一種基于視頻的自適應分塊的目標跟蹤方法
【技術領域】
[0001] 本發(fā)明涉及一種基于視頻的自適應分塊的目標跟蹤方法。
【背景技術】
[0002] 視頻目標跟蹤是計算機視覺領域研宄的重要方向之一，融合了圖像處理、模式識 另IJ、自動控制等多項領域的知識，在視頻監(jiān)控、車輛導航以及機器人導航等方面有著廣泛的 應用。
[0003] Mean Shift算法是一種典型的基于區(qū)域的目標跟蹤算法，采用加權直方圖對目標 進行建模，對目標和候選目標的相似度函數(shù)進行一階泰勒近似并最終取梯度最優(yōu)化，得到 Mean Shift形式的位置向量，每一次迭代計算都會使目標朝著相似度高的位置移動。由于 該目標模型只保留了較少的空間信息，錯誤信息的積累會導致跟蹤的不精確，尤其目標發(fā) 生遮擋或者光照發(fā)生變化時，容易發(fā)生漂移甚至目標丟失的現(xiàn)象。
[0004] 將目標進行分塊再利用Mean Shift算法進行跟蹤有很大優(yōu)勢，因為目標未被遮擋 的部分保存了大量目標信息，通過這些信息的融合便可以進行目標跟蹤。考慮到周圍環(huán)境 和目標自身的影響，僅僅利用這些未被遮擋的圖像塊的顏色特征信息仍是不夠的，目標顏 色特征與其他特征的融合便由此得到了大量研宄。
[0005] SURF算法（Speeded Up Robust Features,加速穩(wěn)健特征）的尺度不變特征對旋 轉、尺度縮放和亮度變化具有不變性，本發(fā)明將該算法應用到視頻目標跟蹤中，通過對目標 自適應分塊并融合SURF特征可以更有效地描述目標，定位效果準確且自適應改變跟蹤窗 口大小。

【發(fā)明內容】

[0006] 針對上述問題，本發(fā)明提供一種基于視頻的自適應分塊的目標跟蹤方法，既能很 好地處理目標遮擋的狀況，又能在環(huán)境影響下精確定位目標，還能自適應改變跟蹤窗口大 小。
[0007] 為實現(xiàn)上述技術目的，達到上述技術效果，本發(fā)明通過以下技術方案實現(xiàn)：
[0008] -種基于視頻的自適應分塊的目標跟蹤方法，其特征在于，包括如下步驟：
[0009] S01 :獲取視頻流并轉化為圖像幀序列；
[0010] S02 :讀取一幅圖像并選取目標模板；
[0011] S03 :對目標模板進行初始化：
[0012] 03a)將目標模板進行分塊得到k個子圖像塊，其中，對目標模板按照兩種方式分 塊，分別是將目標模板橫向劃分為k個子圖像塊，以及將目標模板縱向劃分為k個子圖像 塊；
[0013] 03b)對每個子圖像塊建立直方圖模型向量#>_并計算選取目標SURF特征點，提取 目標周邊背景的特征直方圖，計算各子圖像塊的中心位置和尺寸信息；
[0014] 03c)初始化各子圖像塊權值A (k)為1/k ;
[0015] S04 :讀取下一幀圖像對選取的運動目標實施跟蹤，其中，目標初始位置為上一幀 圖像的目標位置，具體跟蹤如下：
[0016] 04a)計算候選目標與目標模板之間的相似度量函數(shù)>5(i)>獲得當前幀的目標位置 的中心位置y ;
[0017] 04b)對各子圖像塊權值X &)更新并判斷目標是否發(fā)生遮擋，其中，
[0018]
【主權項】
