一種圖像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng)度的評(píng)價(jià)方法
【專利摘要】本發(fā)明屬于數(shù)字圖像分析與理解、模式識(shí)別以及機(jī)器視覺(jué)領(lǐng)域，尤其涉及一種圖像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng)度的評(píng)價(jià)方法，該評(píng)價(jià)方法用于跟蹤視頻圖像中運(yùn)動(dòng)的目標(biāo)，包括以下步驟，步驟一、確定目標(biāo)及視頻圖像；步驟二、目標(biāo)未被遮蔽時(shí)，獲取目標(biāo)模板，將目標(biāo)模板均勻分割為M乘N個(gè)子窗口，目標(biāo)模板可表示為M×N個(gè)子窗口的集合；步驟三、目標(biāo)被遮蔽時(shí)，獲取目標(biāo)所在位置的圖像作為目標(biāo)遮蔽模板，將目標(biāo)遮蔽模板均勻分割為M乘N個(gè)子窗口，生成并初始化M×N維的遮蔽強(qiáng)度矩陣，獲得目標(biāo)跟蹤中遮蔽強(qiáng)度綜合度量指標(biāo),本發(fā)明建立目標(biāo)識(shí)別與跟蹤的多窗口遮蔽強(qiáng)度評(píng)價(jià)方法，解決目標(biāo)跟蹤中環(huán)境遮蔽效力的定量評(píng)價(jià)問(wèn)題。
【專利說(shuō)明】
-種圖像識(shí)別與跟蹤中目標(biāo)廬蔽強(qiáng)度的評(píng)價(jià)方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于數(shù)字圖像分析與理解、模式識(shí)別W及機(jī)器視覺(jué)領(lǐng)域，尤其設(shè)及一種圖 像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng)度的評(píng)價(jià)方法。
【背景技術(shù)】
[0002] 目標(biāo)跟蹤一直是數(shù)字圖像處理、分析與理解技術(shù)中的熱點(diǎn)問(wèn)題，在軍事、交通、安 防、醫(yī)療，航拍等諸多領(lǐng)域具有廣泛的應(yīng)用前景。然而，由于目標(biāo)所處環(huán)境的復(fù)雜性、W及光 電探測(cè)器位姿的變化，圖像中感興趣的目標(biāo)往往處于被遮蔽的狀態(tài)，例如都市中被廣告牌 遮擋的行人，熱帶叢林中被樹(shù)木遮掩的動(dòng)物，W及復(fù)雜戰(zhàn)場(chǎng)環(huán)境下被煙幕、火光等干擾遮蔽 的坦克等。
[0003] 制約遮蔽狀態(tài)下目標(biāo)識(shí)別算法性能的一個(gè)重要因素，即為數(shù)字圖像中目標(biāo)遮蔽程 度的定量評(píng)價(jià)問(wèn)題。目前，國(guó)內(nèi)外學(xué)者為解決遮擋目標(biāo)檢測(cè)與識(shí)別問(wèn)題進(jìn)行了大量研究，其 研究成果中往往都設(shè)及到目標(biāo)遮蔽程度的表征與評(píng)價(jià)問(wèn)題，如公開(kāi)號(hào)為CN104063884A，名 稱為"基于運(yùn)動(dòng)預(yù)測(cè)與多模板匹配相結(jié)合的圖像目標(biāo)識(shí)別方法"的申請(qǐng)專利中，將目標(biāo)模板 劃分為"田"字型的4個(gè)子模板，并引入中屯、子模板，通過(guò)在目標(biāo)跟蹤下各個(gè)子模板不同的匹 配程度，來(lái)判斷目標(biāo)是否受到遮擋，W及受到的遮擋是部分遮擋還是全部遮擋；公開(kāi)號(hào)為 CN105074726A，名稱為"圖像序列中的物體遮擋的確定"的申請(qǐng)專利中，利用目標(biāo)被部分遮 擋后的圖像，對(duì)目標(biāo)模板進(jìn)行運(yùn)動(dòng)補(bǔ)償，確定遮擋范圍，但W上成果大多針對(duì)某類具體情況 進(jìn)行算法上的改進(jìn)，并未對(duì)數(shù)字圖像中目標(biāo)遮擋的強(qiáng)度給出定量的評(píng)價(jià)模型，不能有效、全 面的反映遮擋給目標(biāo)探測(cè)與識(shí)別帶來(lái)的影響；公開(kāi)號(hào)為CN103927716A，名稱為"一種計(jì)算目 標(biāo)跟蹤過(guò)程中目標(biāo)形變或遮擋程度的方法"的申請(qǐng)專利，通過(guò)求取一階線性回歸中的目標(biāo) 原始模型，來(lái)計(jì)算拉普拉斯誤差矩陣中的非零元素個(gè)數(shù)所占比例，并W此來(lái)描述目標(biāo)被遮 擋或發(fā)生形變的位置和強(qiáng)度，可在一定程度上反映目標(biāo)特征的丟失程度，但并未有效、全面 的反映遮蔽給目標(biāo)跟蹤帶來(lái)的影響。
