一種尺度自適應的運動目標跟蹤方法
【專利摘要】本發(fā)明涉及一種尺度自適應的運動目標跟蹤方法，操作步驟如下：1）讀入第一幀，初始化目標窗口并建立目標模型；2）讀入下一幀；3）設定候選目標區(qū)域，建立候選目標模型；4）計算相似性函數、加權系數、加權系數和；5）尋找下一個候選目標區(qū)域位置并估算目標大??；6）判斷收斂性，若收斂，進入步驟2），若不收斂進入步驟3）。本發(fā)明在Mean shift運動目標跟蹤算法的基礎上，使用加權系數和以及相似性函數估計目標大小，實現了算法對目標大小的自適應性，增加了候選目標模型的可靠性，提高了算法的精確性。
【專利說明】
-種尺度自適應的運動目標跟蹤方法
技術領域
[0001] 本發(fā)明設及一種尺度自適應的運動目標跟蹤方法，應用于智能視頻處理領域中的 運動目標跟蹤，適用于運動目標尺度不斷變化時的跟蹤。
【背景技術】
[0002] 運動目標跟蹤在智能視頻處理領域是一項基礎性技術，針對該技術有多種不同的 算法被提出，其中應用較為廣泛的是Comaniciu等在文獻[1]中所提出的Mean shift運動目 標跟蹤算法，該算法是對其在文獻[2]中所提出的一種尋找模式的方法的具體應用。
[0003] 文獻[2]中介紹了一種根據有限樣本點尋找一個未知分布的模式點的方法:首先 使用化anechnikov核函數進行核密度估計。若樣本點為{>1}1=1,2,...,。，得到該分布的估計 為：
[0004]
[0005] 其中Ck為常量，k為Elpanechnikov核函數的輪廓函數，X為核中屯、點，Xi為樣本點，h 為帶寬參數。為尋找該分布的模式點，根據模式點梯度為0的特點，使用基于梯度的模式尋 找(Gradient-based mode seeking)方法，求分布估計的梯度，通過推導發(fā)現梯度向量與向 量m成正比，向量m即Mean shift向量：
[0006]
[0007]上式中，g(x) =-k^ (X)。文獻[2]中證明了Mean shift向量具有收斂性。由于梯度 向量正比于Mean shift向量，故Mean shift向量收斂的位置即為梯度向量收斂的位置，所 W文獻[2]中通過迭代Mean shift向量至收斂來間接尋找模式點，迭代方法為:使用前一個 中屯、位置Xprev計算Mean化Iue Xnew,并把Xnew作為新的中屯、位置。然后判斷是否收斂W決定 是否繼續(xù)迭代，判斷收斂的標準為M Xnew-Xprev M《e，e為預先設定的任意小值。由Mean shift向量的公式可W知道Mean化Iue的計算公式為：
[000引
[0009]文獻[1]在將文獻[2]中所提出的尋找模式的方法應用在運動目標跟蹤技術中時， 首先在視頻圖像的第一帖中確定目標的大小和位置(運里假定目標中屯、位置為0)，并對目 標像素點在色調化。6)征空間內建立目標模型^ = 4},,=,1...,。，其中功色調參量，并有：
[0010]
[00川其中C為歸一化參數，b(Xi)表示Xi點的色調值，S為狄拉克函數。k為E：panechnikov 核函數的輪廓函數，因為目標的外圍區(qū)域比中屯、區(qū)域更容易被遮擋，所W使用 化anechn化OV核函數對目標的像素點進行加權，使目標的中屯、區(qū)域對模型的貢獻大于外圍 區(qū)域，從而增加模型的魯棒性。
[0012] 在其他帖中，Wy點為中屯、選定一個比目標稍大的區(qū)域作為候選目標區(qū)域，并建立 候選目標模型
其中：
[0013]
[0014] 上式中Ch為歸一化常數，h為帶寬參數。
[0015] 為比較目標模型和候選目標模型的相似性，產生一個相似性函數：
[0016]
[0017] pW的值越大，表明兩個模型的相似性越局。的模式點是當前帖中最有可能 的目標中屯、位置。假設目標在前一帖的中屯、位置為yo,由于目標在相鄰帖間的變化是連續(xù) 的，所W在當前帖中，可W對你)在yo點進行二項泰勒展開，得到：
[001 引
[0019]
[0020]
[0021] 展開式的第一項獨立于y，而第二項是Wy為參量，因此尋找的模式點就變?yōu)?尋找展開式第二項的模式點。該項與文獻[2]中的核密度估計具有相似的形式，所W使用文 獻[2]中介紹的Mean shift方法尋找八y)的模式點，對應的Mean化Iue的迭代公式為：
