本發(fā)明涉及安防系統(tǒng)技術(shù)領(lǐng)域，特別是涉及一種基于HIS空間的目標(biāo)跟蹤方法。

背景技術(shù)：

在視頻監(jiān)控的物體識別領(lǐng)域中，需要對各種復(fù)雜的環(huán)境下的運功目標(biāo)進(jìn)行有效跟蹤?，F(xiàn)有的目標(biāo)跟蹤方法有很多種，其中Mean shift是一種基于密度梯度的無參數(shù)估計方法，Mean Shift算法一般是指一個迭代的步驟，即先算出當(dāng)前點的偏移均值，移動該點到其偏移均值，然后以此為新的起始點，繼續(xù)移動，直到滿足一定的條件結(jié)束，目標(biāo)最終會在數(shù)次的迭代計算后收斂到真實位置，從而達(dá)到跟蹤的目的。該方法實時性較好，利于跟蹤。在不同的特征空間中，由于其特征信息的不同，視頻目標(biāo)跟蹤的結(jié)果也相差較大；選擇一個合適的特征空間也非常重要，由于HSI彩色空間具有與人類視覺感知過程類似的原理，三個分量獨立不相關(guān)，且對色調(diào)的計算過程和空間坐標(biāo)表示形式簡單，計算量相對較小，所以很多研究人員都選擇在HSI彩色空間下，對視頻目標(biāo)進(jìn)行跟蹤。

但是，在HSI彩色空間下的跟蹤過程中發(fā)現(xiàn)一些問題，當(dāng)目標(biāo)區(qū)域飽和度很低時，抗噪聲干擾能力較差，跟蹤目標(biāo)很容易丟失；且Mean shift算法一般依據(jù)目標(biāo)初始大小采用固定的窗寬，當(dāng)目標(biāo)存在明顯尺度變化，尤其是當(dāng)目標(biāo)尺寸逐漸增大以至超出帶寬范圍，固定不變的窗寬常常會導(dǎo)致目標(biāo)的丟失。

技術(shù)實現(xiàn)要素：

鑒于以上所述現(xiàn)有技術(shù)的缺點，本發(fā)明的目的在于提供一種基于HIS空間的目標(biāo)跟蹤方法，用于解決HSI空間中噪聲對低飽和度時的色調(diào)特征矢量影響較大、導(dǎo)致跟蹤失效的問題。

為實現(xiàn)上述目的，本發(fā)明采用以下方案：一種基于HIS空間的目標(biāo)跟蹤方法，包括以下步驟：步驟1)，選擇HIS為特征空間，用特征空間中特征概率表示目標(biāo)，其中，以色調(diào)H、飽和度S和強度I三個分量作為目標(biāo)子特征，并計算飽和度S和強度I子特征概率；步驟2)，選定模糊隸屬函數(shù)對色調(diào)H特征矢量進(jìn)行模糊增強，并設(shè)定飽和度閾值，定義一個模糊集“白色”來描述飽和度小于閾值的色調(diào)H特征，定義模糊集“彩色”為“白色”的補集；步驟3)，逐點判斷目標(biāo)區(qū)域的飽和度是否小于設(shè)定的飽和度閾值，若是，則將飽和度小于閾值的色調(diào)H單獨作為一類特征統(tǒng)計，并計算色調(diào)H子特征概率，再采用Mean Shift算法進(jìn)行目標(biāo)定位；若否，則直接采用Mean Shift算法進(jìn)行目標(biāo)定位。

作為本發(fā)明的基于HIS空間的目標(biāo)跟蹤方法的一種優(yōu)選方案，在步驟1)中，計算飽和度S和強度I子特征概率包括以下步驟：步驟1-1)，將每個子特征色調(diào)H、飽和度S和強度I化分為U份(u＝1,...U)，目標(biāo)模型子特征第u個特征值概率表示為：其中，X表示所選的子特征色調(diào)H、飽和度S和強度I，x₀,x_i分別表示選定目標(biāo)區(qū)域的中心坐標(biāo)和目標(biāo)區(qū)域內(nèi)的任意點；h為窗函數(shù)帶寬，k(x)是窗函數(shù)K(x)的剖面函數(shù)，其中，K(x)＝k(||x||²)；δ[b(x_i)-u]為一維delta函數(shù)，判斷目標(biāo)區(qū)域中像素點x_i在子特征空間量化的對應(yīng)值b(x_i)是否為u，若是，則為1，若否，則為0，C為標(biāo)準(zhǔn)化常量系數(shù)，使得即：步驟1-2)，計算目標(biāo)區(qū)域特征概率，也即為相應(yīng)各子特征的概率乘積：