[0004] 因此現(xiàn)有技術(shù)當(dāng)中亟需要一種新型的技術(shù)方案來(lái)解決運(yùn)一問(wèn)題。
【發(fā)明內(nèi)容】
[0005] 本發(fā)明所要解決的技術(shù)問(wèn)題是:針對(duì)現(xiàn)有技術(shù)中的不足和缺陷，本發(fā)明提供一種 圖像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng)度的評(píng)價(jià)方法，用于跟蹤過(guò)程中，目標(biāo)發(fā)生遮擋時(shí)，對(duì)其進(jìn)行 檢測(cè)和跟蹤的難易程度綜合評(píng)價(jià)，解決目標(biāo)跟蹤中環(huán)境遮蔽所帶來(lái)影響的定量評(píng)價(jià)問(wèn)題。
[0006] 為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案為提供一種圖像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng) 度的評(píng)價(jià)方法，其特征在于:該評(píng)價(jià)方法用于跟蹤視頻圖像中運(yùn)動(dòng)的目標(biāo)，包括W下步驟，
[0007] -種圖像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng)度的評(píng)價(jià)方法，其特征在于:該評(píng)價(jià)方法用于 跟蹤視頻圖像中運(yùn)動(dòng)的目標(biāo)，包括W下步驟，
[000引步驟一、確定目標(biāo)及視頻圖像；
[0009]步驟二、目標(biāo)跟蹤初始，目標(biāo)未被遮蔽，獲取目標(biāo)所在位置的圖像作為目標(biāo)模板T， 將目標(biāo)模板T均勻分割為M乘N個(gè)子窗口，目標(biāo)模板T可表示為M X N個(gè)子窗口的集合，其中TiJ 為目標(biāo)模板子窗口，
[0010] T= {Tij Ii = 1,2,...,1, J = 1,2,...,N}；
[0011] 步驟S、目標(biāo)被遮蔽時(shí)，獲取目標(biāo)所在位置的圖像作為目標(biāo)遮蔽模板TwElusiDn，將 目標(biāo)遮蔽模板Tocclusion均勻分割為M乘N個(gè)子窗口，其中為目標(biāo)遮蔽模板子窗口，
[0012]
[0013]生成并初始化M X N維的遮蔽強(qiáng)度矩陣EDGGlusion，
[0014；
(1)
[0015] 其中元素 eu(i = l，2, . . .，1，j = l，2, . . .，N)表示目標(biāo)被遮蔽后，目標(biāo)模板子窗口 TiJ的遮蔽強(qiáng)度量化數(shù)值，其獲得方法如下：
[0016] I、依據(jù)圖像相似性度量指標(biāo)，獲得目標(biāo)模板子窗口 Tu與目標(biāo)遮蔽模板子窗口 :? 的相似度其中相似性度量指標(biāo)采用目標(biāo)模板子窗口 Tu與目標(biāo)遮蔽模板子窗口 巧.的歸一化互相關(guān)系數(shù)、目標(biāo)模板子窗口 Tu與目標(biāo)遮蔽模板子窗口 4顏色特征相似度、目 標(biāo)模板子窗口 Tu與目標(biāo)遮蔽模板子窗口 ^.結(jié)構(gòu)特征相似度中任意一種；
[0017] n、遍歷獲得目標(biāo)模板帥所有子窗口的相似度由k,，：/；.)，
[001引 W'訊的，目標(biāo)模板子窗口Tij與目標(biāo)遮蔽模板子窗口鳥(niǎo)的匹配度,Wg =如
[0019] .v/w(7；.，吟)g [(川，對(duì)57'"也.,.?/;,.)進(jìn)行歸一化處理，使得Mu值介于[0，U之間，歸一化 方法采用最大最小法，如公式(2)所示：
[0020]
(2)
