圖像目標(biāo)追蹤方法和裝置制造方法
【專利摘要】本發(fā)明公開了一種圖像目標(biāo)追蹤方法和裝置，該圖像目標(biāo)追蹤方法包括：確定圖像中目標(biāo)區(qū)域的特征矢量；根據(jù)預(yù)先配置的物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值；并且，根據(jù)預(yù)先配置的物體追蹤分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第二似然度值；對于每個特征矢量，根據(jù)該特征矢量的第一似然度值和第二似然度值，確定該特征矢量的第三似然度值；根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤。本發(fā)明有效的提高了確定出的特征矢量的似然度值的精確度，使得在進(jìn)行目標(biāo)追蹤時，能夠很好的區(qū)分出所要檢測的特征矢量，杜絕了追蹤結(jié)果出現(xiàn)漂移的現(xiàn)象發(fā)生。
【專利說明】圖像目標(biāo)追蹤方法和裝置
【技術(shù)領(lǐng)域】
[0001 ] 本發(fā)明涉及圖像處理領(lǐng)域，具體來說，涉及一種圖像目標(biāo)追蹤方法和裝置。
【背景技術(shù)】
[0002]在圖像處理系統(tǒng)中，經(jīng)常需要追蹤物體在圖像中的運(yùn)動，這些物體在圖像中的運(yùn)動是需要特殊的圖像目標(biāo)追蹤方法來進(jìn)行追蹤的。例如，文獻(xiàn)l“Shai Avidan.“EnsembleTracking”.pami,2007” 和文獻(xiàn) 2 “Helmut Grabner, Michael Grabner, HorstBischof.“Real-Time Tracking via on-line Boosting”.CVPR, 2006”所提出的圖像目標(biāo)追蹤方法，然而，在現(xiàn)有的圖像處理系統(tǒng)中，不管是文獻(xiàn)I所提出的方法，還是文獻(xiàn)2所提出的方法，或者是其他的現(xiàn)有的圖像目標(biāo)追蹤方法，在進(jìn)行最后的圖像目標(biāo)追蹤時，均是通過特征矢量的似然度值來進(jìn)行追蹤的，而在進(jìn)行似然度檢測時，則是先通過物體檢測分類器確定目標(biāo)區(qū)域中的特征矢量，然后通過物體追蹤分類器來進(jìn)行特征矢量的似然度值的檢測，其中，物體檢測分類器是使用預(yù)先收集的目標(biāo)的特別數(shù)據(jù)(比如，人臉數(shù)據(jù))，并采用離線的方式訓(xùn)練得到的，其具有精確度高、不會動態(tài)改變、可檢測對象固定的特點；而物體追蹤分類器則是使用現(xiàn)場的前景/背景數(shù)據(jù)通過在線更新的方式得到，具有精確度低、隨時間推移動態(tài)改變、可區(qū)分各種各樣前景/背景對象的特點。由此可見，雖然現(xiàn)有的圖像目標(biāo)追蹤方法通過了物體檢測分類器精確的確定了特征矢量，然而，在進(jìn)行似然度值的檢測時卻是通過單一的、精確度較低的物體追蹤分類器進(jìn)行檢測的，而這種通過單一方式檢測出的特征矢量的似然度值在實際應(yīng)用時，雖然能夠在一定程度上將所要檢測的目標(biāo)特征矢量給區(qū)分出來，但是在需要對待檢測圖像進(jìn)行精確檢測或者待檢測圖像中的各個特征矢量相近似時，這種通過單一方式檢測出的特征矢量的似然度值就無法滿足圖像目標(biāo)精確追蹤的需求，導(dǎo)致圖像目標(biāo)追蹤的結(jié)果很容易發(fā)生漂移，即追蹤出的目標(biāo)并非是正確的目標(biāo)，而是正確目標(biāo)周圍的與正確目標(biāo)相近似的其他特征矢量。
[0003]針對相關(guān)技術(shù)中圖像目標(biāo)追蹤方法會由于檢測出的特征矢量的似然度不夠精確，而導(dǎo)致目標(biāo)追蹤的結(jié)果很容易發(fā)生漂移目標(biāo)的問題，目前尚未提出有效的解決方案。

【發(fā)明內(nèi)容】

[0004]針對相關(guān)技術(shù)中圖像目標(biāo)追蹤方法會由于檢測出的特征矢量的似然度不夠精確，而導(dǎo)致目標(biāo)追蹤的結(jié)果很容易發(fā)生漂移目標(biāo)的問題，本發(fā)明提出一種圖像目標(biāo)追蹤方法和裝置，能夠有效的提高特征矢量的似然度值的精確度，杜絕因確定出的特征矢量的似然度值不精確，而使得追蹤結(jié)果出現(xiàn)漂移的現(xiàn)象發(fā)生。
[0005]本發(fā)明的技術(shù)方案是這樣實現(xiàn)的:
[0006]根據(jù)本發(fā)明的一個方面，提供了一種圖像目標(biāo)追蹤方法。
[0007]該圖像目標(biāo)追蹤方法包括:
[0008]確定圖像中目標(biāo)區(qū)域的特征矢量；
[0009]根據(jù)預(yù)先配置的物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值；并且，根據(jù)預(yù)先配置的物體追蹤分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第二似然度值；
