基于hsv颜色协方差特征的目标跟踪方法
【专利摘要】本发明公开了一种基于HSV颜色协方差特征的目标跟踪方法，主要解决现有跟踪技术针对彩色图像目标提取的特征存在信息冗余大和特征间独立性差的问题。其实现步骤是：在粒子滤波框架下首先通过目标状态预测得到候选目标，提取候选目标图像的色相、饱和度、明度、拉普拉斯算子响应作为表观特征，融合构建协方差算子；其次通过计算候选目标特征与模板的相似度权值，调整跟踪窗，并更新特征模版；最后根据权值融合候选目标，更新目标状态，实现对目标的有效跟踪。本发明能够有效减少目标特征的信息冗余，增强特征之间的独立性，提高目标特征描述的精确性和鲁棒性，可实现对彩色图像目标的实时精确跟踪。
【专利说明】基于HSV颜色协方差特征的目标跟踪方法
【技术领域】
[0001]本发明属于跟踪监测【技术领域】，特别涉及一种彩色图像的目标跟踪方法，可用于视频跟踪、目标监控等系统。
【背景技术】
[0002]彩色图像，由于其图像细节丰富，感光器件成本低，在实际中应用范围广，因此针对彩色图像的目标跟踪有着广阔的应用前景和实际意义。丰富的图像细节，既给目标特征描述提供了大量素材，同时也带来了特征甄别选取的难度。如何充分挖掘目标的图像信息，去除其中的冗余，有效地组织和建立多特征描述模型，成为彩色图像目标跟踪研究中的重点问题。
[0003]目前，针对彩色目标跟踪的特征描述模型主要有:联合特征直方图，协方差算子等。其中:
[0004]联合特征直方图，存在大量的冗余信息，计算复杂度高，对光照变化敏感；
[0005]协方差算子，是一个高效精炼的多特征融合描述模型，具有较强的鲁棒性，但其传统定义中所选取的特征主要针对目标在各个方向上纹理的描述，同方向上不同阶次的梯度在某些情况下会存在一定程度的信息冗余，而且缺乏对彩色图像中丰富的颜色信息的挖掘。
[0006]传统的彩色图像目标跟踪方法，包括基于联合特征直方图的目标跟踪方法和基于协方差矩阵的目标跟踪方法。其中，基于联合直方图的跟踪方法选取红色r、绿色g和蓝色b构成联合颜色直方图；基于协方差矩阵的跟踪方法中对目标所提取的特征包括灰度值、X方向的一阶梯度、X方向的二阶梯度、y方向的一阶梯度、y方向的二阶梯度。这些传统方法在实际情况下，由于所提取的特征间具有较高的相似性，特征间的相互独立性较差，存在信息冗余，导致目标特征描述的准确性和鲁棒性较低，使得跟踪系统的稳定性较差。
【发明内容】
[0007]本发明的目的在于针对上述已有技术的不足，在粒子滤波框架下，利用协方差算子特征描述模型，融合了色相H、饱和度S、明度V和拉普拉斯算子响应，提出了一种基于HSV颜色协方差特征的目标跟踪方法，以提高目标特征描述的准确性和鲁棒性，实现对彩色图像中运动目标的实时精确跟踪。
[0008]实现本发明的技术关键是:在跟踪过程中，通过提取目标图像的色相、饱和度、明度、拉普拉斯算子响应，获取目标图像的表观特征，通过表观特征对候选目标建立协方差矩阵，以减少信息冗余，增强特征独立性，从而提升目标特征描述的精确性和鲁棒性，提高跟踪精度。其实现步骤包括如下:
[0009](I)初始化步骤:
[0010](Ia)读入k-Ι时刻的彩色图1lri，根据目标的初始状态，产生k-Ι时刻的初始粒子集{^丨-1i=1，其中，/4—i表示k_1时刻第i个粒子的状态估计值，N表示粒子总数,i表示粒子的序号，k表示时刻,初始时刻为k = I ;
[0011](Ib)初始化目标跟踪窗=Blri = Ov1, (V1)T，其中IV1和(V1分别表示k-ι时刻目标跟踪窗的长度和宽度值，T表示向量转置；