[0021 ]其中.s7w,,,;。(7\ f )、.v/w,,,,,、(7,f)分別為各個(gè)目標(biāo)模板子窗口 Tij與目標(biāo)遮蔽模板子窗 口的相似度K''二I，2,…，M，/二I，2,…，,..V)中的最小值和最大值；
[0022]虹、設(shè)定匹配度闊值〇1，〇2,其中0<〇1<〇2<1，獲取目標(biāo)模板子窗口 Tu受到遮蔽的 強(qiáng)度eij:
[002；3]當(dāng)0《Mij<〇i時(shí)，表示目標(biāo)模板子窗口 Tij未被遮蔽，其遮蔽強(qiáng)度Gij = O;
[0024]當(dāng)〇1《心<〇2時(shí)，表示目標(biāo)模板子窗OTu受到部分遮蔽，其遮蔽強(qiáng)度=
[00劇當(dāng)j《1時(shí)，表示目標(biāo)模板子窗口 Tu完全被遮蔽，其遮蔽強(qiáng)度eu = 1;
[0026] 步驟四、根據(jù)公式(1 )，獲得目標(biāo)跟蹤中遮蔽強(qiáng)度綜合度量指標(biāo)，
[0027]
[00%]其中Docclusion為遮蔽強(qiáng)度綜合度量指標(biāo)。
[0029] 所述步驟二獲取目標(biāo)模板T采用人工或自動(dòng)識(shí)別算法分出目標(biāo)區(qū)域、背景區(qū)域。
[0030] 通過(guò)上述設(shè)計(jì)方案，本發(fā)明可W帶來(lái)如下有益效果:本發(fā)明提供了一種定量評(píng)價(jià) 目標(biāo)遮蔽情況的計(jì)算方法，根據(jù)計(jì)算結(jié)果得出的遮蔽強(qiáng)度矩陣EwcausiDn可綜合反映跟蹤過(guò) 程中，目標(biāo)各個(gè)部分受到的遮蔽程度，得出的遮蔽強(qiáng)度綜合度量指標(biāo)DwcdusiDn可對(duì)目標(biāo)受到 的遮蔽強(qiáng)度給出整體上的定量評(píng)價(jià)，兩者結(jié)合，可應(yīng)用于W下方面：
[0031] 1)作為目標(biāo)識(shí)別與跟蹤過(guò)程中，圖像目標(biāo)背景復(fù)雜度的定量描述；
[0032] 2)作為T(mén)UKTracking-Learning-Detecting，跟蹤-學(xué)習(xí)-檢測(cè)）框架中模板智能學(xué) 習(xí)、更新的依據(jù)；
[0033] 3)應(yīng)用于科研、生產(chǎn)過(guò)程中，為特定環(huán)境下某類目標(biāo)跟蹤算法的具體實(shí)施提供先 驗(yàn)條件；
[0034] 4)應(yīng)用于戰(zhàn)場(chǎng)環(huán)境下，對(duì)煙幕、誘巧彈等光電干擾源的遮蔽效果進(jìn)行評(píng)價(jià)。
[0035] 綜上所述，本發(fā)明建立目標(biāo)識(shí)別與跟蹤的多窗口遮蔽強(qiáng)度評(píng)價(jià)模型，解決目標(biāo)跟 蹤中環(huán)境遮蔽效力的定量評(píng)價(jià)問(wèn)題。
【附圖說(shuō)明】
[0036] 下面結(jié)合【附圖說(shuō)明】和【具體實(shí)施方式】對(duì)本發(fā)明作進(jìn)一步說(shuō)明：
[0037] 圖1為本發(fā)明一種圖像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng)度的評(píng)價(jià)方法的目標(biāo)遮蔽強(qiáng)度的 計(jì)算方法流程圖。
[0038] 圖2為本發(fā)明一種圖像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng)度的評(píng)價(jià)方法的目標(biāo)模板T示意 圖。
[0039] 圖3為本發(fā)明一種圖像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng)度的評(píng)價(jià)方法的目標(biāo)遮蔽模板 Tocclusion 不思圖。
[0040] 圖4為本發(fā)明的具體實(shí)施例一中的車輛目標(biāo)模板T提取示意圖a。
[0041] 圖5為本發(fā)明的具體實(shí)施例一中的車輛目標(biāo)模板T提取示意圖b。
[0042] 圖6為本發(fā)明的具體實(shí)施例一中的車輛目標(biāo)遮蔽模板TwcdusiDn提取示意圖a。
[0043] 圖7為本發(fā)明的具體實(shí)施例一中的車輛目標(biāo)遮蔽模板TwcdusiDn提取示意圖b。
