一種基于成分距離關(guān)系圖的視頻目標(biāo)跟蹤方法
【專利摘要】本發(fā)明公開了一種基于成分距離關(guān)系圖特征的目標(biāo)跟蹤方法，其包括：步驟1、對(duì)于待跟蹤目標(biāo)所在的視頻，采用粒子濾波方法采樣一定數(shù)目的粒子，作為候選目標(biāo)狀態(tài)；步驟2、對(duì)于每個(gè)所述候選目標(biāo)狀態(tài)對(duì)應(yīng)的表觀，構(gòu)建成分距離關(guān)系圖特征向量；步驟3、根據(jù)所述成分距離關(guān)系圖特征向量得到表示整個(gè)待跟蹤目標(biāo)表觀的矩陣，并計(jì)算所述表示整個(gè)待跟蹤目標(biāo)表觀的矩陣到2D?PCA(二維主成分分析)子空間的距離；步驟4、根據(jù)所述距離獲得每個(gè)候選目標(biāo)狀態(tài)的評(píng)價(jià)值，將最大評(píng)價(jià)值對(duì)應(yīng)的候選目標(biāo)狀態(tài)作為目標(biāo)的跟蹤狀態(tài)；步驟5、更新2D?PCA子空間，并進(jìn)行下一幀目標(biāo)的跟蹤。
【專利說明】一種基于成分距離關(guān)系圖的視頻目標(biāo)跟蹤方法【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及計(jì)算機(jī)視覺領(lǐng)域，特別涉及一種基于成分距離關(guān)系圖的視頻目標(biāo)跟蹤(Visual Object Tracking)方法。
【背景技術(shù)】
[0002]作為計(jì)算機(jī)視覺的一個(gè)重要研究領(lǐng)域，目標(biāo)跟蹤在一段視頻上對(duì)目標(biāo)的特征采用一定的模型來進(jìn)行描述，并通過一定的搜索策略來對(duì)目標(biāo)狀態(tài)進(jìn)行搜索。一般來講，目標(biāo)跟蹤的結(jié)果是得到目標(biāo)在各個(gè)時(shí)刻的狀態(tài)。目標(biāo)跟蹤在計(jì)算機(jī)視覺的許多方面都有重大的應(yīng)用，比如行為理解和人機(jī)交互等。
[0003]目標(biāo)跟蹤有兩個(gè)比較重要的研究?jī)?nèi)容，搜索策略和表觀建模。搜索策略是指給定目標(biāo)的歷史信息，如何搜索到新的狀態(tài)或候選狀態(tài)。常用的搜索策略有均值漂移、卡爾曼濾波以及粒子濾波等。其中均值漂移和卡爾曼濾波屬于確定性搜索，即給定歷史信息以及當(dāng)前表觀信息的情況下，當(dāng)前的目標(biāo)狀態(tài)是確定的。粒子濾波屬于隨機(jī)性搜索，即給定歷史信息以及當(dāng)前表觀信息，用采樣的方式搜索目標(biāo)可能的狀態(tài)。表觀建模在跟蹤中也具有很重要的意義。一般表觀模型可分為判別式表觀模型和產(chǎn)生式表觀模型。判別式表觀模型主要考慮的是如何將前景與背景有效的分開，而產(chǎn)生式模型主要考慮目標(biāo)自身的表觀信息。根據(jù)前景與背景的差異，判別式表觀模型可較好的處理漂移等問題。但是當(dāng)背景變化劇烈的時(shí)候，依據(jù)判別式模型可能會(huì)得到不正確的判別信息，從而導(dǎo)致跟蹤失敗。相對(duì)于判別式表觀模型，產(chǎn)生式表觀模型受背景影響較小。通過有效利用目標(biāo)自身表觀的歷史信息，產(chǎn)生式表觀模型可對(duì)目標(biāo)進(jìn)行有效的跟蹤。
[0004]在產(chǎn)生式表觀模型中，許多方法并不計(jì)算目標(biāo)各組成成分間的距離信息，而有效的利用此距離信息可更好的描述目標(biāo)各組成成分間的關(guān)系，對(duì)光照變化具有較好的魯棒性。

【發(fā)明內(nèi)容】

[0005](一 )要解決的技術(shù)問題
[0006]本發(fā)明的目的在于提出一種新的特征，使其對(duì)跟蹤中的光照問題魯棒，同時(shí)對(duì)遮擋等問題也可較好的處理。