[0012](Ic)根据目标初始状态与目标跟踪窗Blri，初始化目标的特征协方差矩阵M作为特征模板；
[0013](2)目标状态预测步骤:
[0014](2a)读入k时刻的彩色图1k，通过对k-Ι时刻彩色图中粒子集的传递，得到k时刻彩色图中的预测粒子集，其中 <为k时刻第i个粒子的状态预测值；
[0015](2b)根据k时刻预测粒子集和目标跟踪窗Bk_1;确定k时刻候选目标集 ，其中P/为k时刻第i 个候选目标，表示以<为中心、Bh为长宽所界定出的矩形区
域；
[0016](3)候选目标特征提取步骤:
[0017](3a)对于k时刻彩色图1k，提取其对应的WXHXd维特征图F，其中W表示彩色图1k的宽，H表示彩色图1k的高，d表示特征维数；
[0018](3b)在特征图F的基础上得到特征向量积分图1P和特征向量乘积积分图1Q ；
[0019](3c)根据特征向量积分图1P、特征向量乘积积分图1Q和候选目标集，提取
候选目标的特征集，其中Ci表示第i个候选目标的特征协方差矩阵；
[0020](4)计算特征权值步骤:
[0021](4a)求取各候选目标特征集二与特征模板M之间的距离集f/y+j:，其中P 1表示第i个候选目标的特征协方差矩阵与特征模板之间的距离；
[0022](4b)根据距离集j/^=1计算候选目标的特征权值集K:，其中ω1表示第i个候
选目标的特征权值；
[0023](5)目标跟踪窗调整步骤:
[0024](5a)对特征权值最大的候选目标if的目标跟踪窗进行缩放，分别产生缩小目标
跟踪窗的候选目标AiLau和放大目标跟踪窗的候选目标，其中β为特征权值最大粒子
的序号，下标small和big无具体的物理含义，仅表示所属变量分别为缩小目标跟踪窗的候选目标和放大目标跟踪窗的候选目标；
[0025](5b)分别提取缩放目标跟踪窗的候选目标/^和#lg的特征协方差矩阵Cl111和c4;[0026](5c)根据CUPC；《g计算和i^lg对应的特征权值7 ,和< ;
[0027](5d)根据qi?、与缩放目标跟踪窗前候选目标的特征权值ω@的对比结果，
更新k时刻的目标跟踪窗Bk，并更新特征权值最大的候选目标的特征协方差矩阵Ce及最大特征权值ω 0 ；
[0028](6)特征模板更新步骤:
[0029]通过计算特征模板M和特征权值最大的粒子对应的特征协方差矩阵Ce的加权对数-欧几里得均值，来对特征模板进行更新；
[0030](7)目标状态更新步骤:
[0031](7a)利用重采样算法，根据特征权值集二,对k时刻预测粒子集二进行重采样，得到k时刻的更新粒子集，其中/4表示k时刻第i个粒子的状态估计值；
[0032](7b)根据k时刻的更新粒子集，估计k时刻的目标状态Xk ；
[0033](7c)根据k时刻的目标状态Xk和目标跟踪窗Bk，确定出k时刻目标的估计范围Target ；
[0034](8)输出步骤:
[0035]输出k时刻 的目标的估计范围Target,若下一时刻观测信息到达,令k = k+Ι,转到步骤(2)进行迭代，否则，目标跟踪过程结束。
[0036]本发明具有以下优点:
[0037](I)本发明由于利用协方差算子对目标进行描述，融合多特征，从而对干扰、光照变化、以及目标形变具有较强的鲁棒性；
[0038](2)本发明由于提取色相H、饱和度S、明度V和拉普拉斯算子响应，充分挖掘目标彩色图像的丰富信息，并减少信息冗余，增强特征间的相互独立性，从而实现对目标特征的精确描述，增强了目标跟踪的稳定性。
【专利附图】
【附图说明】
[0039]图1是本发明的整体流程图；