[0044] 圖8為本發(fā)明的具體實(shí)施例二中的坦克目標(biāo)模板T提取示意圖a。
[0045] 圖9為本發(fā)明的具體實(shí)施例二中的坦克目標(biāo)模板T提取示意圖b。
[0046] 圖10為本發(fā)明的具體實(shí)施例二中的坦克目標(biāo)遮蔽模板Tocclusion提取示意圖a。
[0047] 圖11為本發(fā)明的具體實(shí)施例二中的坦克目標(biāo)遮蔽模板Tncclusinn提取示意圖b。
[0048] 圖12為本發(fā)明的具體實(shí)施例=中的行人目標(biāo)模板T提取示意圖a。
[0049] 圖13為本發(fā)明的具體實(shí)施例=中的行人目標(biāo)模板T提取示意圖b。
[0050] 圖14為本發(fā)明的具體實(shí)施例=中的行人目標(biāo)遮蔽模板TdccIusi。。提取示意圖a。
[0051] 圖15為本發(fā)明的具體實(shí)施例=中的行人目標(biāo)遮蔽模板TwcdusiDn提取示意圖b。
[0052] 圖中：1 -目標(biāo)、2-目標(biāo)模板、3-目標(biāo)模板子窗口、4-目標(biāo)遮蔽模板、5-目標(biāo)遮蔽模板 子窗口、6-遮蔽物。
【具體實(shí)施方式】
[0053] 下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說(shuō)明，但本發(fā)明的實(shí)施和包含范圍不局限 于此。
[0054] 本發(fā)明之一種圖像目標(biāo)跟蹤中的環(huán)境遮蔽效力評(píng)價(jià)模型是一種對(duì)圖像中目標(biāo)跟 蹤難易程度評(píng)價(jià)的方法。圖像目標(biāo)跟蹤過(guò)程中利用目標(biāo)模板2在圖像上捜索真實(shí)目標(biāo)1，所 述的目標(biāo)模板2為事前已經(jīng)制作好或已經(jīng)給定的，也可由人工或自動(dòng)識(shí)別算法提取。根據(jù)目 標(biāo)1跟蹤過(guò)程中的匹配方法可知，目標(biāo)模板子窗口 3的用來(lái)進(jìn)行匹配度計(jì)算的特征參數(shù)可W 是兩幅圖像之間的結(jié)構(gòu)特征相似度、顏色特征相似度、歸一化互相關(guān)系數(shù)等。
[0055] 如圖1、圖2及圖3所示，本發(fā)明提供一種圖像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng)度的評(píng)價(jià)方 法，其特征在于:該評(píng)價(jià)方法用于跟蹤視頻圖像中運(yùn)動(dòng)的目標(biāo)1，包括W下步驟，
[0056] 步驟一、確定目標(biāo)1及視頻圖像；
[0057] 步驟二、目標(biāo)1跟蹤初始，目標(biāo)1未被遮蔽，獲取目標(biāo)1所在位置的圖像作為目標(biāo)模 板2，將目標(biāo)模板2均勻分割為M乘N個(gè)子窗口，目標(biāo)模板2可表示為M X N個(gè)子窗口的集合，其 中Tij為目標(biāo)模板子窗口 3，
[005引 T={Tu|i = l，2，...，M，j = l，2，...，N};
[0059] 步驟=、目標(biāo)1經(jīng)過(guò)遮蔽物6，目標(biāo)1被遮蔽時(shí)，獲取目標(biāo)1所在位置的圖像作為目 標(biāo)遮蔽模板4，將目標(biāo)遮蔽模板4均勻分割為M乘N個(gè)子窗口，其中4為目標(biāo)遮蔽模板子窗口 5，
[0060]
[0061 ]生成并初始化M X N維的遮蔽強(qiáng)度矩陣EDGGlusion，
[0062]
(I)
[0063] 其中元素 eu(i = l，2, . . .，1，j = l，2, . . .，N)表示目標(biāo)1被遮蔽后，目標(biāo)模板子窗口 3的遮蔽強(qiáng)度量化數(shù)值，其獲得方法如下：
[0064] I、依據(jù)圖像相似性度量指標(biāo)，獲得目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板子窗口 5的相 似度,7如^,: X )，其中相似性度量指標(biāo)采用目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板子窗刖的歸 一化互相關(guān)系數(shù)、目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板子窗口 5顏色特征相似度、目標(biāo)模板子 窗口 3與目標(biāo)遮蔽模板子窗口 5結(jié)構(gòu)特征相似度中任意一種；