[0007]( 二 )技術(shù)方案
[0008]為了實(shí)現(xiàn)上述目的，本發(fā)明提出一種基于距離的表觀模型，通過計(jì)算目標(biāo)各組成成分之間的距離信息，對(duì)光照變化具有較好的魯棒性。
[0009]本發(fā)明提出的一種基于成分距離關(guān)系圖特征的目標(biāo)跟蹤方法，其包括:
[0010]步驟1、對(duì)于待跟蹤目標(biāo)所在的視頻，采用粒子濾波方法采樣一定數(shù)目的粒子，作為候選目標(biāo)狀態(tài)；
[0011]步驟2、對(duì)于每個(gè)所述候選目標(biāo)狀態(tài)對(duì)應(yīng)的表觀，構(gòu)建成分距離關(guān)系圖特征向量；
[0012]步驟3、根據(jù)所述成分距離關(guān)系圖特征向量得到表示整個(gè)待跟蹤目標(biāo)表觀的矩陣，并計(jì)算所述表示整個(gè)待跟蹤目標(biāo)表觀的矩陣到2D PCA子空間的距離；
[0013]步驟4、根據(jù)所述距離獲得每個(gè)候選目標(biāo)狀態(tài)的評(píng)價(jià)值，將最大評(píng)價(jià)值對(duì)應(yīng)的候選目標(biāo)狀態(tài)作為目標(biāo)的跟蹤狀態(tài)；
[0014]步驟5、更新2D PCA子空間，并進(jìn)行下一幀目標(biāo)的跟蹤。
[0015](三)有益效果
[0016]本發(fā)明所提出的基于成分距離關(guān)系圖的跟蹤方法，通過計(jì)算目標(biāo)各部分間的距離信息可使跟蹤對(duì)光照比較魯棒。同時(shí)，所提出的基于熵的計(jì)算局部化尺度參數(shù)的方法，可得到更有判別力的特征，從而更精確得確定目標(biāo)的狀態(tài)。
【專利附圖】

【附圖說明】
[0017]圖1是本發(fā)明中基于成分距離關(guān)系圖的視頻目標(biāo)跟蹤方法的流程圖；
[0018]圖2(a)是本發(fā)明的目標(biāo)狀態(tài)及一個(gè)目標(biāo)塊的示意圖；
[0019]圖2(b)是圖2(a)中所示目標(biāo)塊的基于行紋理距離得到的行之間的關(guān)系圖。
【具體實(shí)施方式】
[0020]為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對(duì)本發(fā)明作進(jìn)一步的詳細(xì)說明。
[0021]本發(fā)明的方法具體運(yùn)行的硬件和編程語言并不受限制，用任何語言編寫都可以實(shí)現(xiàn)本發(fā)明的方法。本發(fā)明采用一臺(tái)CPU頻率為2.53GHz內(nèi)存為2G的電腦，并用C++語言來編程實(shí)現(xiàn)本發(fā)明的方法。
[0022]圖1示出了本發(fā)明提供的基于成分距離關(guān)系圖的視頻目標(biāo)跟蹤方法的流程圖。如圖1所示，該方法包括:
[0023]步驟1:對(duì)于待跟蹤目標(biāo)所在的視頻，采用粒子濾波方法采樣一定數(shù)目的粒子。
[0024]步驟2:對(duì)各粒子對(duì)應(yīng)的表觀(當(dāng)前觀測(cè)值，即圖像)，構(gòu)建成分距離關(guān)系圖特征(描述行紋理之間的距離)，并利用2D PCA進(jìn)行評(píng)價(jià)。
[0025]步驟3:更新2D PCA子空間。
[0026]步驟4:選擇最有判別力的特征。
[0027]下面詳細(xì)給出本發(fā)明技術(shù)方案中所涉及的各個(gè)步驟。
[0028]步驟1:對(duì)于待跟蹤目標(biāo)所在的視頻，采用粒子濾波方法采樣一定數(shù)目的粒子。在粒子濾波方法中，定義xt+1為t+1時(shí)刻目標(biāo)在視頻幀的圖像上的位置和尺寸狀態(tài)信息(如圖2(a))，0t+1為t+Ι時(shí)刻視頻中目標(biāo)所呈現(xiàn)的表觀，表觀表示當(dāng)前觀測(cè)值，即圖像。那么給定表觀序列01:t+1，目標(biāo)狀態(tài)Xt+1的后驗(yàn)貝葉斯概率為
