一种基于加权分布场的目标跟踪方法
【专利摘要】本发明公开了一种基于加权分布场的目标跟踪方法，结合目标前景和背景信息的加权分布场目标表示方法，同时基于相关系数的模板匹配算法与提出的加权分布场目标表示结合，克服了原始分布场算法在跟踪过程中忽略背景等有用信息的缺点，排除了跟踪过程中目标的旋转、缩放，光照变化，快速运动，背景干扰等复杂场景的影响。
【专利说明】一种基于加权分布场的目标跟踪方法
【技术领域】
[0001]本发明属于模式识别和计算机视觉领域，具体涉及一种基于加权分布场的目标跟踪方法。
【背景技术】
[0002]目标跟踪是在一段视频序列中寻找与目标最相似区域的过程。视频分析的三个关键步骤分别是感兴趣区域的检测、运动目标的跟踪、目标行为的自动分析。其中，目标检测是目标跟踪的前提，而目标跟踪是进行模式识别或行为分析的基础。当前，高性能的计算机，高性价比的摄像机使视频目标的自动分析和监控的需求显著增加。总的来说，与视频序列跟踪技术有密切关系的应用领域主要有:
[0003](I)自动监控:监控一个场景，检测令人可疑的行为，它在商业、军事上有广泛的应用。
[0004](2)视频检索:在多媒体数据库中，感兴趣内容的自动提取和检索。
[0005](3)人机交互:比如姿势识别，眼睛运动的自动跟踪识别。
[0006](4)交通监控:如车流量的实时统计。
[0007](5)车辆导航:基于视频的自动驾驶和障碍物躲避。
[0008]虽然目标跟踪有着广泛的应用领域，但是它也是非常复杂的一个难题，原因主要有以下几点:
[0009](I)目标信息的损失。因为将三维目标投影成二维图像，不可避免地会损失一部分信息。
[0010](2)图像中的噪音对目标跟踪的干扰。
[0011](3)目标的复杂运动，使得一般的跟踪算法很难对其建立模型。
[0012](4)目标的非刚体运动，使得目标部分特征发生变化时，易造成目标跟丢。
[0013](5)场景的光照变化，改变了目标特征，使得跟踪器难以识别。
[0014](6)目标和背景相似时，一般的目标表示方法难以有效建模。
[0015](7)实时目标跟踪要求跟踪算法必须相对简单，占用尽可能少的系统资源，但是同时也可能降低跟踪效果。
[0016]为了简化问题，通常的跟踪算法总是假定目标的运动是光滑和渐变的。一些应用中甚至假设目标的尺寸和个数已知，或基于先验信息约束目标以恒定的速度或加速度运动。虽然这些算法在特定领域中可能会取得较好的结果，但是也降低了算法的通用性，不能适用于复杂情况下的目标跟踪。同样许多跟踪算法都假定初始目标能够较好地反映目标的特征。在实际中，初始的目标一般都需要通过某种方法检测，如果检测的区域包含较多噪音，那么即使再好的跟踪算法，也难以有效地进行跟踪目标。
[0017]传统的Mean Shift跟踪算法利用颜色或纹理直方图表示目标，对形变、姿势变化等不敏感，可以在一定程度上避免漂移。但是，直方图保存目标的空间信息有限，当目标与背景相似度较高时，该方法表现力下降。Viola等将采用积分图计算的Haar-1ike特征应用于人脸检测，具有实时性。鉴于Haar-Like特征在人脸检测领域的巨大成功，Babenko等通过构建多示例学习分类器，在线挑出能将目标和背景进行分离的判别式Haar-1ike特征集，用于表示目标，在目标跟踪领域取得了极大的影响。但是，Haar特征对边缘、线段等比较敏感，且只能描述特定走向的特征，因此表示目标具有一定的局限性。Tuzel等提出了协方差矩阵描述子，可以反映图像像素的内在关联程度，实现了目标多特征融合，对旋转、尺度缩放以及亮度变化都有很强的适应性，并将其成功应用于目标检测、跟踪和纹理分类中。但协方差描述子计算复杂度高，跟踪速度较慢。
[0018]在众多的跟踪方法中，一种称之为分布场(DFs)的算法由于其跟踪效果的准确性和鲁棒性受到了广泛的关注。首先通过对图像自然分层，分布场算法很好地保留了原始图像的基本信息；然后通过对图像各层以及层间进行高斯平滑，在目标表示中引入了 “模糊性”，在一定程度上克服了形变和光照等变化的影响，保证了算法的鲁棒性；最后，基于分布场的目标表示，该方法利用LI距离和梯度下降算法进行了跟踪。然而分布场算法没有考虑背景，忽略了很多有用的信息。
[0019]总的来说，由于跟踪过程中各种复杂场景的变化和不确定性，现有各种跟踪算法在效率、准确性、鲁棒性方面很难达到令人满意的效果。
【发明内容】
[0020]本发明解决的问题在于提供一种基于加权分布场的目标跟踪方法，能够解决跟踪过程中各种复杂场景的变化和不确定性，提高跟踪效率、准确性和鲁棒性。
[0021]本发明是通过以下技术方案来实现:
[0022]一种基于加权分布场的目标跟踪方法，包括以下步骤:
[0023]I)将视频图像转化为灰度图像，对于第一帧视频图像转化的灰度图像，利用Kronecker delta函数将其转化为一个分布场d ;然后对分层后的图像进行高斯平滑，包括X和y方向上的图像域平滑和第三维上的特征域平滑，高斯平滑后分布场各像素每一列积分为I ;
[0024]2)对第一帧图像进行手动标记目标位置:以一个矩形框划定目标区域，标记出矩形框左上角坐标(X，y)，以及矩形框的宽度、高度；并将目标模板设定为dt(i，j，k)，其中i和j分别索引图像的行和列，k表示所在的分布场的层数；
[0025]3)按照步骤I)的方法将目标所在帧之后的一帧视频图像转化为分布场；然后分别在目标区域周围选定目标候选区域，在距离目标区域一定距离的位置作为背景区域并采集大量背景样本，其中目标候选区域是位于目标区域和背景区域之间环形区域；背景样本在目标候选区域之外随机采集，大小与目标区域相同；
[0026]4)利用基于相关系数的模板匹配方法和加权分布场跟踪方法进行目标表示，并根据候选块区域的各分布场层与目标、与背景相应层的相似度，为有判别力的分布场层赋予更大的权重，与目标越相似，与背景越相异，则权重越大，反之则越小；然后对候选区域块与目标区域相应层的相关系数进行加权，与目标越相似，与背景越相异，则权重越大，反之则越小；最后各分布场层相关系数加权和最大的候选块即为目标位置；
[0027]5 )在目标位置下次定位之前对目标模板进行更新；
[0028]6)重复步骤3)到5)的方法，直到视频序列结束，完成跟踪。[0029]所述的步骤I)中是利用以下公式进行转化，将图像转换为一个分布场d:
[0030]
【权利要求】
1.一种基于加权分布场的目标跟踪方法，其特征在于:包括以下步骤: 1)将视频图像转化为灰度图像，对于第一帧视频图像转化的灰度图像，利用Kroneckerdelta函数将其转化为一个分布场d ;然后对分层后的图像进行高斯平滑，包括X和y方向上的图像域平滑和第三维上的特征域平滑，高斯平滑后分布场各像素每一列积分为I ; 2)对第一帧图像进行手动标记目标位置:以一个矩形框划定目标区域，标记出矩形框左上角坐标(x，y)，以及矩形框的宽度、高度；并将目标模板设定为dt(i，j，k)，其中i和j分别索引图像的行和列，k表示所在的分布场的层数； 3)按照步骤I)的方法将目标所在帧之后的一帧视频图像转化为分布场；然后分别在目标区域周围选定目标候选区域，在距离目标区域一定距离的位置作为背景区域并采集大量背景样本，其中目标候选区域是位于目标区域和背景区域之间环形区域；背景样本在目标候选区域之外随机采集，大小与目标区域相同； 4)利用基于相关系数的模板匹配方法和加权分布场跟踪方法进行目标表示，并根据候选块区域的各分布场层与目标、与背景相应层的相似度，为有判别力的分布场层赋予更大的权重，与目标越相似，与背景越相异，则权重越大，反之则越小；然后对候选区域块与目标区域相应层的相关系数进行加权，与目标越相似，与背景越相异，则权重越大，反之则越小；最后各分布场层相关系数加权和最大的候选块即为目标位置； 5)在目标位置下次定位之前对目标模板进行更新； 6)重复步骤3)到5)的方法，直到视频序列结束，完成跟踪。
2.根据权利要求1所述的基于加权分布场的目标跟踪方法，其特征在于:所述的步骤O中是利用以下公式进行转化，将图像转换为一个分布场d:
3.根据权利要求1所述的基于加权分布场的目标跟踪方法，其特征在于:所述的步骤O中高斯平滑是采用以下公式进行的:
4.根据权利要求1所述的基于加权分布场的目标跟踪方法，其特征在于:所述的步骤3)中背景样本在目标候选区域之外随机采集，大小与目标模板相同，然后计算其平均图像。
5.根据权利要求1所述的基于加权分布场的目标跟踪方法，其特征在于:所述的步骤4)中基于相关系数的模板匹配算法为:首先设待搜索图像S的尺寸为WXH，模板T的尺寸为mXn，模板T在图像S上平移，搜索窗口所覆盖的子图记为Su，其中，1、j为子图左上角顶点在图S中的坐标，1、j的搜索范围为ff-m, I ^ j ^ H-n，通过比较T和Sij的相似性，即相关系数的大小，完成模板匹配过程，归一化模板匹配的相关系数R(i，j)由以下公式计算:
6.根据权利要求1所述的基于加权分布场的目标跟踪方法，其特征在于:所述的步骤4)中加权分布场跟踪方法过程如下: 首先，将在第一帧中手动标记的目标模板记为T(K)，目标候选区域记为S(K)，对于候选区域中的每个候选块Su (K)与目标模板T (K)各相应层根据下式计算相关系数Ru (k)，k=1，2，…，K:
7.根据权利要求1所述的基于加权分布场的目标跟踪方法，其特征在于:在跟踪过程中目标模板的更新是按照下式进行的:
【文档编号】G06T7/20GK103761747SQ201310751523
【公开日】2014年4月30日 申请日期:2013年12月31日 优先权日:2013年12月31日
【发明者】宁纪锋, 赵耀博, 石武祯 申请人:西北农林科技大学