[0065] n、遍歷獲得目標(biāo)模板帥所有子窗口的相似度姑;,如,，-/;,)，
[0066] 目標(biāo)模板子窗口3與目標(biāo)遮蔽模板子窗口5的匹配度M二油,如，2");
[0067] I對(duì)知所知馬)進(jìn)行歸一化處理，使得M。值介于[0，1]之間，歸一化 方法采用最大最小法，如公式(2)所示：
[0068]
(2)
[0069] 其中.V/";,,,,,, (7\ f)(r. f)分別為各個(gè)目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板子窗 刖的相似度知祝(7;, .'/;,)(/=侶，?..，斯J = U…，中的最小值和最大值；
[0070] 虹、設(shè)定匹配度闊值〇1，〇2,其中0<〇1<〇2<1，獲取目標(biāo)模板子窗口 3受到遮蔽的 強(qiáng)度eij:
[0071 ]當(dāng)0《Mij < Oi時(shí)，表示目標(biāo)模板子窗刖未被遮蔽，其遮蔽強(qiáng)度eij = 0;
[0072] 當(dāng)〇i《Mij<〇2時(shí)，表示目標(biāo)模板子窗口 3受到部分遮蔽，其遮蔽強(qiáng)度=
[0073] 當(dāng)化《Mij《1時(shí)，表示目標(biāo)模板子窗刖完全被遮蔽，其遮蔽強(qiáng)度eij = 1;
[0074] 步驟四、根據(jù)公式(1)，獲得目標(biāo)1跟蹤中遮蔽強(qiáng)度綜合度量指標(biāo)，
[0075]
[0076] 其中Docclusion為遮蔽強(qiáng)度綜合度量指標(biāo)。
[0077] 所述步驟二獲取目標(biāo)模板2采用人工或自動(dòng)識(shí)別算法分出目標(biāo)區(qū)域、背景區(qū)域，自 動(dòng)識(shí)別算法為通過(guò)矩形窗口完整圖像中的目標(biāo)1部分，提取矩形窗口中的圖像作為目標(biāo)模 板2。
[007引實(shí)施例一
[0079] 結(jié)合本
【發(fā)明內(nèi)容】
W及圖1的算法流程圖，本發(fā)明之一種圖像目標(biāo)跟蹤中的環(huán)境遮 蔽強(qiáng)度評(píng)價(jià)方法可作為科研過(guò)程中，對(duì)目標(biāo)識(shí)別與跟蹤難易程度的定量描述，其具體實(shí)施 方式如下：
[0080] 步驟一、如圖4及圖5所示，在跟蹤初始，獲取未受遮擋的車輛目標(biāo)1所在位置的圖 像作為目標(biāo)模板2，并將其劃分為4行乘W6列的子窗口集合，
[0081] T={Tu|i = l，2，...，4，j = l，2，...，6};
[0082] 步驟二、在車輛目標(biāo)1被樹(shù)木遮蔽時(shí)，提取車輛目標(biāo)1所在位置的圖像作為目標(biāo)遮 蔽模板4，并將其劃分為4行乘W6列的子窗口集合
[0083]
[0084] 如圖6及圖7所示，根據(jù)
【發(fā)明內(nèi)容】
中所述步驟對(duì)各個(gè)目標(biāo)模板子窗口3與目標(biāo)遮蔽 模板子窗口 5求取其匹配度MiJ;
[0085] 本實(shí)施例中子窗口匹配度采用目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板子窗口 5的結(jié)構(gòu) 相似度進(jìn)行表征，計(jì)算方法如式(3)所示：
[0086]
(3)
[0087]其中，柄4)，，冷;,?)分別表示兩幅圖像的亮度相似度，對(duì)比度相似 度和結(jié)構(gòu)信息相似度的計(jì)算因子，計(jì)算方法如公式所示：
[008引
[0089]
[0090]
[0091] 其中Ci,C2和C3是為了保證分母不為零而引入的很小的常數(shù)，y(Tu)， 佔(zhàn)}，。^)，。^,，^)分別代表目標(biāo)區(qū)域X和待評(píng)價(jià)相似目標(biāo)區(qū)域y亮度的均值、標(biāo)準(zhǔn)差和 協(xié)方差。
