基于HSV的目标跟踪方法及系统与流程

本发明涉及跟踪技术领域，特别涉及一种基于hsv的目标跟踪方法及系统。

背景技术：

在视觉跟踪系统中，由于受到光照变化、遮挡、尺度变化等因素的干扰，目标跟踪时会出现漂移或者变形等不稳定现象。传统的l1跟踪使用了粒子滤波的框架，利用图像的灰度信息生成模板矩阵，接着联合目标模板和琐碎模板获得目标的稀疏表达模型，通过求解这种模型实现目标跟踪，但是这种方法只有在目标的姿态及尺度大致不变或者变化幅度很小的情况下才能将其检测出来。由于其仅仅利用了目标的灰度信息进行编码，一旦出现持续时间较长的干扰(如光照变化)时，跟踪会发生漂移现象。

具体表现为：meanshift(ms)算法仅仅利用了目标的颜色直方图，当下一帧中的目标及周围区域发生亮度变化时，跟踪中对目标搜索的迭代过程也会受到影响，从而导致无法准确定位目标；传统的l1跟踪利用了目标的灰度信息作为特征模板进行稀疏编码，当出现光照变化和尺度变化时，由于模板更新问题的滞后性往往会使跟踪结果出现漂移现象。

技术实现要素：

本发明旨在至少在一定程度上解决上述相关技术中的技术问题之一。

为此，本发明的一个目的在于提出一种基于hsv的目标跟踪方法。该方法通过对图像采用hsv空间，避免了跟踪结果对光照不敏感，并将目标模板与琐碎模板进行稀疏表达，避免了遮挡对跟踪效果的干扰，并对目标模板的实时更新，使得因动作过大而造成跟踪结果不稳定，最终提高了跟踪的效果。

本发明的另一个目的在于提出一种基于hsv的目标跟踪系统。

为了实现上述目的，本发明的一方面公开了一种基于hsv的目标跟踪方法，所述方法包括：获取hsv色度信息；根据所述hsv色度信息建立目标模板；利用所述目标模板和琐碎模板获取所述跟踪目标的多个预测值；对比所述目标模板与多个预测值，得到与所述目标模板最为相似的所述预测值。

根据本发明的基于hsv的目标跟踪方法，通过对图像采用hsv空间，避免了跟踪结果对光照不敏感，并将目标模板与琐碎模板进行稀疏表达，避免了遮挡对跟踪效果的干扰，并对目标模板的实时更新，使得因动作过大而造成跟踪结果不稳定，最终提高了跟踪的效果。

另外，根据本发明上述实施例的基于hsv的目标跟踪方法还可以具有如下附加的技术特征：

进一步地，根据所述hsv色度信息建立目标模板的步骤，进一步包括：选取目标模板的位置信息；根据所述位置信息，获取所述位置信息的周围信息；对所述位置信息和周围信息采用公式epanechnikov核函数进行加权处理，所述公式为：

其中，x＝(x,y)为每个像素的坐标，x0＝(x0,y0)是区域中心点坐标。

进一步地，其中，对所述位置信息和周围信息越靠近中心的地方的权重取值越大。

进一步地，所述利用所述目标模板和琐碎模板获取所述跟踪目标的多个预测值的步骤，包括：利用粒子滤波法，建立粒子集以生成所述目标模板的样本集；对琐碎模板进行加权处理，并建立稀疏表达模型；根据所述样本集和稀疏表达模型，获取所述跟踪目标的多个预测值。

进一步地，所述粒子集为600个。

本发明的另一方面公开了一种基于hsv的目标跟踪系统，所述系统包括：第一获取模块，用于获取hsv色度信息；建立模块，用于根据所述hsv色度信息建立目标模板；第二获取模块，用于利用所述目标模板和琐碎模板获取所述跟踪目标的多个预测值；对比模块，用于对比所述目标模板与多个预测值，得到与所述目标模板最为相似的所述预测值。

根据本发明的基于hsv的目标跟踪系统，通过对图像采用hsv空间，避免了跟踪结果对光照不敏感，并将目标模板与琐碎模板进行稀疏表达，避免了遮挡对跟踪效果的干扰，并对目标模板的实时更新，使得因动作过大而造成跟踪结果不稳定，最终提高了跟踪的效果。

另外，根据本发明上述实施例的基于hsv的目标跟踪系统还可以具有如下附加的技术特征：

进一步地，所述建立模块，进一步包括：选取单元，用于选取目标模板的位置信息；第一获取单元，用于根据所述位置信息，获取所述位置信息的周围信息；处理单元，用于对所述位置信息和周围信息采用公式epanechnikov核函数进行加权处理，所述公式为：

其中，x＝(x,y)为每个像素的坐标，x0＝(x0,y0)是区域中心点坐标。

进一步地，其中，对所述位置信息和周围信息越靠近中心的地方的权重取值越大。

进一步地，所述第二获取模块，包括：第一建立单元，用于利用粒子滤波法，建立粒子集以生成所述目标模板的样本集；第二建立单元，用于对琐碎模板进行加权处理，并建立稀疏表达模型；第二获取单元，用于根据所述样本集和稀疏表达模型，获取所述跟踪目标的多个预测值。