1. 一種基于視頻的自適應分塊的目標跟蹤方法，其特征在于，包括如下步驟： 501 :獲取視頻流并轉化為圖像幀序列； 502 :讀取一幅圖像并選取目標模板； 503 :對目標模板進行初始化： 03a)將目標模板進行分塊得到k個子圖像塊，其中，對目標模板按照兩種方式分塊，分 別是將目標模板橫向劃分為k個子圖像塊，以及將目標模板縱向劃分為k個子圖像塊； 03b)對每個子圖像塊建立直方圖模型向量，并計算選取目標SURF特征點，提取目標 周邊背景的特征直方圖，計算各子圖像塊的中心位置和尺寸信息； 〇3c)初始化各子圖像塊權值A &)為1/k ; 504 :讀取下一幀圖像對選取的運動目標實施跟蹤，其中，目標初始位置為上一幀圖像 的目標位置，具體跟蹤如下： 〇4a)計算候選目標與目標模板之間的相似度量函數(shù)獲得當前幀的目標位置的 中心位置y ; 〇4b)對各子圖像塊權值Xw更新并判斷目標是否發(fā)生遮擋，其中，
式中：a是用來表示圖像塊與背景相似度高低的數(shù)值大小，疋^表示第k個子圖像塊與 目標模板的相似度，表示第k個子圖像塊與背景的相似度； 04c)在跟蹤過程中，利用各子圖像塊權值計算確定哪一個圖像塊發(fā)生遮擋，自適應地 選取兩種分塊方式中遮擋圖像塊數(shù)最少的分塊方法； 04d)采用融合公式對有效圖像塊融合，利用分塊均值漂移算法對其進行跟蹤獲得初步 結果； 〇4e)根據(jù)提取到的SURF特征點校正目標的位置和尺度，得到跟蹤的最終結果； 505 :判斷是否繼續(xù)加載圖像幀，若是，則進入步驟S04開始下一幀圖像的跟蹤；否則， 進入步驟S06 ; 506 :將獲得的帶有跟蹤結果的圖像幀序列合成為視頻流輸出。
2. 根據(jù)權利要求1所述的一種用于視頻的自適應分塊的目標跟蹤方法，其特征在于， 所述k = 3。
3. 根據(jù)權利要求1所述的一種用于視頻的自適應分塊的目標跟蹤方法，其特征在于， 用Bhattacharyya系數(shù)計算候選目標與目標模板之間的相似度量函數(shù)產(chǎn) }:
式中：表示目標模板的顏色直方圖，表示候選目標模板的顏色直方圖，k表 示分塊數(shù)目，u和m為Bhattacharyya系數(shù)計算公式設定值，m是每個特征直方圖上的bin 數(shù)，A(y)表示候選目標的模型，元表示目標的顏色直方圖模型。
4. 根據(jù)權利要求3所述的一種用于視頻的自適應分塊的目標跟蹤方法，其特征在于， 當入(k)〈0.25時，則說明該圖像塊發(fā)生遮擋。
【專利摘要】本發(fā)明公開了一種基于視頻的自適應分塊的目標跟蹤方法，本發(fā)明的有益效果是：（1）構建了更加具有魯棒性的跟蹤目標動態(tài)模型的方法：設計自適應分塊方法，通過分塊、判斷遮擋、自適應融合三個步驟獲得魯棒的被跟蹤目標動態(tài)模型。（2）在復雜環(huán)境下更新待融合圖像塊的權重：在跟蹤過程中，考慮到背景對目標模板的影響，利用改進的權重計算方法更新待融合圖像塊的權重，以保證跟蹤的準確性。（3）對運動目標初步跟蹤結果進行校正：通過SURF特征匹配對初步跟蹤結果做校正，提高算法的跟蹤精度。既能很好地處理目標遮擋的狀況，又能在環(huán)境影響下精確定位目標，還能自適應改變跟蹤窗口大小。
【IPC分類】G06T7-20
【公開號】CN104820996
【申請?zhí)枴緾N201510236291
【發(fā)明人】范新南, 劉振興, 謝迎娟, 張卓, 馬金祥, 李敏, 陳偉, 汪耕任
【申請人】河海大學常州校區(qū)
【公開日】2015年8月5日
【申請日】2015年5月11日