[0092] 對(duì)說(shuō)7,.V/h)進(jìn)行歸一化處理來(lái)得到目標(biāo)模板子窗刖與目標(biāo)遮蔽模板子窗口 5 的匹配度Mu，使得Mu G [0，1 ]，計(jì)算方法如式(4)所示：
[0093]
…
[0094] 其中說(shuō)7,￥,,。。(7，./，)，，貨化/,,,;,、:(7，.7")分別為各個(gè)目標(biāo)模板子窗口3與目標(biāo)遮蔽模板 子窗口5的相似巧說(shuō)T.vW、7;,//;,)(/二I，2，...， 4,- I，2，...，6)中的最小值和最大值；
[0095] 設(shè)定匹配度闊值〇1，〇2,按照
【發(fā)明內(nèi)容】
中所述的方法計(jì)算出車輛目標(biāo)1的遮蔽強(qiáng)度 矩陣私。。1。31。。，其中目標(biāo)遮蔽強(qiáng)度量化值為1的部分表示車輛目標(biāo)1的該區(qū)域受到完全遮蔽， 為0的部分表示車輛目標(biāo)1的該區(qū)域未受到遮蔽；
[0096] 步驟S、根據(jù)
【發(fā)明內(nèi)容】
中公式可計(jì)算目標(biāo)遮蔽強(qiáng)度的綜合度量指標(biāo)Docclusion:
[0097]
[0098] 上述求出的遮蔽強(qiáng)度矩陣Eocclusion反映了圖像識(shí)別與跟蹤過(guò)程中，環(huán)境中樹(shù)木對(duì) 車輛目標(biāo)1各部位的遮蔽作用，可綜合反映出該環(huán)境下車輛目標(biāo)1識(shí)別與跟蹤失敗的潛在 因素。車輛目標(biāo)1的遮蔽強(qiáng)度綜合度量指標(biāo)DwcdUSiDn可定量該環(huán)境下評(píng)價(jià)目標(biāo)識(shí)別與跟蹤的 難易程度。
[0099] 實(shí)施例二
[0100] 結(jié)合專利
【發(fā)明內(nèi)容】
W及圖1的算法流程圖，本發(fā)明之一種圖像目標(biāo)跟蹤中的環(huán)境 遮蔽強(qiáng)度評(píng)價(jià)方法也可應(yīng)用于戰(zhàn)場(chǎng)環(huán)境下，對(duì)煙幕、誘巧彈等光電干擾源的遮蔽效果進(jìn)行 測(cè)試、評(píng)價(jià)，其【具體實(shí)施方式】如下：
[0101 ]步驟一、采集坦克目標(biāo)1未受到光電干擾時(shí)的圖像，如圖8及圖9所示，獲取未受遮 擋的坦克目標(biāo)1所在位置的圖像作為目標(biāo)模板2,將其劃分為5行乘W6列的子窗口集合T = {Tij|i = l,2,. . . ,5,j = 1,2,. . . ,6}；
[0102]步驟二、釋放煙幕干擾源，采集坦克目標(biāo)I受到煙幕遮擋后的圖像，如圖10所示，提 取坦克目標(biāo)1所在位置的圖像作為目標(biāo)遮蔽模板4,并將其劃分為5行乘W6列的子模板集 合，
[0103]
[0104] 如圖11所示，接著根據(jù)
【發(fā)明內(nèi)容】
中所述步驟對(duì)目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板 子窗口 5求取其匹配度MiJ;
[0105] 本實(shí)施例中子窗口匹配度采用目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板子窗口 5的顏色 特征相似度進(jìn)行表征，計(jì)算方法如下所示：
[0106] 1)為降低顏色特征相似度計(jì)算的復(fù)雜程度，往往需對(duì)顏色空間進(jìn)行量化處理，本 實(shí)施例對(duì)RGB顏色空間進(jìn)行量化，將其劃分為64個(gè)顏色區(qū)間，即圖像的顏色特征可W采用一 個(gè)64維的向量h=化i，h2, . . .hk, . . .，h64)進(jìn)行描述，其中hkG [0,1]表示某種顏色c=(;r，g， b) Ghk在圖像中出現(xiàn)的頻率，根據(jù)上述可提取目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板子窗口 5的 顏色特征向重h =化1山，...，h64)、/2二(句…
[0107] 2)利用顏色特征向量相交算法，計(jì)算目標(biāo)模板子窗口3與目標(biāo)遮擋模板子窗口5的 顏色特征相似度，如式(5)所示：
[010 引 (5：)
[0109] 由于求得的顏色特征相似度.v/wk.，r)值介于[0，1 ]之間，故可直接將其作為目標(biāo) 模板子窗口 3與目標(biāo)遮蔽模板子窗刖的匹配度Mu，即