[0040]图2是本发明方法的特征提取信息比较实验结果示意图；
[0041]图3是本发明方法的目标非刚性形变实验结果图；
[0042]图4是本发明方法的光照变化实验结果图；
[0043]图5是本发明方法的遮挡干扰实验结果图。
【具体实施方式】
[0044]参照图1，本发明的具体实施过程包括以下步骤:
[0045]步骤1.初始化粒子、目标跟踪窗和特征模板。
[0046]1.1)初始化粒子:令初始时刻k = I,根据目标的初始状态Xtl,产生N个粒子,组成k-1时刻的粒子集，其中& i表示k-Ι时刻第i个粒子的状态估计值，Pk服从均值为Xo方差为Ψ的高斯分布，Xo为目标的初始状态，Ψ为过程噪声方差，I表示粒子的序号，N表示粒子总数；
[0047]1.2)初始化目标跟踪窗=Blri = Ov1, (V1)τ，其中Iv1和Clri分别表示k_l时刻目标跟踪窗的长度和宽度值，T表示向量转置；
[0048]1.3)根据目标初始状态与目标跟踪窗Blri，初始化目标的特征协方差矩阵M作为特征模板。
[0049]步骤2.目标状态预测。
[0050]2.1)读入k时刻的彩色图1k，通过对k-Ι时刻彩色图中粒子集的传递，得
到k时刻彩色图中的预测粒子集j::
[0051]2.1.1)分别得到k时刻每一个粒子的状态预测值:
[0052]
【权利要求】
1.一种基于HSV颜色协方差特征的目标跟踪方法，包括: (1)初始化步骤: (Ia)读入k-Ι时刻的彩色图1lri，根据目标的初始状态，产生k-Ι时刻的初始粒子集{Χ-ι}.=1，其中，P。表示k-Ι时亥Ijll i个粒子的状态估i十值，N表示粒子总数,i表示粒子的序号，k表示时刻,初始时刻为k = I ; (Ib)初始化目标跟踪窗=Blri = Ov1, C1^t，其中IV1和(V1分别表示k-Ι时刻目标跟踪窗的长度和宽度 值，T表示向量转置； (Ic)根据目标初始状态与目标跟踪窗Bk_1;初始化目标的特征协方差矩阵M作为特征模板； (2)目标状态预测步骤: (2a)读入k时刻的彩色图1k，通过对k-Ι时刻彩色图中粒子集啲传递，得到k时刻彩色图中的预测粒子集&0二，其中g为k时刻第i个粒子的状态预测值； (2b)根据k时刻预测粒子集~丨1二和目标跟踪窗Bk+确定k时刻候选目标集丨其中片为k时刻第i个候选目标，表示以？，力中心、Blri为长宽所界定出的矩形区域； (3)候选目标特征提取步骤: (3a)对于k时刻彩色图1k，提取其对应的WXHXd维特征图F，其中W表示彩色图1k的宽，H表示彩色图1k的高，d表示特征维数； (3b)在特征图F的基础上得到特征向量积分图1P和特征向量乘积积分图1Q ； (3c)根据特征向量积分图1P、特征向量乘积积分图1Q和候选目标集{巧丨二，提取候选目标的特征集，其中Ci表示第i个候选目标的特征协方差矩阵； (4)计算特征权值步骤: (4a)求取各候选目标特征集与特征模板M之间的距离集，其中Pi表示第i个候选目标的特征协方差矩阵与特征模板之间的距离； (4b)根据距离集j:计算候选目标的特征权值集，其中ω 1表示第i个候选目标的特征权值； (5)目标跟踪窗调整步骤: (5a)对特征权值最大的候选目标的目标跟踪窗进行缩放，分别产生缩小目标跟踪窗的候选目标和放大目标跟踪窗的候选目标dIg，其中β为特征权值最大粒子的序号，下标small和big无具体的物理含义，仅表示所属变量分别为缩小目标跟踪窗的候选目标和放大目标跟踪窗的候选目标； (5b)分别提取缩放目标跟踪窗的候选目标的特征协方差矩阵Clall和C' (5c)根据CljP