[0022]
[0023] 其中，yo為前一帖中目標的中屯、位置，也是當前帖中迭代的起點。當滿足 <e時停止迭代，并認為yj是當前帖中目標的中屯、位置。將yj值賦給yo并讀入下一帖繼續(xù)迭 代，如此反復，在每一帖中找到目標的中屯、位置，從而實現了對運動目標的跟蹤。
[0024] Mean shift運動目標跟蹤算法是一種計算復雜度較小、性能較高的算法，但是算 法的性能和運動目標的大小變化密切相關，目標的大小變化幅度越小，算法性能越高。在實 際情況中，目標大小變化幅度可能會較大，此時算法的性能將會大大降低。
[0025] 在文獻[I]中，Mean Shift運動目標跟蹤算法會選擇一個比目標稍大的、固定大小 的區(qū)域作為候選目標區(qū)域，其認為無論目標在該帖中變大還是變小，都可W確保目標被候 選目標區(qū)域所包圍。顯然，運種選擇候選目標區(qū)域的方式是不合理的：其一，如果目標變大 并且大于候選目標區(qū)域的大小，則在建立候選目標模型時，目標的一部分顏色信息就會丟 失，模型的可靠性就會降低;其二，如果目標變小或者不變，則候選目標區(qū)域的大小就會大 于目標大小，建立候選目標模型時會引入較多背景顏色成分，也會降低模型的可靠性。候選 目標模型的可靠性降低會直接導致算法性能的降低。如果能合理地選擇候選目標區(qū)域的大 小，使之與目標大小的吻合性更好，則候選目標模型的可靠性將會提高，Mean Shift算法的 性能將會隨之提高。由于運動目標的大小變化在相鄰帖間是連續(xù)的，可W考慮分析目標的 大小變化趨勢，實時調整候選目標區(qū)域的大小，即實現該算法對目標尺度變化的自適應能 力。
[0026] 在文獻[1]中，計算Mean化Iue的公式為：
[0027], 2=1
-
[00%]其中g(x)=-k/ (X)，而k(x)為化anechn化OV核函數的輪廓函數，其表達式為：
[0029]
[0030] 所WMean化Iue的計算公式可W簡化為：
[0031]
.
[0032] 上式的意義為:使用加權因子Wi對候選目標區(qū)域內的每個像素點加權，然后求和 再求平均值即得到新的候選目標區(qū)域中屯、位置。由上式可W看出，若某個點的加權系數較 大，則新的候選目標區(qū)域中屯、位置越可能移向該點，而候選目標區(qū)域就是假想的目標，所W Wi可W理解為Xi點屬于目標的可能性，那么，所有像素點的加權系數之和（即零階矩）
I可W理解為候選目標區(qū)域中目標的大小。如圖1所示，其中a表示目標，包含= 種顏色成分，b、c、d、e表示選定的候選目標區(qū)域大小相同，目標依次從小變大。根據a建立目 標模型(運里為了計算簡便，建立模型時未使用核函數，但運并不影響定性分析）。圖2中列 出了Moo的值和目標實際大小的變化情況。由圖2可W看出，當目標單調變大時Moo也單調變 大，所W可W考慮使用Moo估算目標大小。另一方面，由圖2可W看出，Moo和目標的實際大小 有誤差，并且候選目標區(qū)域中背景的成分越多則誤差越大，所W直接使用Moo估計目標大小 并不合理，必須知道將Moo當做目標大小的誤差，并進行補償才能正確估計目標大小。注意到 文獻[1]中的相似性函數P，當候選目標區(qū)域中目標的成分越多時，目標模型和候選目標模 型越相似，P的值越大，而此時將Moo當做目標大小的誤差就越小，所W可W定義一個Wp為參 數且單調遞減的補償函數C(P)對Moo進行補償。本發(fā)明中使用的補償函數為
所 W估計得到的目標大小為其中O為實驗性參數，可W設定為區(qū)間（1，2)內的某個 值。在得到估計的目標大小后，我們就可W根據該估計值來調整候選目標區(qū)域的大小，W實 現算法的尺度自適應性。
[0033] 文獻[1] :Comaniciu,D. ,Ramesh,V. ,Meer,P. : "Kernel-based object tracking", IEEE Trans.Pattern Anal.Mach.Intell.,2003,25,(2),pp.564-577。
[0034] 文南犬[2] : Comaniciu ,D . ,Meer,P. : "Mean shift :a robust approach toward feature space analysis", IEEE Trans . Pattern Anal.Mach. IntelI.,2002,24,(5), PP.603-619。

