结合粒子滤波的时空上下文视频目标跟踪方法
【技术领域】
[0001 ]本发明设及视频图像目标捕捉领域，尤其设及一种结合粒子滤波的时空上下文视 频目标跟踪方法。
【背景技术】
[0002] 视频内目标跟踪作为计算机视觉领域的基本问题之一，是视频内目标识别、行为 识别等后续工作的基础，目前已经广泛应用于人们生活的多个方面。但是由于在常规的目 标跟踪过程中往往会遇到多种干扰因素甚至同时作用于目标，如形变，光照变化，遮挡W及 旋转等，因此开发一种高效且高鲁棒性的跟踪算法是一项艰难且有挑战性的工作。运就亟 需本领域技术人员解决相应的技术问题。
【发明内容】
[0003] 本发明旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种结合粒 子滤波的时空上下文视频目标跟踪方法。
[0004] 为了实现本发明的上述目的，本发明提供了一种结合粒子滤波的时空上下文视频 目标跟踪方法，包括如下步骤：
[0005] S1，读取第一帖视频数据，选定视频目标框，并初始化时空上下文特征模型和粒子 滤波特征模型；
[0006] S2,读取新一帖视频数据，通过时空上下文跟踪方法获取其中的特定视频目标结 果；
[0007] S3,采用置信度的变化趋势判定特定目标是否受到强干扰，如果检测到强干扰则 启用粒子滤波的方法对结果重新校准，从而得到更准确的视频目标跟踪结果；
[000引S4,使用最终得到的跟踪结果同时更新时空上下文特征模型和粒子滤波的特征模 型;跳转到S2。
[0009] 所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述S1包括：
[0010] 运里使用颜色直方图建模的粒子滤波作为时空上下文跟踪算法的后备修正算法 的原因有五;其一，颜色直方图计算简便，速度快，效果好;其二，使用颜色直方图建模具有 尺度适应性，能更好的和时空上下文跟踪算法配合;其Ξ，在视频目标跟踪过程中会遇到各 种各样的干扰因素，如背景混乱，形变，尺度变化等，而更常见的是多种干扰因素同时作用 于待跟踪目标，运时粒子滤波具有比Kalman滤波更强的抗干扰能力；其四，时空上下文跟踪 算法本身是一个鲁棒性较高、速度快的跟踪算法，只有遇到非常强烈的干扰时才会出现跟 踪飘移W致丢失的情况，运种强烈的干扰一般有运动模糊、快速运动、快速的面内旋转等， 而颜色直方图建模不关屯、像素坐标，对于运些干扰具有天然的抗性，可有效的修正跟踪结 果；其五，时空上下文跟踪算法属于局部候选捜索算法，粒子滤波则是全局候选捜索算法， 故而当视频目标由于强干扰导致跟踪丢失时，粒子滤波可凭借全局捜索的优势重新找回丢 失的目标并恢复该跟踪。
[0011] 所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述SI包括：
[0012] 由于该算法属于半监督算法，第一帖的视频目标必须手工选取，然后该手工选择 的视频目标框将被用于构建初始的时空上下文的特征模型和粒子滤波的特征模型。
[0013] 所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述S2包括：
[0014] 通过时空上下文跟踪算法公式计算每一帖的空间上下文：
[0015]
[0016] 其牛
为标准置信度矩阵；b为归一化常数，α为尺度常量2.25;β为形状参 数，为了保证形状曲线既不会过度平滑又不会太过尖锐，最后选取β=1可得到最合适的曲 线;hse(X)为待求的当前帖的空间上下文;ρ(χ)为已知的当前帖的上下文先验概率模型;X为 某一像素点的坐标，X嗦示跟踪目标中屯、坐标，Χ-Χ嗦示X像素到目标中屯、的欧式距离，Ι(χ) 代表经过归一化处理的X坐标处的像素强度;σ为目标尺度因子；
对高斯权重函数， 运是受到生物视觉系统中越靠近目标中屯、的内容越重要运一观点激发而进行建模的，根据 靠近目标中屯、的距离不同生成不同的权重值，即越靠近目标权重越高;最后可使用FFT加速 hSK(x)的计算，最终计算hSK(x)的公式下：
[0017]
[0018] 由此计算得到的当前帖的空间上下文模型，代表了当前帖不同像素间的相对空间 关系。