[0010]對于每個特征矢量，根據(jù)該特征矢量的第一似然度值和第二似然度值，確定該特征矢量的第三似然度值；
[0011]根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤。
[0012]其中，在根據(jù)物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，物體檢測分類器采用的分析規(guī)則可以是:根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對目標(biāo)區(qū)域中的每個特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定目標(biāo)區(qū)域中的每個特征矢量通過的級別數(shù)量；并根據(jù)預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定目標(biāo)區(qū)域中的每個特征矢量的第一似然度值。
[0013]此外，在根據(jù)物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，物體檢測分類器采用的分析規(guī)則還可以是:根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對目標(biāo)區(qū)域中的任意至少一特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定目標(biāo)區(qū)域中的該特征矢量通過的級別數(shù)量，并根據(jù)預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定目標(biāo)區(qū)域中的該特征矢量的第一似然度值；并根據(jù)預(yù)先配置的區(qū)域似然度分布關(guān)系和目標(biāo)區(qū)域中的該特征矢量的第一似然度值，確定目標(biāo)區(qū)域中的該特征矢量周圍的其他特征矢量的第一似然度值。
[0014]其中，對于每個特征矢量，在根據(jù)該特征矢量的第一似然度值和第二似然度值，確定該特征矢量的第三似然度值時，可根據(jù)預(yù)先配置的權(quán)重值，對該特征矢量的第一似然度值和第二似然度值進(jìn)行加權(quán)求和，得出該特征矢量的第三似然度值。
[0015]此外，在根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與上述圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤時，可根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，確定待檢測圖像中目標(biāo)的大小和位置。
[0016]根據(jù)本發(fā)明的另一方面，提供了一種圖像目標(biāo)追蹤裝置。
[0017]該圖像目標(biāo)追蹤裝置包括:
[0018]第一確定模塊，用于確定圖像中目標(biāo)區(qū)域的特征矢量；
[0019]第二確定模塊，用于根據(jù)預(yù)先配置的物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值；并且，根據(jù)預(yù)先配置的物體追蹤分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第二似然度值；
[0020]第三確定模塊，用于對于每個特征矢量，根據(jù)該特征矢量的第一似然度值和第二似然度值，確定該特征矢量的第三似然度值；
[0021]目標(biāo)追蹤模塊，用于根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤。
[0022]其中，在根據(jù)物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，物體檢測分類器采用的分析規(guī)則可以是:根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對目標(biāo)區(qū)域中的每個特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定目標(biāo)區(qū)域中的每個特征矢量通過的級別數(shù)量；并根據(jù)預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定目標(biāo)區(qū)域中的每個特征矢量的第一似然度值。[0023]此外，在根據(jù)物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，物體檢測分類器采用的分析規(guī)則還可以是:根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對目標(biāo)區(qū)域中的任意至少一特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定目標(biāo)區(qū)域中的該特征矢量通過的級別數(shù)量，并根據(jù)預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定目標(biāo)區(qū)域中的該特征矢量的第一似然度值；并根據(jù)預(yù)先配置的區(qū)域似然度分布關(guān)系和目標(biāo)區(qū)域中的該特征矢量的第一似然度值，確定目標(biāo)區(qū)域中的該特征矢量周圍的其他特征矢量的第一似然度值。