【發(fā)明內容】

[0035] 本發(fā)明的目的是針對Mean shift運動目標跟蹤算法不能適應目標大小變化的問 題對該算法進行改進，提供一種尺度自適應的運動目標跟蹤方法，該方法在建立候選目標 模型時，使用加權系數和W及相似性函數來估計目標的大小，并使用該估計值實時調整候 選目標區(qū)域的大小，從而實現算法對運動目標尺度變化的自適應能力，提高算法的精確性。
[0036] 為達到上述目的，本發(fā)明采用如下的技術方案：
[0037] -種尺度自適應的運動目標跟蹤方法，具體步驟如下：
[0038] 1)讀入第一帖，初始化目標窗口并建立目標模型；
[0039] 2)讀入下一帖；
[0040] 3)設定候選目標區(qū)域，建立候選目標模型；
[0041 ] 4)計算相似性函數、加權系數、加權系數和；
[0042] 5)尋找下一個候選目標區(qū)域位置并估算目標大小；
[0043] 6)判斷收斂性，若收斂，進入步驟2)，若不收斂進入步驟3)。
[0044] 所述步驟1)中，讀入視頻圖像的第一帖，并手動選定一個圓形窗口，使之恰好包含 整個目標。定義窗口的中屯、為原點，將窗口中屯、位置保存至變量yp，窗口半徑保存至變量Rp。 對目標窗口內的每個像素點進行RGB轉HSV變換，并使用H值建立目標模型Q= {qu}u=i,2,.. .m， 其中U表示色調，色調的變化區(qū)間為（I，m)，qu為色調U對應的值，其計算方法如下：
[0045]
[0046] 上式中C為歸一化常量，n為像素點的個數，k為化anechn化OV核函數的輪廓函數，S 為狄拉克函數，Xi為單個像素點，b表示單個像素點的H值。
[0047] 所述步驟3)中，Wyp為中屯、、Rp為半徑設定一個候選目標窗口，建立候選目標模型P (yp) =山(7。）}11=1,2,...,111，911(7。)為色調11對應的值，其計算方法如下：
[004引
[0049]上式中h為化anechn化OV函數的帶寬參數，由所選定的窗口半徑大小決定：
[(K)加]
[0051] 別莫型計算相似性函數值，其公式如下：
[0化2]
[0化3]
[0化4]
[0化5]
[0化6]
[0化7] 區(qū)域計算Mean化Iue yp+i:
[0化引
[0059] 大小，目標大小的估計值為：
[0060]
[0061 ]上式中a設置為區(qū)間（1，2)內的某個值，由于將目標視為圓形，則目標半徑估計值 為：
[0062]
[0063] 保存Rp值。
[0064] 所述步驟6)中，判斷Mean shift向量是否收斂。判斷收斂的標準為I yp-yp+i I <￡，￡ 的值設置為目標初始大小的1/100。如果收斂，進入步驟2)，否則進入步驟3)。
[0065] 本發(fā)明與已有技術相比較，具有如下顯而易見的突出實質性特點和顯著技術進 步：
[0066] 本發(fā)明對Mean shift運動目標跟蹤算法進行改進，使用參數實時估計目標的大小 變化，并根據估計的目標大小變化調整候選目標區(qū)域大小，使得候選目標區(qū)域和目標更吻 合，避免了引入過多背景顏色成分和丟失過多目標顏色成分，從而建立了更可靠的候選目 標模型，提高了算法的準確性。
【附圖說明】
[0067] 圖1是候選目標區(qū)域不變但目標尺度變大的示意圖。
[0068] 圖2是圖1中目標實際大小的變化情況與加權系數和的變化情況的對比。
[0069] 圖3是本發(fā)明尺度自適應的運動目標跟蹤方法的流程框圖。
【具體實施方式】
[0070] W下結合附圖對本發(fā)明的優(yōu)選實施例作進一步的詳細說明：
[0071 ]本實施例一種尺度自適應的運動目標跟蹤方法，參見圖3，包括W下步驟：
[0072] 1)讀入第一帖，初始化目標窗口并建立目標模型；
[0073] 2)讀入下一帖；
[0074] 3)設定候選目標區(qū)域，建立候選目標模型；
[0075] 4)計算相似性函數、加權系數、加權系數和；
[0076] 5)尋找下一個候選目標區(qū)域位置并估算目標大??；
[0077] 6)判斷收斂性，若收斂，進入步驟2)，若不收斂進入步驟3)。