作為本發(fā)明的基于HIS空間的目標(biāo)跟蹤方法的一種優(yōu)選方案，在步驟2)中選定的模糊隸屬函數(shù)為：其中，式中x即當(dāng)前點的飽和度；設(shè)定飽和度閾值為0.1；α,β的取值分別為0.01和0.1；所述模糊集“彩色”可以表示為：color(x)＝1-s(x)。

作為本發(fā)明的基于HIS空間的目標(biāo)跟蹤方法的一種優(yōu)選方案，采用模糊增強后的目標(biāo)模型色調(diào)H子特征概率為：

作為本發(fā)明的基于HIS空間的目標(biāo)跟蹤方法的一種優(yōu)選方案，在步驟3)中，當(dāng)目標(biāo)區(qū)域中點的飽和度小于閾值時，將飽和度小于閾值的色調(diào)H單獨作為一類特征統(tǒng)計，并計算色調(diào)H子特征概率，包括步驟：步驟3-1)，將飽和度小于閾值的點劃分到色調(diào)H分量，并設(shè)原有色調(diào)H分量的取值范圍是0-1，共有U個區(qū)間；步驟3-2)，新增第U+1個區(qū)間，并將飽和度低于閾值的這些特征點統(tǒng)計到第U+1區(qū)間；步驟3-3)，計算色調(diào)H分量的第U+1個特征值的概率：

作為本發(fā)明的基于HIS空間的目標(biāo)跟蹤方法的一種優(yōu)選方案，在步驟3)中，采用MeanShift算法進(jìn)行目標(biāo)定位的步驟包括：步驟3-4)，利用“巴氏系數(shù)”作為相似度函數(shù)來描述目標(biāo)模型與候選模型的相似程度，也即尋找最優(yōu)的y，使得p_u(y)與最相似，所述“巴氏系數(shù)”表示為：其中，p_u(y)為候選目標(biāo)模型的概率密度，為目標(biāo)模型的概率密度；步驟3-5)，在當(dāng)前幀的目標(biāo)候選區(qū)域計算其相似系數(shù)，選擇取得最大相似數(shù)的點為該幀的目標(biāo)中心，從而可以推導(dǎo)出核從當(dāng)前位置移向新位置獲得Mean Shift向量，即目標(biāo)在當(dāng)前幀中的偏移量，如式：

其中，g(x)＝-k′(x)，w_i為權(quán)重，步驟3-6)，通過數(shù)次迭代計算的值，當(dāng)前后兩次迭代值小于某一個閾值時即可確定跟蹤目標(biāo)在當(dāng)前幀的位置。

作為本發(fā)明的基于HIS空間的目標(biāo)跟蹤方法的一種優(yōu)選方案，候選目標(biāo)模型的概率密度p_u(y)表示為：其中，y,x_i分別表示候選區(qū)域的中心坐標(biāo)和候選區(qū)域內(nèi)的任意點。

作為本發(fā)明的基于HIS空間的目標(biāo)跟蹤方法的一種優(yōu)選方案，所述目標(biāo)跟蹤方法還包括對跟蹤目標(biāo)窗口尺度的自適應(yīng)調(diào)整。

作為本發(fā)明的基于HIS空間的目標(biāo)跟蹤方法的一種優(yōu)選方案，所述跟蹤目標(biāo)窗口尺度的自適應(yīng)調(diào)整選取新的度量函數(shù)，也即絕對值誤差累計系數(shù)ρ，所述ρ表述為：