[0024]其中，第三確定模塊包括加權(quán)求和模塊，用于對于每個特征矢量，根據(jù)預(yù)先配置的權(quán)重值，對該特征矢量的第一似然度值和第二似然度值進(jìn)行加權(quán)求和，得出該特征矢量的第三似然度值。
[0025]此外，在根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與上述圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤時，目標(biāo)追蹤模塊可以根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，確定待檢測圖像中目標(biāo)的大小和位置。
[0026]本發(fā)明通過多種似然度確定方法來對目標(biāo)區(qū)域中的特征矢量進(jìn)行檢測，并在多種似然度確定方式確定出目標(biāo)區(qū)域中的特征矢量的似然度值后，再次對確定出的似然度值進(jìn)行融合處理，從而有效的提高了確定出的特征矢量的似然度值的精確度，使得在進(jìn)行目標(biāo)追蹤時，能夠很好的區(qū)分出所要檢測的特征矢量，杜絕了因確定出的特征矢量的似然度值不精確，而使得追蹤結(jié)果出現(xiàn)漂移的現(xiàn)象發(fā)生，有效的提高了圖像目標(biāo)追蹤時的追蹤性能。
【專利附圖】

【附圖說明】
[0027]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對實施例中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0028]圖1是根據(jù)本發(fā)明實施例的圖像目標(biāo)追蹤方法的流程示意圖；
[0029]圖2是根據(jù)本發(fā)明實施例的圖像目標(biāo)追蹤的系統(tǒng)框圖；
[0030]圖3是根據(jù)本發(fā)明實施例的現(xiàn)有圖像目標(biāo)追蹤方法在進(jìn)行特征矢量分類時的效果圖；
[0031]圖4是根據(jù)本發(fā)明實施例的圖像目標(biāo)追蹤方法在進(jìn)行特征矢量分類時的效果圖；
[0032]圖5是根據(jù)本發(fā)明實施例的圖像目標(biāo)追蹤裝置的結(jié)構(gòu)示意圖。
【具體實施方式】
[0033]下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚、完整地描述，顯然，所描述的實施例僅僅是本發(fā)明一部分實施例，而不是全部的實施例?；诒景l(fā)明中的實施例，本領(lǐng)域普通技術(shù)人員所獲得的所有其他實施例，都屬于本發(fā)明保護(hù)的范圍。
[0034]根據(jù)本發(fā)明的實施例，提供了 一種圖像目標(biāo)追蹤方法。
[0035]如圖1所示，根據(jù)本發(fā)明實施例的圖像目標(biāo)追蹤方法包括:
[0036]步驟S101，確定圖像中目標(biāo)區(qū)域的特征矢量；[0037]步驟S103，根據(jù)預(yù)先配置的物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值；并且，根據(jù)預(yù)先配置的物體追蹤分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第二似然度值；
[0038]步驟S105，對于每個特征矢量，根據(jù)該特征矢量的第一似然度值和第二似然度值，確定該特征矢量的第三似然度值；
[0039]步驟S107，根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤。
[0040]在上述過程中，與圖像存在關(guān)聯(lián)的待檢測圖像可以是該圖像所在的視頻流中位于該圖像后一幀或多幀的圖像，也可以是該圖像所在的視頻流中位于該圖像前一幀或多幀的圖像。
[0041]其中，在根據(jù)物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，物體檢測分類器采用的分析規(guī)則可以是:根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對目標(biāo)區(qū)域中的每個特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定目標(biāo)區(qū)域中的每個特征矢量通過的級別數(shù)量；并根據(jù)預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定目標(biāo)區(qū)域中的每個特征矢量的第一似然度值。