[0110] 設(shè)定匹配度闊值〇1、〇2,根據(jù)子模板匹配度Mu即可計(jì)算出坦克目標(biāo)1的遮蔽強(qiáng)度矩 陣Eocclusion;
[0111] 步驟=、根據(jù)
【發(fā)明內(nèi)容】
中公式可計(jì)算坦克目標(biāo)1收到煙幕遮蔽影響的綜合度量指 標(biāo)：
[0112]
[0113] 上述求出的遮蔽強(qiáng)度矩陣Ewciusi。。反映了某時(shí)刻下，煙幕光電干擾對(duì)坦克目標(biāo)1各 部位的遮蔽作用。坦克目標(biāo)1的遮蔽強(qiáng)度綜合度量指標(biāo)Dwelusinn可對(duì)戰(zhàn)場(chǎng)環(huán)境下，某型號(hào)煙 幕干擾的光電干擾性能進(jìn)行定量評(píng)價(jià)。
[0114] 實(shí)施例S
[0115] 結(jié)合專利
【發(fā)明內(nèi)容】
W及圖1的算法流程圖，本發(fā)明之一種圖像目標(biāo)跟蹤中的環(huán)境 遮蔽強(qiáng)度評(píng)價(jià)方法也可應(yīng)用于日常生活中，例如對(duì)于視頻安防系統(tǒng)中的行人檢測(cè)、識(shí)別系 統(tǒng)而言，可W通過(guò)分析周圍環(huán)境對(duì)行人的遮蔽效果，為其目標(biāo)檢測(cè)、識(shí)別算法提供先驗(yàn)條 件，其【具體實(shí)施方式】如下：
[0116] 步驟一、采集實(shí)驗(yàn)時(shí)行人目標(biāo)1未受到垃圾桶遮蔽時(shí)的圖像，如圖12所示，獲取未 受遮擋的行人目標(biāo)1所在位置的圖像作為目標(biāo)模板2,如圖13所示，將其劃分為5行乘W4列 的子窗口集合，T={Tij|i = l，2，...，5J = l，2，...，4};
[0117] 步驟二、行人目標(biāo)1經(jīng)過(guò)垃圾桶時(shí)，采集行人目標(biāo)1受到垃圾桶遮蔽后的圖像，如圖 14所示，提取行人目標(biāo)1所在位置的圖像作為目標(biāo)遮蔽模板4,并將其劃分為5行乘W4列的 子模板集合，
[011 引
[0119] 如圖15所示，接著根據(jù)
【發(fā)明內(nèi)容】
中所述步驟對(duì)目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板 子窗口 5求取其匹配度MiJ;
[0120] 本實(shí)施例中子窗口匹配度采用目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板子窗口 5的歸一 化互相關(guān)系數(shù)進(jìn)行表征，計(jì)算方法如式(6)所示：
[0121] V
/ (6)
[0122] 其中，Tu(x，y)和7;,.仁，_F)分別代表目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板子窗口 5在 (x，y)處的像素點(diǎn)灰度值，7；.j. (x，y)為目標(biāo)模板子窗口 3的像素灰度平均值，4 (x，y)為目 標(biāo)遮蔽模板子窗口 5的像素灰度平均值。
[0123] 由于求得的歸一化互相關(guān)系數(shù)4；)值介于[-1,1]之間，故需要對(duì)其進(jìn)行歸 一化處理來(lái)得到目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板子窗口 5的匹配度Mu，使得Mu G [0，1 ]， 計(jì)算方法如式(7)所示：
[0124]
(7)
[01巧]其中(nr')，Xma、護(hù)巧分別為各個(gè)目標(biāo)模板子窗口 3與目標(biāo)遮蔽模板子窗口 5的歸一化相關(guān)系數(shù)!(Z = I，2，".，5，./二I、2，....4)中的最小值和最大值。
[0126] 設(shè)定匹配度闊值〇1，〇2,根據(jù)子模板匹配度即可計(jì)算出行人目標(biāo)1的遮蔽強(qiáng)度矩陣 Eocclusion O
[0127] 步驟=、根據(jù)
【發(fā)明內(nèi)容】
中公式可計(jì)算行人目標(biāo)1收到環(huán)境中垃圾桶遮蔽影響的綜 合度量指標(biāo)：
[012 引
