(fā)明利用顏色屬性取代灰度特征對跟蹤目標(biāo)進(jìn)行描述，對目標(biāo)描述更為準(zhǔn)確、外界環(huán)境干擾小，算法魯棒性較好;采用PCA技術(shù)對顏色特征數(shù)據(jù)進(jìn)行降維處理，對目標(biāo)特征描述更為簡練，能成功解決跟蹤過程中出現(xiàn)的光照變化、目標(biāo)遮擋、快速運(yùn)動、形變、多相似目標(biāo)干擾等問題。此算法進(jìn)行視頻圖像處理，可用于武器制導(dǎo)、安防等領(lǐng)域，并可以擴(kuò)展到多目標(biāo)跟蹤場景中。綜上所述，本發(fā)明的方法運(yùn)算效率高、能夠適應(yīng)目標(biāo)變化。
【附圖說明】
[0013]此處所說明的附圖用來提供對本申請的進(jìn)一步理解，構(gòu)成本申請的一部分，本申請的示意性實(shí)施例及其說明用于解釋本申請，并不構(gòu)成對本申請的不當(dāng)限定。
[0014]在附圖中:
[0015]圖1為本發(fā)明基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法實(shí)現(xiàn)位置跟蹤的流程圖
[0016]圖2為本發(fā)明基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法實(shí)現(xiàn)姿態(tài)識別的流程圖
[0017]圖3為圖像顏色特征數(shù)據(jù)提取的方法流程圖
【具體實(shí)施方式】
[0018]以下結(jié)合附圖，詳細(xì)說明本申請各實(shí)施例提供的技術(shù)方案。顯然，所描述的實(shí)施例僅是本申請一部分實(shí)施例，而不是全部的實(shí)施例?；诒旧暾堉械膶?shí)施例，本領(lǐng)域普通技術(shù)人員在沒有做出創(chuàng)造性勞動前提下所獲得的所有其他實(shí)施例，都屬于本申請保護(hù)的范圍。
[0019]如圖1所示，是本發(fā)明基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法實(shí)現(xiàn)位置跟蹤的流程圖，包括如下步驟:
[0020]步驟101、建立訓(xùn)練樣本集，包含目標(biāo)處于不同位置的多幀樣本圖像;具體地，目標(biāo)處于不同位置的圖像用提取前景目標(biāo)循環(huán)偏移序列的方法得到;作為本發(fā)明進(jìn)一步優(yōu)化的實(shí)施例，所述前景目標(biāo)偏移序列利用基于混合高斯背景建模算法，從任一幀待處理圖像中提??；
[0021]步驟102、對所述樣本圖像進(jìn)行顏色命名，提取所述樣本圖像的顏色特征數(shù)據(jù)；
[0022]步驟103、對視頻進(jìn)行截取獲取一幀待處理圖像，包含待跟蹤的目標(biāo)，對待處理圖像進(jìn)行顏色命名，提取所述待處理圖像的顏色特征數(shù)據(jù)；
[0023]步驟104、用主分量分析(PCA)技術(shù)對所述樣本圖像和所述待處理圖像的顏色特征數(shù)據(jù)進(jìn)行降維處理；
[0024]步驟105、基于CSK算法，采用FFT加速計算，再利用核相關(guān)響應(yīng)函數(shù)計算樣本圖像顏色特征數(shù)據(jù)與待處理圖像的顏色特征數(shù)據(jù)的響應(yīng)值大小，所述待處理圖像中目標(biāo)的位置被識別為響應(yīng)值最大的樣本圖像所包含目標(biāo)的位置；
[0025]重復(fù)步驟103至步驟105。再次執(zhí)行步驟103時，所述待處理圖像為上一次執(zhí)行步驟103時所述待處理圖像的下一幀圖像，這樣實(shí)現(xiàn)連續(xù)幀圖像中的運(yùn)動目標(biāo)識別。
[0026]如圖2所示，是本發(fā)明基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法實(shí)現(xiàn)姿態(tài)識別的流程圖，包括如下步驟:
[0027]步驟201、建立訓(xùn)練樣本集，包含目標(biāo)處于不同姿態(tài)的多幀樣本圖像;具體地，目標(biāo)處于不同姿態(tài)的圖像可以從公開數(shù)據(jù)庫中查詢獲得；