[0042]此外，在根據(jù)物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，物體檢測分類器采用的分析規(guī)則還可以是:根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對目標(biāo)區(qū)域中的任意至少一特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定目標(biāo)區(qū)域中的該特征矢量通過的級別數(shù)量，并根據(jù)預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定目標(biāo)區(qū)域中的該特征矢量的第一似然度值；并根據(jù)預(yù)先配置的區(qū)域似然度分布關(guān)系和目標(biāo)區(qū)域中的該特征矢量的第一似然度值，確定目標(biāo)區(qū)域中的該特征矢量周圍的其他特征矢量的第一似然度值。
[0043]其中，對于每個特征矢量，在根據(jù)該特征矢量的第一似然度值和第二似然度值，確定該特征矢量的第三似然度值時，可根據(jù)預(yù)先配置的權(quán)重值，對該特征矢量的第一似然度值和第二似然度值進(jìn)行加權(quán)求和，得出該特征矢量的第三似然度值。
[0044]此外，在根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與上述圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤時，可根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，確定待檢測圖像中目標(biāo)的大小和位置。
[0045]以下通過具體實例對本發(fā)明的上述技術(shù)方案進(jìn)行詳細(xì)說明。
[0046]圖2是圖像目標(biāo)追蹤的系統(tǒng)框圖，從圖2中可以看出，在進(jìn)行圖像目標(biāo)追蹤時，首先通過物體檢測分類器和物體追蹤分類器分析出目標(biāo)區(qū)域中的每個特征矢量的似然度值，然后根據(jù)物體檢測分類器和物體追蹤分類器給出的似然度值計算融合后的似然度值，最后根據(jù)計算出的融合后的似然度值，通過Mean-Shift算法或者EM (最大期望算法)或者爬山算法來計算目標(biāo)物體的大小和位置。
[0047]具體的，在通過物物體檢測分類器進(jìn)行似然度檢測時，可采用逐級判別的方式，每一級通過不同的準(zhǔn)則判定特征矢量(例如，像素)是否屬于目標(biāo)，根據(jù)特征矢量通過的級數(shù)給出似然度值，其中，通過的級數(shù)越多，則說明似然度越大，通過的級數(shù)越少，則說明似然度越小，例如，通過所有級數(shù)的特征矢量，則有最大的似然度，通過零級的特征矢量，則有最小的似然度。[0048]在實際應(yīng)用時，上述的逐級判別的方式可以是根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對目標(biāo)區(qū)域中的每個特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定目標(biāo)區(qū)域中的每個特征矢量通過的級別數(shù)量；并根據(jù)預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定目標(biāo)區(qū)域中的每個特征矢量的第一似然度值。
[0049]當(dāng)然，為了提高檢測時的效率，減少計算量，上述的逐級判別的方式還可以進(jìn)行進(jìn)一步的改進(jìn)，例如，在進(jìn)行物體檢測時，可以先確定目標(biāo)區(qū)域中的任意幾個(非全部)特征矢量的似然度值，然后根據(jù)預(yù)先配置的目標(biāo)追蹤的搜索尺度，分別以這幾個特征矢量為中心進(jìn)行區(qū)域劃分，并根據(jù)預(yù)先配置的各區(qū)域內(nèi)的似然度分布關(guān)系，來判別各個區(qū)域內(nèi)除該特征矢量以外的其他特征矢量的似然度值，例如，在確定劃分區(qū)域后，可根據(jù)中心到邊緣的似然度遞減的關(guān)系，以檢測出的特征矢量的似然度值為核心，來逐級遞減的判定該劃分區(qū)域中的其他特征矢量的似然度值。
[0050]此外，如果劃分的區(qū)域之間相互出現(xiàn)重疊時，則將該重疊部分中的特征矢量在這幾個劃分的區(qū)域中的最大似然度值作為該重疊部分中的特征矢量的最終似然度值。