[0129] 上述求出的遮蔽強(qiáng)度矩陣EDCClusiDn反映了某時(shí)刻下，環(huán)境中遮蔽物6對(duì)行人目標(biāo)1 不同部位的影響程度，可作為行人目標(biāo)1檢測(cè)與識(shí)別的先驗(yàn)條件對(duì)目標(biāo)模板2的學(xué)習(xí)、改進(jìn) 進(jìn)行指導(dǎo)。行人目標(biāo)1的遮蔽強(qiáng)度綜合度量指標(biāo)DwcdusiDn可作為安防系統(tǒng)準(zhǔn)確檢測(cè)真實(shí)目標(biāo) 性能的定量評(píng)價(jià)。
【主權(quán)項(xiàng)】
1. 一種圖像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng)度的評(píng)價(jià)方法，其特征在于：該評(píng)價(jià)方法用于跟 蹤視頻圖像中運(yùn)動(dòng)的目標(biāo)，包括以下步驟， 步驟一、確定目標(biāo)及視頻圖像； 步驟二、目標(biāo)跟蹤初始，目標(biāo)未被遮蔽，獲取目標(biāo)所在位置的圖像作為目標(biāo)模板T，將目 標(biāo)模板T均勾分割為M乘N個(gè)子窗口，目標(biāo)模板T可表不為MXN個(gè)子窗口的集合，其中Tij為目 標(biāo)模板子窗口， T={Tij|i = l,2,...,M,j = l,2,...,N}; 步驟三、目標(biāo)被遮蔽時(shí)，獲取目標(biāo)所在位置的圖像作為目標(biāo)遮蔽模板Tc^luslcin，將目標(biāo) 遮蔽模板Tcx^lusion均勾分割為M乘N個(gè)子窗口，其中$為目標(biāo)遮蔽模板子窗口，⑴ 其中元素eij(i = l，2, . . .，M, j = l，2, . . .，N)表示目標(biāo)被遮蔽后，目標(biāo)模板子窗口Tij的 遮蔽強(qiáng)度量化數(shù)值，其獲得方法如下： l、 依據(jù)圖像相似性度量指標(biāo)，獲得目標(biāo)模板子窗口 Tlj與目標(biāo)遮蔽模板子窗口 ij的相似 度., ，其中相似性度量指標(biāo)采用目標(biāo)模板子窗口 與目標(biāo)遮蔽模板子窗口 g的歸 一化互相關(guān)系數(shù)、目標(biāo)模板子窗口 Tu與目標(biāo)遮蔽模板子窗口 $顏色特征相似度、目標(biāo)模板 子窗口 Tu與目標(biāo)遮蔽模板子窗口 ^結(jié)構(gòu)特征相似度中任意一種； Π、遍歷獲得目標(biāo)模板T中所有子窗口的相似度目標(biāo)模板子窗口 1^與目標(biāo)遮蔽模板子窗口 $的匹配J.S./"也乂)g丨()· 1 ]，對(duì)Λ.""([j進(jìn)行歸一化處理，使得Mij值介于[0，1 ]之間，歸一化方法 采用最大最小法，如公式(2)所示：(2) 其中Λ7_/?;ιηιι, i\7', f j、)分別為各個(gè)目標(biāo)模板子窗口 Tij與目標(biāo)遮蔽模板子窗口 & 的相似H3的最小值和最大值； m、 設(shè)定匹配度閾值〇1，〇2，其中0<〇1<〇2<1，獲取目標(biāo)模板子窗口 Tlj受到遮蔽的強(qiáng)度 ^ij ： 當(dāng)0彡Mij <巧時(shí)，表示目標(biāo)模板子窗口 Tij未被遮蔽，其遮蔽強(qiáng)度eij = 0; 當(dāng)O1 ^Mij <σ2時(shí)，表示目標(biāo)模板子窗口 Tij受到部分遮蔽，其遮蔽強(qiáng)度eij =卜Mij; 當(dāng)。1時(shí)，表示目標(biāo)模板子窗口 Tlj完全被遮蔽，其遮蔽強(qiáng)度叫=I; 步驟四、根據(jù)公式(1 )，獲得目標(biāo)跟蹤中遮蔽強(qiáng)度綜合度量指標(biāo)，其中DciccIusicin為遮蔽強(qiáng)度綜合度量指標(biāo)。2.根據(jù)權(quán)利要求1所述的一種圖像識(shí)別與跟蹤中目標(biāo)遮蔽強(qiáng)度的評(píng)價(jià)方法，其特征在 于:所述步驟二獲取目標(biāo)模板T采用人工或自動(dòng)識(shí)別算法分出目標(biāo)區(qū)域、背景區(qū)域。
【文檔編號(hào)】G06T7/20GK106023250SQ201610322815
【公開(kāi)日】2016年10月12日
【申請(qǐng)日】2016年5月16日
【發(fā)明人】段錦, 肖博, 祝勇, 葉利梅
【申請(qǐng)人】長(zhǎng)春理工大學(xué)