[0078] 所述步驟1)中，讀入視頻圖像的第一帖，并手動選定一個圓形窗口，使之恰好包含 整個目標。定義窗口的中屯、為原點，將窗口中屯、位置保存至變量yp，窗口半徑保存至變量Rp。 對目標窗口內的每個像素點進行RGB轉HSV變換，并使用H值建立目標模型q={qu}u=i,2,...m， 其中U表示色調，色調的變化區(qū)間為（I，m)，qu為色調U對應的值，其計算方法如下：
[0079]
[0080] ^V , ,。,,,^，1一^^、素點的個數，4為化曰]16油]1化0￥核函數的輪廓函數，8 為狄拉克函數，Xi為單個像素點，b表示單個像素點的H值。
[0081] 所述步驟3)中，Wyp為中屯、、Rp為半徑設定一個候選目標窗口，建立候選目標模型P (yp) =山(7。）}。=1,2,...,111，911(7。)為色調11對應的值，其計算方法如下：
[0082]
[0083] 上式中h為化ane chn化O V函數的帶寬參數，由所選定的窗口半徑大小決定：
[0084]
[0085] 別莫型計算相似性函數值，其公式如下：
[0086]
[0087]
[008引
[0089]
[0090]
[0091 ] 區(qū)域計算Mean 化Iue yp+i:
[0092]
[0093] 大小，目標大小的估計值為：
[0094]
[00%]上式中a設置為區(qū)間（I，2)內的某個值，由于將目標視為圓形，則目標半徑估計值 為：
[0096]
[0097] 保巧Kp但。
[0〇9引所述步驟6)中，判斷Mean shift向量是否收斂。判斷收斂的標準為I yp-yp+11 <￡，e 的值設置為目標初始大小的1/100。如果收斂，進入步驟2)，否則進入步驟3)。
【主權項】
1. 一種尺度自適應的運動目標跟蹤方法，其特征在于，具體步驟如下： 1) 讀入第一幀，初始化目標窗口并建立目標模型； 2) 讀入下一幀； 3) 設定候選目標區(qū)域，建立候選目標模型； 4) 計算相似性函數、加權系數、加權系數和； 5) 尋找下一個候選目標區(qū)域位置并估算目標大??； 6) 判斷收斂性，若收斂，進入步驟2)，若不收斂進入步驟3)。2. 根據權利要求1所述的尺度自適應的運動目標跟蹤方法，其特征在于，所述步驟1) 中，讀入視頻圖像的第一幀，并手動選定一個圓形窗口，使之恰好包含整個目標;定義窗口 的中心為原點，將窗口中心位置保存至變量y P，窗口半徑保存至變量Rp;對目標窗口內的每 個像素點進行RGB轉HSV變換，并使用H值建立目標模型其中u表示色調，色 調的變化區(qū)間為(l，m)，q u為色調u對應的值，其計算方法如下：上式中C為歸一化常量，η為像素點的個數，k為Epanechnikov核函數的輪廓函數，δ為狄 拉克函數，^為單個像素點，b表示單個像素點的H值。3. 根據權利要求1所述的尺度自適應的運動目標跟蹤方法，其特征在于，所述步驟3) 中，以yPS中心、R pS半徑設定一個候選目標窗口，建立候選目標模型P(yP) = {pu (yP)}u=i,2,...,m，pu(yP)為色調u對應的值，其計算方法如下：上式中h為Epanechnikov函數的帶寬參數，由所選定的窗口半徑大小決定：4. 根據權利要求1所述的尺度自適應的運動目標跟蹤方法，其特征在于，所述步驟4) 中，使用目標模型和候選目標模型計算相似性函數值，其公式如下：并計算每個像素點的加權系數：然后龍加奴系教求和：5. 根據權利要求1所述的尺度自適應的運動目標跟蹤方法，其特征在于，所述步驟5) 中，在以yP為中心的候選目標區(qū)域計算Mean Value yP+i:并將yP+i的值保存至變量yP;估計目標的大小，目標大小的估計值為：上式中α設置為區(qū)間（1，2)內的某個值，由于將目標視為圓形，則目標半徑估計值為：保存Rp值。6.根據權利要求1所述的尺度自適應的運動目標跟蹤方法，其特征在于，所述步驟6) 中，判斷Mean shift向量是否收斂，判斷收斂的標準為I yP_yP+i I <ε，ε的值設置為目標初始 大小的1/100,如果收斂，進入步驟2)，否則進入步驟3)。
【文檔編號】G06T7/20GK106023243SQ201610218677
【公開日】2016年10月12日
【申請日】2016年4月11日
【發(fā)明人】吳集, 滕國偉
【申請人】上海大學