作為本發(fā)明的基于HIS空間的目標(biāo)跟蹤方法的一種優(yōu)選方案，所述跟蹤目標(biāo)窗口尺度的自適應(yīng)調(diào)整步驟包括：步驟a)，取Δh＝0.05h_pre，計算h＝h_pre和h＝h_pre±Δh時對應(yīng)的系數(shù)ρ，其中，h為當(dāng)前窗寬，h_pre為是前一幀的窗寬；步驟b)，計算h＝h_pre±2Δh時對應(yīng)的系數(shù)ρ；步驟c)，對比五種窗寬下對應(yīng)的系數(shù)，并選取誤差系數(shù)最小的窗寬作為當(dāng)前窗寬。

如上所述，本發(fā)明的基于HIS空間的目標(biāo)跟蹤方法，具有以下有益效果：

1、對HSI空間中色調(diào)特征矢量進(jìn)行模糊增強，降低噪聲對其干擾；

2、利用飽和度閾值方法進(jìn)一步抑制噪聲干擾，把低于飽和度閾值的點作為一類新的特征，將其量化到色調(diào)的一個新的指定區(qū)間，有效抑制噪聲對色調(diào)特征的干擾；

3、提出跟蹤過程中窗寬自適應(yīng)調(diào)整中新的度量函數(shù)，有效提高跟蹤窗自適應(yīng)變化的準(zhǔn)確性，并應(yīng)用于安防系統(tǒng)中的監(jiān)控與視頻分析中，得到了魯棒性更強的目標(biāo)跟蹤結(jié)果。

附圖說明

圖1顯示為本發(fā)明基于HIS空間的目標(biāo)跟蹤方法于一實施例中的流程示意圖。

圖2顯示為本發(fā)明基于HIS空間的目標(biāo)跟蹤方法于一實施例中采用Mean Shift算法進(jìn)行目標(biāo)定位的流程示意圖。

圖3顯示為本發(fā)明基于HIS空間的目標(biāo)跟蹤方法于一實施例中跟蹤目標(biāo)窗口尺度自適應(yīng)調(diào)整的流程示意圖。

元件標(biāo)號說明

S11～S15 步驟

S131～S133 步驟

S151～S153 步驟

S21～S23 步驟

具體實施方式

以下通過特定的具體實例說明本發(fā)明的實施方式，本領(lǐng)域技術(shù)人員可由本說明書所揭露的內(nèi)容輕易地了解本發(fā)明的其他優(yōu)點與功效。本發(fā)明還可以通過另外不同的具體實施方式加以實施或應(yīng)用，本說明書中的各項細(xì)節(jié)也可以基于不同觀點與應(yīng)用，在沒有背離本發(fā)明的精神下進(jìn)行各種修飾或改變。需說明的是，在不沖突的情況下，以下實施例及實施例中的特征可以相互組合。

需要說明的是，以下實施例中所提供的圖示僅以示意方式說明本發(fā)明的基本構(gòu)想，雖圖示中僅顯示與本發(fā)明中有關(guān)的組件而非按照實際實施時的組件數(shù)目、形狀及尺寸繪制，其實際實施時各組件的型態(tài)、數(shù)量及比例可為一種隨意的改變，且其組件布局型態(tài)也可能更為復(fù)雜。

請參閱圖1，為本發(fā)明基于HIS空間的目標(biāo)跟蹤方法于一實施例中的流程示意圖，本發(fā)明提供一種基于HIS空間的目標(biāo)跟蹤方法，所述目標(biāo)跟蹤方法包括以下步驟：

S11，選擇HIS為特征空間，用特征空間中特征概率表示目標(biāo)，其中，以色調(diào)H、飽和度S和強度I三個分量作為目標(biāo)子特征，并計算飽和度S和強度I子特征概率；

S12，選定模糊隸屬函數(shù)對色調(diào)H特征矢量進(jìn)行模糊增強，并設(shè)定飽和度閾值，定義一個模糊集“白色”來描述飽和度小于閾值的色調(diào)H特征，定義模糊集“彩色”為“白色”的補集；

S13，逐點判斷目標(biāo)區(qū)域的飽和度是否小于設(shè)定的飽和度閾值，若是，進(jìn)入步驟S14，則將飽和度小于閾值的色調(diào)H單獨作為一類特征統(tǒng)計，并計算色調(diào)H子特征概率，再進(jìn)行步驟S15，采用Mean Shift算法進(jìn)行目標(biāo)定位；若否，則直接進(jìn)行步驟S15，采用Mean Shift算法進(jìn)行目標(biāo)定位。