【權(quán)利要求】
1.一種基于成分距離關(guān)系圖特征的目標(biāo)跟蹤方法，其包括:步驟1、對(duì)于待跟蹤目標(biāo)所在的視頻，采用粒子濾波方法采樣一定數(shù)目的粒子，作為候選目標(biāo)狀態(tài)；步驟2、對(duì)于每個(gè)所述候選目標(biāo)狀態(tài)對(duì)應(yīng)的表觀，構(gòu)建成分距離關(guān)系圖特征向量；步驟3、根據(jù)所述成分距離關(guān)系圖特征向量得到表示整個(gè)待跟蹤目標(biāo)表觀的矩陣，并計(jì)算所述表示整個(gè)待跟蹤目標(biāo)表觀的矩陣到2D PCA子空間的距離；步驟4、根據(jù)所述距離獲得每個(gè)候選目標(biāo)狀態(tài)的評(píng)價(jià)值，將最大評(píng)價(jià)值對(duì)應(yīng)的候選目標(biāo)狀態(tài)作為目標(biāo)的跟蹤狀態(tài)；步驟5、更新2D PCA子空間，并進(jìn)行下一幀目標(biāo)的跟蹤。
2.如權(quán)利要求1所述的方法，其中步驟2中，所述成分距離關(guān)系圖特征向量如下構(gòu)建:將每個(gè)候選目標(biāo)狀態(tài)對(duì)應(yīng)的表觀進(jìn)行分塊，對(duì)于每一個(gè)分塊計(jì)算其行與行之間的紋理間距，任意兩行之間的紋理間距構(gòu)成了該分塊的成分距離關(guān)系圖向量，其中所述紋理間距如下計(jì)算:
3.如權(quán)利要求2所述的方法，其中步驟5具體為:對(duì)目標(biāo)塊(i，j)，定義為當(dāng)前幀最大評(píng)價(jià)值對(duì)應(yīng)的候選目標(biāo)狀態(tài)所對(duì)應(yīng)的目標(biāo)塊的成分距離關(guān)系圖向量特征，如果llfw—屯則認(rèn)為此塊未污染，α是一個(gè)常數(shù)，如果未污染的目標(biāo)塊數(shù)大于一個(gè)閾值，則保存目標(biāo)的成分距離關(guān)系圖向量特征，每保存五幀的樣本，則更新一次2D PCA子空間。
4.如權(quán)利要求3所述的方法，其中，2DPCA子空間如下更新:指定?Λ1/。)，k) = 1，2 為 f0 = Ο,.*., η 的協(xié)方差，D^K i0 = 1, 2 為第 n 幀后保存的5幀樣本的協(xié)方差，η為自然數(shù)，則當(dāng)前樣本協(xié)方差用如下增量方式計(jì)算:
5.如權(quán)利要求4所述的方法，其中，所述局部化尺度參數(shù)包括多個(gè)候選值，步驟2中采用最有判別力的局部化尺度參數(shù)評(píng)價(jià)候選目標(biāo)狀態(tài)。
6.如權(quán)利要求5所述的方法，其中，如下選擇最有判別力的局部化尺度參數(shù):對(duì)于局部化尺度參數(shù)1,定義為第^個(gè)粒子對(duì)應(yīng)的評(píng)價(jià)值，NP為粒子數(shù)目，f/職與(/―分別為gh，n = 0,.\ — 1中最大的與最小的評(píng)價(jià)值，定義
7.如權(quán)利要求2所述的方法，其中，整個(gè)待跟蹤目標(biāo)表觀的矩陣如下所示:
8.如權(quán)利要求7所述的方法，其中，所述表示整個(gè)待跟蹤目標(biāo)表觀的矩陣到2DPCA子空間的距離如下所示:
9.如權(quán)利要求8所述的方法，其中，每個(gè)候選目標(biāo)狀態(tài)的評(píng)價(jià)值如下計(jì)算:
【文檔編號(hào)】G06T7/20GK103646407SQ201310739297
【公開日】2014年3月19日 申請(qǐng)日期:2013年12月26日 優(yōu)先權(quán)日:2013年12月26日
【發(fā)明者】胡衛(wèi)明, 馬林, 興軍亮 申請(qǐng)人:中國科學(xué)院自動(dòng)化研究所