Ct计算和i^lg对应的特征权值<^和<， (5d)根据<与缩放目标跟踪窗前候选目标的特征权值ω@的对比结果，更新k时刻的目标跟踪窗Bk，并更新特征权值最大的候选目标的特征协方差矩阵Ce及最大特征权值ω 0 ; (6)特征模板更新步骤: 通过计算特征模板M和特征权值最大的粒子对应的特征协方差矩阵Ce的加权对数-欧几里得均值，来对特征模板进行更新； (7)目标状态更新步骤: (7a)利用重采样算法，根据特征权值集|?1二对k时刻预测粒子集|‘丨二进行重采样，得到k时刻的更新粒子集，其中P1t表示k时刻第i个粒子的状态估计值； (7b)根据k时刻的更新粒子集二，估计k时刻的目标状态Xk ； (7c)根据k时刻的目标状态Xk和目标跟踪窗Bk，确定出k时刻目标的估计范围Target ； (8)输出步骤: 输出k时刻的目标的估计范围Target,若下一时刻观测信息到达,令k = k+Ι,转到步骤(2)进行迭代，否则，目标跟踪过程结束。
2.根据权利要求1所述的方法，其中所述步骤(2b)中确定候选目标集，通过如下步骤确定: (2bl)分别计算每一个候选目标区域:
3.根据权利要求1所述的方法，其中所述步骤(3a)中对于k时刻的WXH维彩色图1k，提取其WXHXd维特征图F，通过如下公式进行:
F= {F(x, y) F(x, y) = [h(x, y), s (x, y),v(x, y), I (x, y)]T,l ≤ x ≤ W，I ≤ y ≤ H}，其中，d为特征维数，d = 4, h (x, y)为彩色图1k中像素点(x, y)处的色相值，s (x, y)为彩色图1k中像素点(X，y)处的饱和度值，v(x, y)为彩色图1k中像素点(X，y)处的明度值，I (X，y)为彩色图1k中像素点(X，y)处的拉普拉斯算子响应值，T表示向量转置。
4.根据权利要求1所述的方法，其中步骤(3b)所述的在特征图F的基础上得到特征向量积分图1P和特征向量乘积积分图1Q，通过如下步骤计算:(3bI)根据特征图F计算特征向量积分图1P和特征向量乘积积分图1Q中的点:
5.根据权利要求1所述的方法，其中所述步骤(3c)中根据特征向量积分图1P、特征向量乘积积分图1Q和候选目标集|巧1二，计算候选目标的特征集通过如下步骤计算: (3cl)分别计算每一个候选目标的特征协方差矩阵:
6.根据权利要求1所述的方法，其中所述步骤(4a)中计算候选目标特征集Pt1与特征模板μ之间的距离集.j/yj:，通过如下步骤计算: (4al)分别计算每一个候选目标特征与特征模板M的之间距离:
7.根据权利要求1所述的方法，其中所述步骤(4b)中根据距离集计算候选目标特征权值集|?1二，通过如下步骤进行: (4bl)分别计算每一个候选目标的特征权值:
8.根据权利要求1所述的方法，其中所述步骤(5b)中更新k时刻的目标跟踪窗Bk、特征协方差矩阵Ce及最大特征权值ω'通过如下公式更新:
9.根据权利要求1所述的方法，其中所述步骤(7b)中根据k时刻的更新粒子集(K)^1，估计k时刻的目标状态Xk，通过如下公式计算:
10.根据权利要求1所述的方法，其中所述步骤(7c)中根据k时刻的目标状态Xk和目标跟踪窗Bk，确定k时刻目标的估计范围Target，其通过如下公式确定:
【文档编号】G06T7/20GK103985141SQ201410231201
【公开日】2014年8月13日 申请日期:2014年5月28日 优先权日:2014年5月28日
【发明者】姬红兵, 樊振华, 刘月, 王磊 申请人:西安电子科技大学