[0028]步驟202、對所述樣本圖像進(jìn)行顏色命名，提取所述樣本圖像的顏色特征數(shù)據(jù)；
[0029]步驟203、對視頻進(jìn)行截取獲取一幀待處理圖像，包含待跟蹤的目標(biāo)，對待處理圖像進(jìn)行顏色命名，提取所述待處理圖像的顏色特征數(shù)據(jù)；
[0030]步驟204、用主分量分析(PCA)技術(shù)對所述樣本圖像和所述待處理圖像的顏色特征數(shù)據(jù)進(jìn)行降維處理；
[0031]步驟205、基于CSK算法，采用FFT加速計算，再利用核相關(guān)響應(yīng)函數(shù)計算樣本圖像顏色特征數(shù)據(jù)與待處理圖像的顏色特征數(shù)據(jù)的響應(yīng)值大小，所述待處理圖像中目標(biāo)的姿態(tài)被識別為響應(yīng)值最大的樣本圖像所包含目標(biāo)的姿態(tài)；
[0032]重復(fù)步驟203至步驟205。再次執(zhí)行步驟203時，所述待處理圖像為上一次執(zhí)行步驟203時所述待處理圖像的下一幀圖像，這樣實(shí)現(xiàn)連續(xù)幀圖像中的運(yùn)動目標(biāo)識別。
[0033]本發(fā)明圖1至2所述算法流程中，關(guān)于本發(fā)明中用主分量分析方法進(jìn)行降維處理，做如下說明。對待處理圖像進(jìn)行顏色信息提取，從而得到待處理圖像對應(yīng)于11種基本顏色的概率信息，作為顏色特征數(shù)據(jù)。這是一個高維矩陣，對所述高維矩陣進(jìn)行降維處理后的矩陣，也可以作為顏色特征數(shù)據(jù)。將所述顏色特征數(shù)據(jù)作為CSK算法的輸入數(shù)據(jù)來使用，就是將原始的CSK算法的目標(biāo)灰度特征替換為目標(biāo)顏色特征。當(dāng)使用降維處理后的顏色特征數(shù)據(jù)時，降維后得到的低維矩陣，其意義在于用最為顯著的代表顏色來命名概率，數(shù)據(jù)量顯著減少，計算效率提高。例如，降維處理后的矩陣對應(yīng)概率值最大的少數(shù)幾種基本顏色的概率信息，降維處理后的矩陣包含原矩陣的一部分元素集合。
[0034]作為本發(fā)明圖1至2所述算法進(jìn)一步優(yōu)化的實(shí)施例，提取顏色特征數(shù)據(jù)的方法是基于PLSA-bg文本分析算法。
[0035]圖3為圖像顏色特征數(shù)據(jù)的提取方法流程圖，包含以下步驟
[0036]步驟301、根據(jù)色彩空間轉(zhuǎn)換公式，將圖像由RGB空間轉(zhuǎn)換到Lab空間，具體過程是，由RGB顏色空間轉(zhuǎn)到CIEXYZ空間、再由CIEXYZ轉(zhuǎn)到Lab空間。
[0037]步驟302、用K均值聚類算法，把圖像進(jìn)行分割，將圖像劃分為顏色最為接近的簇，從而得到有效的顏色區(qū)域。
[0038]K均值聚類算法的基本原理為:先隨機(jī)選取K個對象作為初始的聚類中心。然后計算每個對象與各個種子聚類中心之間的距離，把每個對象分配給距離它最近的聚類中心。聚類中心以及分配給它們的對象就代表一個聚類。一旦全部對象都被分配了，每個聚類的聚類中心會根據(jù)聚類中現(xiàn)有的對象被重新計算。這個過程將不斷重復(fù)直到滿足某個終止條件。
[0039]K均值聚類算法具體包括以下步驟:1、初始化簇中心，求出Lab空間中像素點(diǎn)j到第i簇中心的距離，尋找出最小距離值，將像素點(diǎn)j納入第i簇中；2、將圖像中全部點(diǎn)分別納入各簇中后再重新計算各簇的中心點(diǎn);3、衡量誤差值，重復(fù)上述步驟I?2，直至誤差值達(dá)到最小;4、求出每個簇中心的顏色值與基本顏色值的距離，得到顏色最為接近的簇，從而劃分有效的顏色區(qū)域。
[0040]步驟303、在Lab空間中劃分離散區(qū)間，提取各顏色區(qū)域內(nèi)像素點(diǎn)的顏色值，并對應(yīng)到該像素點(diǎn)所在離散區(qū)間。這里必須注意，若Lab空間的離散區(qū)間選擇太小，學(xué)習(xí)集中的顏色信息分布將過于分散，若離散區(qū)間太大，會降低所得到的顏色信息準(zhǔn)確度。例如本發(fā)明的實(shí)施例，在Lab空間中選定10 X 20 X 20個離散區(qū)間(即將L離散為10、a離散為20、b離散為20)。