[0051]具體的，在通過物體追蹤分類器進(jìn)行似然度檢測時，可以通過訓(xùn)練分類器的方法得到，例如，將檢測到的物體作為正樣本，在正樣本周圍隨機(jī)取負(fù)樣本，通過訓(xùn)練得到分類器，使用訓(xùn)練得到的分類器對一定區(qū)域(即目標(biāo)區(qū)域)內(nèi)的特征矢量(例如，像素)進(jìn)行分類，即可得到此范圍內(nèi)的特征矢量是否為目標(biāo)物體的概率值，此值可以作為物體追蹤的似然度值。
`[0052]具體的，在物體檢測分類器和物體追蹤分類器均分析出目標(biāo)區(qū)域中的特征矢量的似然度值后，進(jìn)行似然度值的融合計算，即加權(quán)求和，計算的公式如下:
[0053]Si = W5tector H- β-S^
[0054]其中，Si為融合后的似然度值，α和β分別為物體檢測分類器和物體追蹤分類器的似然度的權(quán)重值，Sd分別為物體檢測分類器和物體追蹤分類器檢測出的似
然度值。
[0055]通過本發(fā)明的上述方案，能夠有效的提高檢測出的特征矢量的似然度值的精確度，使得在進(jìn)行圖像目標(biāo)追蹤時，能夠很好的區(qū)分出所要檢測的特征矢量，杜絕了因確定出的特征矢量的似然度值不精確，而使得追蹤結(jié)果出現(xiàn)漂移的現(xiàn)象發(fā)生，進(jìn)而有效的提高了圖像目標(biāo)追蹤時的追蹤性能。
[0056]以下通過兩組對比效果圖對本發(fā)明的上述技術(shù)效果進(jìn)行詳細(xì)說明。
[0057]圖3是現(xiàn)有圖像目標(biāo)追蹤方法在進(jìn)行特征矢量分類時的效果圖。從圖3中可以看出，當(dāng)前景特征矢量和背景特征矢量不同時，現(xiàn)有的圖像目標(biāo)追蹤方法在對特征矢量進(jìn)行分類時，可以很容易且正確的區(qū)分出來，而當(dāng)前景特征矢量和背景特征矢量近似時，現(xiàn)有的圖像目標(biāo)追蹤方法在對特征矢量進(jìn)行分類時，無法對特征矢量進(jìn)行區(qū)分，且即使區(qū)分出來，區(qū)分出的特征矢量也不夠正確。
[0058]圖4是本發(fā)明的圖像目標(biāo)追蹤方法在進(jìn)行特征矢量分類時的效果圖。從圖4中可以看出，不管是在前景特征矢量和背景特征矢量不同時，還是在前景特征矢量和背景特征矢量近似時，本發(fā)明的圖像目標(biāo)追蹤方法均能夠正確且容易的區(qū)分出特征矢量。而出現(xiàn)這種情況是由于本發(fā)明的圖像目標(biāo)追蹤方法在檢測特征矢量的似然度時，是先通過多種似然度確定方式分別檢測出特征矢量的似然度，然后再對檢測出的多個似然度進(jìn)行融合，從而有效的提高了特征矢量的似然度值的精確度，因此，在對特征矢量進(jìn)行分類時，通過該高精確度的似然度值就能夠很好的區(qū)分出特征矢量。
[0059]根據(jù)本發(fā)明的實施例，還提供了 一種圖像目標(biāo)追蹤裝置。
[0060]如圖5所示，根據(jù)本發(fā)明實施例的圖像目標(biāo)追蹤裝置包括:
[0061]第一確定模塊51，用于確定圖像中目標(biāo)區(qū)域的特征矢量；
[0062]第二確定模塊52，用于根據(jù)預(yù)先配置的物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值；并且，根據(jù)預(yù)先配置的物體追蹤分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第二似然度值；
[0063]第三確定模塊53，用于對于每個特征矢量，根據(jù)該特征矢量的第一似然度值和第二似然度值，確定該特征矢量的第三似然度值；
[0064]目標(biāo)追蹤模塊54，用于根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤.[0065]在上述過程中，與圖像存在關(guān)聯(lián)的待檢測圖像可以是該圖像所在的視頻流中位于該圖像后一幀或多幀的圖像，也可以是該圖像所在的視頻流中位于該圖像前一幀或多幀的圖像。
[0066]其中，在根據(jù)物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，物體檢測分類器采用的分析規(guī)則可以是:根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對目標(biāo)區(qū)域中的每個特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定目標(biāo)區(qū)域中的每個特征矢量通過的級別數(shù)量；并根據(jù)預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定目標(biāo)區(qū)域中的每個特征矢量的第一似然度值。