[0019] 所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述S2还包括：
[0020] 通过时空上下文跟踪算法计算当次的跟踪置信图及跟踪结果，其公式如下
[0021]
[0022] 其中mt(x)为待求的第t帖的预测的置信图，//;"'切为第t帖预测用的时空上下文模型，是 经过时间低通滤波处理的特殊的空间上下文模型，Pt(x)为
计算得到的第t帖的上下文先验概率模型，利用FFT加速运算，其最终的计算公式如下：
[0023]
[0024] 其中Θ代表点乘运算，进而得到第t帖的预测置信图矩阵，取此矩阵的最大置信度 值及其对应坐标作为第t帖的预测置信度及跟踪目标中屯、点坐标，其计算公式如下：
[0025]
[0026] 所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述S3还包括：
[0027] 采用分类器判别度的变化趋势来判定目标是否被遮挡的，其公式为：
[002引
，
[0029] 其中护1表示已经得知第k-1帖的分类器判别度，同理#表示预测的第k帖的分类 器判别度，ξ是设定的阔值，
[0030] 对公??
加 W改进，采用置信度变化趋势作为检测基准，使其不仅能 够对遮挡检测，而且能够作为强干扰的通用检测；同时上述公式只使用待跟踪的第k帖和第 k-1帖进行了比较，为了避免出现过度判断强干扰的情况，对此，对公式
化W 改进，改进后的公式为：
[0031]
[00创其中cmean表示第k-l，k-2-k-m帖的平均置信度，C嗦示第k帖的置信度;使用前m帖 的平均置信度作为基准，W此来判断第k帖的置信度下降幅度是否超过了阔值，运样能够有 效避免过度判断强干扰的情况。
[0033] 所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述S3还包括：
[0034] 如果待跟踪的第k帖的置信度相比于前m帖平均置信度下降幅度超过了设定的 30%的阔值，即认为视频目标受到了强烈的干扰，此时时空上下文目标跟踪算法直接得到 的结果已经不可信，并立即启用粒子滤波对结果进行修正生成最终结果。
[0035] 所述的结合粒子滤波的时空上下文视频目标跟踪算法，优选的，所述S4还包括：
[0036] 为了保证时空上下文特征模型和粒子滤波的特征模型能时刻学习最新最有效的 特征，W便有利于接下来的跟踪;该算法将使用当前帖跟踪得到的最终结果同时更新两个 特征模型，而无关该结果是直接来自于时空上下文跟踪得到还是经过粒子滤波校正后的；
[0037] 时空上下文跟踪算法的特征模型的更新:使用
爵到的第t 帖的空间上下文模型来更新第t+1帖的时空上下文模型，公式如下：
[00；3 引
[0039] 其中P为学习参数，P值越大更新速度越快，保留之前的特征也越少；/：/二为待求第 t+1帖的时空上下文模型，iff为第t帖的时空上下文模型，皆6为第t帖的空间上下文模型。
[0040] 综上所述，由于采用了上述技术方案，本发明的有益效果是：
[0041] 本发明提出的算法在面对强干扰时，依然可W完成较为稳定的跟踪，具有更高的 鲁棒性。
[0042] 本发明的附加方面和优点将在下面的描述中部分给出，部分将从下面的描述中变 得明显，或通过本发明的实践了解到。
【附图说明】
[0043] 本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得 明显和容易理解，其中：
[0044] 图1是本发明总体流程示意图。
【具体实施方式】
[0045] 下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终 相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附 图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。
[0046] 在本发明的描述中，需要理解的是，术语"纵向"、"横向"、"上"、"下"、"前