[0041]步驟304、統(tǒng)計每個離散區(qū)間的對應(yīng)像素點(diǎn)的數(shù)量，從而得到單個離散區(qū)間某一種顏色的像素點(diǎn)數(shù)量在全部離散區(qū)間像素點(diǎn)總和中所占的百分比。
[0042]步驟305、求出離散區(qū)間被命名為11種基本顏色的概率。在一幀圖像中，按照Lab空間劃分的4000個離散區(qū)間中，每個像素點(diǎn)擁有一個顏色值，且每個像素點(diǎn)屬于一個離散區(qū)間。但是顏色值和離散區(qū)間不是一一對應(yīng)的。屬于某個區(qū)間的那些像素點(diǎn)各自的顏色可能不同，因此在一幀圖像中就可以統(tǒng)計出每個區(qū)間屬于某一基本顏色的概率值。表示為:屬于某一個離散區(qū)間且為某一基本顏色的像素點(diǎn)數(shù)量，與屬于該離散區(qū)間的全部像素點(diǎn)數(shù)量的比值。
[0043]當(dāng)一幀圖像用多個樣本進(jìn)行學(xué)習(xí)時，作為本發(fā)明的最佳實(shí)施例，是由PLSA-bg算法結(jié)合最大似然(EM)算法遞歸求出離散區(qū)間被命名為各基本顏色的概率。Joost vanilde等人對原始的概率潛在語義分析(PLSA)方法進(jìn)行改進(jìn)后得到PLSA-bg模型，能夠求出圖像中像素顏色被標(biāo)定成基本顏色的概率。
[0044]步驟306、計算每一幀圖像所對應(yīng)的顏色特征數(shù)據(jù)，建立特征信息庫。將11種基本顏色的樣本集進(jìn)行上述步驟處理，得出離散區(qū)間與基本顏色相關(guān)的比率P(Ulzk)，其中，Zk表示11種基本顏色集中的顏色值，k=l，2，…，ll;Cj表示第j個區(qū)間，j = l，2，…，m;m表示圖像中的離散區(qū)間個數(shù)(本實(shí)施例中Lab空間中選定1 X 20 X 20個離散區(qū)間，則m = 4000)。即得到11種基本顏色對應(yīng)于離散區(qū)間的分布，進(jìn)而得到離散區(qū)間對應(yīng)這11種基本顏色的概率值，建立相應(yīng)的特征信息庫。所述特征信息庫為每一幀圖像所對應(yīng)的顏色特征數(shù)據(jù)組成。所述顏色特征數(shù)據(jù)為m行11列的矩陣，元素值為所述概率值。降維處理后的矩陣，對應(yīng)概率值最大的兩列，為m行2列的矩陣，就是原來矩陣的一部分。
[0045]上述步驟301?306中，所述圖像為圖1?2算法流程所述待處理圖像或樣本圖像。
[0046]本領(lǐng)域內(nèi)的技術(shù)人員應(yīng)明白，本發(fā)明的實(shí)施例可提供為方法、系統(tǒng)、或計算機(jī)程序產(chǎn)品。因此，本發(fā)明可采用完全硬件實(shí)施例、完全軟件實(shí)施例、或結(jié)合軟件和硬件方面的實(shí)施例的形式。而且，本發(fā)明可采用在一個或多個其中包含有計算機(jī)可用程序代碼的計算機(jī)可用存儲介質(zhì)(包括但不限于磁盤存儲器、CD-ROM、光學(xué)存儲器等)上實(shí)施的計算機(jī)程序產(chǎn)品的形式。
[0047]以上所述僅為本申請的實(shí)施例而已，并不用于限制本申請。對于本領(lǐng)域技術(shù)人員來說，本申請可以有各種更改和變化。凡在本申請的精神和原理之內(nèi)所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本申請的權(quán)利要求范圍之內(nèi)。
【主權(quán)項】
1.一種基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，其特征在于，包含以下步驟 對視頻進(jìn)行截取獲取一幀待處理圖像，包含待跟蹤的目標(biāo)； 建立訓(xùn)練樣本集，包含所述目標(biāo)處于不同位置和/或不同姿態(tài)的多幀樣本圖像； 對所述待處理圖像和樣本圖像進(jìn)行顏色命名，提取所述待處理圖像和樣本圖像顏色特征數(shù)據(jù)； 利用核相關(guān)算法，計算樣本圖像顏色特征數(shù)據(jù)與待處理圖像的顏色特征數(shù)據(jù)的響應(yīng)值大小，所述待處理圖像中目標(biāo)的位置或姿態(tài)被識別為響應(yīng)值最大的樣本圖像所包含的目標(biāo)位置或姿態(tài)。