需要說明的是，由于噪聲的干擾，色調(diào)特征變化較大，所以在HSI彩色空間中，噪聲對色調(diào)特征的影響使得目標(biāo)匹配時出現(xiàn)錯誤進(jìn)而導(dǎo)致跟蹤目標(biāo)丟失。本發(fā)明的方案是將目標(biāo)區(qū)域中飽和度很低(飽和度小于閾值的色調(diào)H特征)的點劃分到白色這一類，通過增強處理使其更穩(wěn)定，并將其作為目標(biāo)區(qū)域的一個新特征，這樣則能增強其魯棒性，降低誤匹配，也就解決了由于噪聲對色調(diào)特征的干擾導(dǎo)致丟失目標(biāo)的問題。

作為示例，在S11中，進(jìn)行目標(biāo)特征提取，具體是計算飽和度S和強度I子特征概率：

首先，將每個子特征色調(diào)H、飽和度S和強度I化分為U份(u＝1,...U)，則目標(biāo)模型子特征第u個特征值概率表示為：

式(1)中，X表示所選的子特征色調(diào)H、飽和度S或強度I，x₀,x_i分別表示選定目標(biāo)區(qū)域的中心坐標(biāo)和目標(biāo)區(qū)域內(nèi)的任意點；h為窗函數(shù)帶寬，k(x)是窗函數(shù)K(x)的剖面函數(shù)，其中，K(x)＝k(||x||²)；δ[b(x_i)-u]為一維delta函數(shù)，判斷目標(biāo)區(qū)域中像素點x_i在子特征空間量化的對應(yīng)值b(x_i)是否為u，若是，則為1，若否，則為0，C為標(biāo)準(zhǔn)化常量系數(shù)，使得即：

然后，計算目標(biāo)區(qū)域特征概率，由于目標(biāo)跟蹤中用的是特征色調(diào)H、飽和度S和強度I三個子特征，因為這三個分量獨立不相關(guān)，所以目標(biāo)區(qū)域特征概率為相應(yīng)子特征的概率乘積：也即為相應(yīng)各子特征的概率乘積：

由于飽和度越小，越趨于白色，作為示例，在S12中選擇了如下模糊隸屬函數(shù)：

需要注意的是，這里的參數(shù)α,β的取值是根據(jù)實驗所得的經(jīng)驗值，通過大量的試驗分析發(fā)現(xiàn)，當(dāng)飽和度低于0.1時噪聲對色調(diào)的影響較大，當(dāng)飽和度小于0.01時影響非常大，因此本發(fā)明中設(shè)定飽和度閾值為0.1，此處α,β的取值分別為0.01和0.1，該參數(shù)是依據(jù)噪聲對不同飽和度下的色調(diào)干擾程度的不同設(shè)定，有普遍適用性；上式中x即當(dāng)前點的飽和度。定義模糊集“彩色”為“白色”的補集，即所述模糊集“彩色”表示為：

color(x)＝1-s(x)。 (5)

作為示例，采用模糊增強后的目標(biāo)模型色調(diào)H子特征概率為：

作為示例，在S13中，當(dāng)目標(biāo)區(qū)域中點的飽和度小于閾值時，將飽和度小于閾值的色調(diào)H單獨作為一類特征統(tǒng)計，并計算色調(diào)H子特征概率，包括以下具體步驟：

S131，逐點判斷目標(biāo)區(qū)域的飽和度，將飽和度小于閾值的點作為單獨的一類新特征，為了能在實驗中更方便處理，將這些點劃分到色調(diào)H分量，并設(shè)原有色調(diào)H分量的取值范圍是0-1，共有U個區(qū)間。

S132，新增一個區(qū)間即第U+1個區(qū)間，并將飽和度低于閾值的這些特征點統(tǒng)計到第U+1區(qū)間，這樣就不會影響原有H分量的統(tǒng)計。