[0067]此外，在根據(jù)物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，物體檢測分類器采用的分析規(guī)則還可以是:根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對目標(biāo)區(qū)域中的任意至少一特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定目標(biāo)區(qū)域中的該特征矢量通過的級別數(shù)量，并根據(jù)預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定目標(biāo)區(qū)域中的該特征矢量的第一似然度值；并根據(jù)預(yù)先配置的區(qū)域似然度分布關(guān)系和目標(biāo)區(qū)域中的該特征矢量的第一似然度值，確定目標(biāo)區(qū)域中的該特征矢量周圍的其他特征矢量的第一似然度值。
[0068]其中，第三確定模塊53包括加權(quán)求和模塊(未不出)，用于對于每個特征矢量，根據(jù)預(yù)先配置的權(quán)重值，對該特征矢量的第一似然度值和第二似然度值進(jìn)行加權(quán)求和，得出該特征矢量的第三似然度值。
[0069]此外，在根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與上述圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤時，目標(biāo)追蹤模塊54可以根據(jù)目標(biāo)區(qū)域中各個特征矢量的第三似然度值，確定待檢測圖像中目標(biāo)的大小和位置。
[0070]綜上所述，借助于本發(fā)明的上述技術(shù)方案，通過多種似然度確定方法來對目標(biāo)區(qū)域中的特征矢量進(jìn)行檢測，并在多種似然度確定方式確定出目標(biāo)區(qū)域中的特征矢量的似然度值后，再次對確定出的似然度值進(jìn)行融合處理，從而有效的提高了確定出的特征矢量的似然度值的精確度，使得在進(jìn)行圖像目標(biāo)追蹤時，能夠很好的區(qū)分出所要檢測的特征矢量，杜絕了因確定出的特征矢量的似然度值不精確，而使得追蹤結(jié)果出現(xiàn)漂移的現(xiàn)象發(fā)生，有效的提聞了圖像目標(biāo)追蹤時的追蹤性能。
[0071]以上所述僅為本發(fā)明的較佳實施例而已，并不用以限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所作的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。
【權(quán)利要求】
1.一種圖像目標(biāo)追蹤方法，其特征在于，包括: 確定圖像中目標(biāo)區(qū)域的特征矢量； 根據(jù)預(yù)先配置的物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值；并且，根據(jù)預(yù)先配置的物體追蹤分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第二似然度值； 對于每個特征矢量，根據(jù)該特征矢量的第一似然度值和第二似然度值，確定該特征矢量的第三似然度值； 根據(jù)所述目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與所述圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤。
2.根據(jù)權(quán)利要求1所述的圖像目標(biāo)追蹤方法，其特征在于，在根據(jù)所述物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，所述物體檢測分類器采用的分析規(guī)則包括 : 根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對所述目標(biāo)區(qū)域中的每個特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定所述目標(biāo)區(qū)域中的每個特征矢量通過的級別數(shù)量； 根據(jù)預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定所述目標(biāo)區(qū)域中的每個特征矢量的第一似然度值。
3.根據(jù)權(quán)利要求1所述的圖像目標(biāo)追蹤方法，其特征在于，在根據(jù)所述物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，所述物體檢測分類器采用的分析規(guī)則包括: 根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對所述目標(biāo)區(qū)域中的任意至少一特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定所述目標(biāo)區(qū)域中的該特征矢量通過的級別數(shù)量，并根據(jù)所述預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定所述目標(biāo)區(qū)域中的該特征矢量的第一似然度值； 根據(jù)預(yù)先配置的區(qū)域似然度分布關(guān)系和所述目標(biāo)區(qū)域中的該特征矢量的第一似然度值，確定所述目標(biāo)區(qū)域中的該特征矢量周圍的其他特征矢量的第一似然度值。
