基于HIS空间的目标跟踪方法与流程

技术特征：

1.一种基于HIS空间的目标跟踪方法，其特征在于，所述目标跟踪方法包括步骤：

步骤1)，选择HIS为特征空间，用特征空间中特征概率表示目标，其中，以色调H、饱和度S和强度I三个分量作为目标子特征，并计算饱和度S和强度I子特征概率；

步骤2)，选定模糊隶属函数对色调H特征矢量进行模糊增强，并设定饱和度阈值，定义一个模糊集“白色”来描述饱和度小于阈值的色调H特征，定义模糊集“彩色”为“白色”的补集；

步骤3)，逐点判断目标区域的饱和度是否小于设定的饱和度阈值，若是，则将饱和度小于阈值的色调H单独作为一类特征统计，并计算色调H子特征概率，再采用Mean Shift算法进行目标定位；若否，则直接采用Mean Shift算法进行目标定位。

2.根据权利要求1所述的基于HIS空间的目标跟踪方法，其特征在于，在步骤1)中，计算饱和度S和强度I子特征概率包括步骤：

步骤1-1)，将每个子特征色调H、饱和度S和强度I化分为U份(u＝1,...U)，目标模型子特征第u个特征值概率表示为：

$q_u^X\left(x_0\right)=C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}k\left(\right|\left|\frac{x_0-x_i}{h}\right|{|}^2)\mathrm{\δ}\[b\left(x_i\right)-u\]$

其中，X表示所选的子特征色调H、饱和度S和强度I，x₀,x_i分别表示选定目标区域的中心坐标和目标区域内的任意点；h为窗函数带宽，k(x)是窗函数K(x)的剖面函数，其中，K(x)＝k(||x||²)；δ[b(x_i)-u]为一维delta函数，判断目标区域中像素点x_i在子特征空间量化的对应值b(x_i)是否为u，若是，则为1，若否，则为0，C为标准化常量系数，使得即：

步骤1-2)，计算目标区域特征概率，也即为相应各子特征的概率乘积：

$q_u\left(x_0\right)=q_u^H\left(x_0\right)*q_u^S\left(x_0\right)*q_u^I\left(x_0\right).$

3.根据权利要求2所述的基于HIS空间的目标跟踪方法，其特征在于，在步骤2)中选定的模糊隶属函数为：

$s\left(x\right)=\left\{\begin{array}{cc}1& x\≤\mathrm{\α}\\ 1-2{\left(\frac{x-\mathrm{\α}}{\mathrm{\β}-\mathrm{\α}}\right)}^2& \mathrm{\α}\<x\≤\frac{\mathrm{\α}+\mathrm{\β}}{2}\\ 2{\left(\frac{x-\mathrm{\β}}{\mathrm{\β}-\mathrm{\α}}\right)}^2& \frac{\mathrm{\α}+\mathrm{\β}}{2}\<x\≤\mathrm{\β}\\ 0& x\>\mathrm{\β}\end{array}\right.$

其中，式中x即当前点的饱和度；设定饱和度阈值为0.1；α,β的取值分别为0.01和0.1；所述模糊集“彩色”表示为：color(x)＝1-s(x)。

4.根据权利要求3所述的基于HIS空间的目标跟踪方法，其特征在于，采用模糊增强后的目标模型色调H子特征概率为：

$q_u^H\left(x_0\right)=C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}k\left(\right|\left|\frac{x_0-x_i}{h}\right|{|}^2)\mathrm{\δ}\[H\left(x_i\right)-u\]*color\left(x\right).$

5.根据权利要求4所述的基于HIS空间的目标跟踪方法，其特征在于，在步骤3)中，当目标区域中点的饱和度小于阈值时，将饱和度小于阈值的色调H单独作为一类特征统计，并计算色调H子特征概率，包括步骤：

步骤3-1)，将饱和度小于阈值的点划分到色调H分量，并设原有色调H分量的取值范围是0-1，共有U个区间；

步骤3-2)，新增第U+1个区间，并将饱和度低于阈值的这些特征点统计到第U+1区间；

步骤3-3)，计算色调H分量的第U+1个特征值的概率：

$q_{U+1}^H\left(x_0\right)=C\underset{i=1}{\overset{n}{\Σ}}k\left(\right|\left|\frac{x_0-x_i}{h}\right|{|}^2)*color\left(x\right).$

6.根据权利要求1所述的基于HIS空间的目标跟踪方法，其特征在于，在步骤3)中，采用Mean Shift算法进行目标定位的步骤包括：

步骤3-4)，利用“巴氏系数”作为相似度函数来描述目标模型与候选模型的相似程度，也即寻找最优的y，使得p_u(y)与最相似，所述“巴氏系数”表示为：

$\mathrm{\ρ}\left(y\right)=\mathrm{\ρ}\[p\left(y\right),\hat{q}\]=\underset{u=1}{\overset{m}{\Σ}}\sqrt{p_u\left(y\right){\hat{q}}_u}$

其中，p_u(y)为候选目标模型的概率密度，为目标模型的概率密度；

步骤3-5)，在当前帧的目标候选区域计算其相似系数，选择取得最大相似数的点为该帧的目标中心，从而可以推导出核从当前位置移向新位置获得Mean Shift向量，即目标在当前帧中的偏移量，如式：

${\hat{y}}_1=\frac{\underset{i=1}{\overset{n_h}{\Σ}}{x}_i{w}_{i}g\left(\right|\left|\frac{{\hat{y}}_0-x_i}{h}\right|{|}^2)}{\underset{i=1}{\overset{n_h}{\Σ}}{w}_{i}g\left(\right|\left|\frac{{\hat{y}}_0-x_i}{h}\right|{|}^2)}$

其中，g(x)＝-k′(x)，w_i为权重，

步骤3-6)，通过数次迭代计算的值，当前后两次迭代值小于某一个阈值时即可确定跟踪目标在当前帧的位置。

7.根据权利要求6所述的基于HIS空间的目标跟踪方法，其特征在于，候选目标模型的概率密度p_u(y)表示为：

$p_u\left(y\right)=C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}k\left(\right|\left|\frac{x_i-y}{h}\right|{|}^2)\mathrm{\δ}\[b\left(x_i\right)-u\]$

其中，y,x_i分别表示候选区域的中心坐标和候选区域内的任意点。

8.根据权利要求1所述的基于HIS空间的目标跟踪方法，其特征在于，所述目标跟踪方法还包括对跟踪目标窗口尺度的自适应调整。

9.根据权利要求8所述的基于HIS空间的目标跟踪方法，其特征在于，所述跟踪目标窗口尺度的自适应调整选取新的度量函数，也即绝对值误差累计系数ρ，所述ρ表述为：

$\mathrm{\ρ}=1-\underset{i=1}{\overset{u}{\Σ}}\left(abs\right(p_u-{\hat{q}}_u\left)\right).$

10.根据权利要求8所述的基于HIS空间的目标跟踪方法，其特征在于，所述跟踪目标窗口尺度的自适应调整步骤包括：

步骤a)，取Δh＝0.05h_pre，计算h＝h_pre和h＝h_pre±Δh时对应的系数ρ，其中，h为当前窗宽，h_pre为是前一帧的窗宽；

步骤b)，计算h＝h_pre±2Δh时对应的系数ρ；

步骤c)，对比五种窗宽下对应的系数，并选取误差系数最小的窗宽作为当前窗宽。