2.如權(quán)利要求1所述基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，其特征在于，進(jìn)一步包含以下步驟 用主分量分析技術(shù)對顏色特征數(shù)據(jù)進(jìn)行降維處理。3.如權(quán)利要求1?2任一所述基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，其特征在于， 目標(biāo)處于不同位置的圖像用提取前景目標(biāo)循環(huán)偏移序列的方法得到。4.如權(quán)利要求1?2任一所述基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，其特征在于， 目標(biāo)處于不同姿態(tài)的圖像從公開數(shù)據(jù)庫中查詢獲得。5.如權(quán)利要求1?2任一所述基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，其特征在于，所述顏色特征數(shù)據(jù)的提取方法包含以下步驟 根據(jù)色彩空間轉(zhuǎn)換公式，將圖像由RGB空間轉(zhuǎn)換到Lab空間； 用K均值聚類算法，把圖像進(jìn)行分割，將圖像劃分為顏色最為接近的簇，從而得到有效的顏色區(qū)域； 在Lab空間中劃分離散區(qū)間，提取各顏色區(qū)域內(nèi)像素點(diǎn)的顏色值，并對應(yīng)到該像素點(diǎn)所在離散區(qū)間； 統(tǒng)計每個離散區(qū)間內(nèi)對應(yīng)像素點(diǎn)的數(shù)量，從而得到單個離散區(qū)間某一種顏色的像素點(diǎn)數(shù)量在全部離散區(qū)間像素點(diǎn)總和中所占的百分比； 求出離散區(qū)間被命名為11種基本顏色的概率； 計算每一幀圖像所對應(yīng)的顏色特征數(shù)據(jù)，建立特征信息庫，所述顏色特征數(shù)據(jù)為m行11列的矩陣，元素值為所述概率值，m表示圖像中的離散區(qū)間個數(shù)。6.如權(quán)利要求3所述基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，其特征在于， 所述前景目標(biāo)偏移序列利用基于混合高斯背景建模算法提取。7.如權(quán)利要求5所述基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，其特征在于， 計算離散區(qū)間被命名為11種基本顏色的概率的方法是基于PLSA-bg文本分析算法。8.如權(quán)利要求5所述基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，其特征在于，所述K均值聚類算法具體包括以下步驟: 初始化簇中心，求出Lab空間中像素點(diǎn)j到第i簇中心的距離，尋找出最小距離值，將像素點(diǎn)j納入第i簇中； 將圖像中全部點(diǎn)分別納入各簇中后再重新計算各簇的中心點(diǎn)； 衡量誤差值，重復(fù)上述步驟，直至誤差值達(dá)到最??； 求出每個簇中心的顏色值與基本顏色值的距離，得到顏色最為接近的簇，從而劃分有效的顏色區(qū)域。9.如權(quán)利要求5所述基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，其特征在于，進(jìn)一步包含以下步驟 用主分量分析技術(shù)對顏色特征數(shù)據(jù)進(jìn)行降維處理后的矩陣，對應(yīng)概率值最大的兩列，為m行2列的矩陣。10.如權(quán)利要求7所述基于顏色屬性的核相關(guān)目標(biāo)跟蹤方法，其特征在于， 當(dāng)一幀圖像用多個樣本進(jìn)行學(xué)習(xí)時，是由PLSA-bg算法結(jié)合最大似然算法求出離散區(qū)間被命名為各基本顏色的概率。
【文檔編號】G06T7/20GK105844647SQ201610210636
【公開日】2016年8月10日
【申請日】2016年4月6日
【發(fā)明人】徐立芳, 郭延景, 莫宏偉, 池澄
【申請人】哈爾濱偉方智能科技開發(fā)有限責(zé)任公司