4.根據(jù)權(quán)利要求1所述的圖像目標(biāo)追蹤方法，其特征在于，對于每個特征矢量，根據(jù)該特征矢量的第一似然度值和第二似然度值，確定該特征矢量的第三似然度值包括: 對于每個特征矢量，根據(jù)預(yù)先配置的權(quán)重值，對該特征矢量的第一似然度值和第二似然度值進(jìn)行加權(quán)求和，得出該特征矢量的第三似然度值。
5.根據(jù)權(quán)利要求1至4任意一項所述的圖像目標(biāo)追蹤方法，其特征在于，根據(jù)所述目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與所述圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤包括: 根據(jù)所述目標(biāo)區(qū)域中各個特征矢量的第三似然度值，確定所述待檢測圖像中目標(biāo)的大小和位置。
6.一種圖像目標(biāo)追蹤裝置，其特征在于，包括: 第一確定模塊，用于確定圖像中目標(biāo)區(qū)域的特征矢量； 第二確定模塊，用于根據(jù)預(yù)先配置的物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值；并且，根據(jù)預(yù)先配置的物體追蹤分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第二似然度值；第三確定模塊，用于對于每個特征矢量，根據(jù)該特征矢量的第一似然度值和第二似然度值，確定該特征矢量的第三似然度值； 目標(biāo)追蹤模塊，用于根據(jù)所述目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與所述圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)追蹤。
7.根據(jù)權(quán)利要求6所述的圖像目標(biāo)追蹤裝置，其特征在于，在根據(jù)所述物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，所述物體檢測分類器采用的分析規(guī)則包括: 根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對所述目標(biāo)區(qū)域中的每個特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定所述目標(biāo)區(qū)域中的每個特征矢量通過的級別數(shù)量； 根據(jù)預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定所述目標(biāo)區(qū)域中的每個特征矢量的第一似然度值。
8.根據(jù)權(quán)利要求6所述的圖像目標(biāo)追蹤裝置，其特征在于，在根據(jù)所述物體檢測分類器，對每個特征矢量進(jìn)行分析，確定每個特征矢量的第一似然度值時，所述物體檢測分類器采用的分析規(guī)則包括: 根據(jù)預(yù)先賦予級別的多個物體檢測弱分類器，對所述目標(biāo)區(qū)域中的任意至少一特征矢量進(jìn)行分析，并根據(jù)分析的結(jié)果，判定所述目標(biāo)區(qū)域中的該特征矢量通過的級別數(shù)量，并根據(jù)所述預(yù)先配置的與級別數(shù)量對應(yīng)的似然度值，確定所述目標(biāo)區(qū)域中的該特征矢量的第一似然度值； 根據(jù)預(yù)先配置的區(qū)域似然度分布關(guān)系和所述目標(biāo)區(qū)域中的該特征矢量的第一似然度值，確定所述目標(biāo)區(qū)域中的該特征矢量周圍的其他特征矢量的第一似然度值。
9.根據(jù)權(quán)利要求6所述的圖像目標(biāo)追蹤裝置，其特征在于，所述第三確定模塊進(jìn)一步包括: 加權(quán)求和模塊，用于對于每個特征矢量，根據(jù)預(yù)先配置的權(quán)重值，對該特征矢量的第一似然度值和第二似然度值進(jìn)行加權(quán)求和，得出該特征矢量的第三似然度值。
10.根據(jù)權(quán)利要求6至9所述的圖像目標(biāo)追蹤裝置，其特征在于，在根據(jù)所述目標(biāo)區(qū)域中各個特征矢量的第三似然度值，對與所述圖像相關(guān)聯(lián)的待檢測圖像進(jìn)行目標(biāo)檢測時，所述目標(biāo)追蹤模塊用于根據(jù)所述目標(biāo)區(qū)域中各個特征矢量的第三似然度值，確定所述待檢測圖像中目標(biāo)的大小和位置。
【文檔編號】G06K9/62GK103489001SQ201310450029
【公開日】2014年1月1日 申請日期:2013年9月25日 優(yōu)先權(quán)日:2013年9月25日
【發(fā)明者】趙宏勛, 劉玉宇 申請人:北京智諾英特科技有限公司