S133，計算色調(diào)H分量的第U+1個特征值的概率：

綜上所述，選定目標(biāo)區(qū)域后，用公式(1)計算S和I子特征概率；判斷當(dāng)前點飽和度是否小于閾值，如果小于用公式(7)計算H子特征概率，否則用公式(6)計算；再用公式(2)計算特征概率。

作為示例，請參閱圖2，在S15中，采用Mean Shift算法進(jìn)行目標(biāo)定位的步驟包括：

S151，利用“巴氏系數(shù)”作為相似度函數(shù)來描述目標(biāo)模型與候選模型的相似程度，也即尋找最優(yōu)的y，使得p_u(y)與最相似，所述“巴氏系數(shù)”表示為：

式(8)中，p_u(y)為候選目標(biāo)模型的概率密度，為目標(biāo)模型的概率密度；需要注意的是，這里采用與目標(biāo)模型的概率密度相同的方法計算候選模型特征概率，則可以得到候選目標(biāo)模型的概率密度，p_u(y)表示為：

式(9)中，y,x_i分別表示候選區(qū)域的中心坐標(biāo)和候選區(qū)域內(nèi)的任意點。

S152，根據(jù)式(8)在當(dāng)前幀的目標(biāo)候選區(qū)域計算其相似系數(shù)，選擇取得最大相似數(shù)的點為該幀的目標(biāo)中心，從而可以推導(dǎo)出核從當(dāng)前位置移向新位置獲得Mean Shift向量，即目標(biāo)在當(dāng)前幀中的偏移量，表示如下：

式(10)中，g(x)＝-k′(x)，w_i為權(quán)重，

S153，根據(jù)式(10)，通過數(shù)次迭代計算的值，當(dāng)前后兩次迭代值小于某一個閾值時即可確定跟蹤目標(biāo)在當(dāng)前幀的位置。

作為示例，所述目標(biāo)跟蹤方法還包括對跟蹤目標(biāo)窗口尺度的自適應(yīng)調(diào)整。

作為示例，所述跟蹤目標(biāo)窗口尺度的自適應(yīng)調(diào)整選取新的度量函數(shù)，也即是絕對值誤差累計系數(shù)ρ，所述ρ表示為：

請參閱圖3，作為示例，所述跟蹤目標(biāo)窗口尺度的自適應(yīng)調(diào)整步驟包括：

步驟a)，為了計算的更為精確，取Δh＝0.05h_pre，計算h＝h_pre和h＝h_pre±Δh時對應(yīng)的系數(shù)ρ，其中，h為當(dāng)前窗寬，h_pre為是前一幀的窗寬，Δh為窗寬的位移量；

步驟b)，計算h＝h_pre±2Δh時對應(yīng)的系數(shù)ρ；

步驟c)，對比五種窗寬下對應(yīng)的系數(shù)，并選取誤差系數(shù)最小的窗寬作為當(dāng)前窗寬。

當(dāng)每次目標(biāo)窗口尺度的自適應(yīng)調(diào)整后，繼續(xù)進(jìn)行上述目標(biāo)跟蹤的步驟。

綜上所述，本發(fā)明的基于HIS空間的目標(biāo)跟蹤方法，首先對色調(diào)特征矢量進(jìn)行模糊增強，降低噪聲對其干擾；然后利用飽和度閾值方法進(jìn)一步抑制噪聲干擾，把低于飽和度閾值的點作為一類新的特征，將其量化到色調(diào)的一個新的指定區(qū)間，有效抑制噪聲對色調(diào)特征的干擾；同時提出跟蹤過程中窗寬自適應(yīng)調(diào)整中新的度量函數(shù)，有效提高跟蹤窗自適應(yīng)變化的準(zhǔn)確性，并應(yīng)用于安防系統(tǒng)中的監(jiān)控與視頻分析中。

上述實施例僅例示性說明本發(fā)明的原理及其功效，而非用于限制本發(fā)明。任何熟悉此技術(shù)的人士皆可在不違背本發(fā)明的精神及范疇下，對上述實施例進(jìn)行修飾或改變。因此，舉凡所屬技術(shù)領(lǐng)域中具有通常知識者在未脫離本發(fā)明所揭示的精神與技術(shù)思想下所完成的一切等效修飾或改變，仍應(yīng)由本發(fā)明的權(quán)利要求所涵蓋。