进一步地，所述粒子集为600个。

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

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：

图1是根据本发明一个实施例的基于hsv的目标跟踪方法的流程图；

图2是根据本发明另一个实施例的基于hsv的目标跟踪方法的流程图；以及

图3是根据本发明一个实施例的基于hsv的目标跟踪系统的结构图。

具体实施方式

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。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。

以下结合附图描述根据本发明实施例的基于hsv的目标跟踪方法及系统。

图1是根据本发明一个实施例的基于hsv的目标跟踪方法的流程图。

如图1所示，根据本发明一个实施例的基于hsv的目标跟踪方法，包括：

s110：获取hsv色度信息。

因为hsv颜色模型能够独立感知各颜色分量的变化，且其中的s分量对光照不敏感，将原始的彩色图像由rgb空间转到hsv空间，即获取了hsv的色度信息。

s120：根据hsv色度信息建立目标模板。

进一步包括：选取目标模板的位置信息；根据位置信息，获取位置信息的周围信息；对位置信息和周围信息采用公式epanechnikov核函数进行加权处理，公式为：

其中，x＝(x,y)为每个像素的坐标，x0＝(x0,y0)是区域中心点坐标。其中，对位置信息和周围信息越靠近中心的地方的权重取值越大。

具体而言，任意一个时刻t目标模板如下：d为每一个模板向量的维度，n为模板数量。当t＝1时，手动选取目标的位置信息,设corners_in＝[y1，y2，y3，y4；x1，x2，x3，x4]，标记为目标矩形框的四个角点，接着矩形框的位置绕其周围进行移动，获取十个矩形框，然后提取这些框中目标的色度信息，将各个区域进行加权处理。根据行人跟踪的特点，越靠近中心的地方的权重取值越大。实验中，采用epanechnikov核函数进行加权，公式如下：

其中x＝(x,y)为每一个像素的坐标，x0＝(x0,y0)是区域中心点坐标。其中，可以根据目标模板的变化程度，进行更换。

s130：利用目标模板和琐碎模板获取跟踪目标的多个预测值。

具体而言，如图2所示，包括：s131：利用粒子滤波法，建立粒子集以生成目标模板的样本集。s132：对琐碎模板进行加权处理，并建立稀疏表达模型。s133：根据样本集和稀疏表达模型，获取跟踪目标的多个预测值。

具体而言，s131：获取的corners_in的三个角点，设为矩阵inp，inp＝[y1,y2,y3；x1,x2,x3；1,1,1]。设oup＝[1,rows,1；1,1,cols；1,1,1],其中rows和cols是自行设定的归一化的行和列数，在实验中可以设置：rows＝32，cols＝32，这样可以将目标模板进行归一化，得到r＝inp/oup。得到六个仿射参数：afnv＝[r(1,1),r(1,2),r(2,1),r(2,2),r(1,3),r(2,3)]，其中，仿射参数的公式中与目标模板的大小和形变有关。其中，可以生成600个粒子，并且这600个粒子对应600个仿射系数集，仿射系数集的大小size＝[6,600]，每一列对应一个粒子。产生步骤如下：首先产生6*600的随机标准高斯分布的值，其乘以偏差采样就是我们所需要的偏差；然后将中原始的仿射参数加上对应的偏差。

根据粒子集来预测t时刻目标的状态信息上标i表示第i个粒子，步骤如下：生成采样矩阵p，从而得到生成样本的坐标点集q：q＝r*p，其中，r＝[afnv(1),afnv(2),afnv(5)；afnv(3),afnv(4),afnv(6)；0,0,1]，重新变回了矩阵的形式。提取候选区q的色度信息即得到状态t时刻第i个粒子对应的状态得到样本集

s132：首先获得琐碎矩阵i。i的每一列都是由单位向量构成，且每个单位向量中的元素都是只有一个1，其余都是0。为了增加跟踪的鲁棒性，建立稀疏表达模型：为模板矩阵对应系数，不同的代表对琐碎模板的加权系数。

s133：遍历所有的粒子，得到多个预测值

s140：对比目标模板与多个预测值，得到与目标模板最为相似的预测值。

具体而言，求解解稀疏表达模型时引入了一个条件判断。首先设zt为观测目标，对于任意一个样本，它的观测相似度有着上边界，求取概率密度与预测值和目标模板的关系公式为

其中当：

的条件满足时，舍去该样本；否则，进行下一步运算。

解决下式范数模型的最小化问题，求得跟踪结果y：

其中，a,a分别代表模版矩阵集以及它们所对应的系数,目标模板由动态模板和静态模板组成，在第一帧中手动选取目标的外观模型作为固定模板，其他的九个模板均为动态模板，参数μt来控制琐碎模版的能量。实验中，μt的值由遮挡情况自动赋值。

计算目标模板与多个预测值的相似度，求观测目标在预测状态中的概率密度：

当公式中越大则代表跟踪结果与目标模板越相似，则得到了最为相似的预测值。

根据本发明的基于hsv的目标跟踪方法，通过对图像采用hsv空间，避免了跟踪结果对光照不敏感，并将目标模板与琐碎模板进行稀疏表达，避免了遮挡对跟踪效果的干扰，并对目标模板的实时更新，使得因动作过大而造成跟踪结果不稳定，最终提高了跟踪的效果。

图3是根据本发明一个实施例的基于hsv的目标跟踪系统的结构图。

如图3所示，基于hsv的目标跟踪系统300，系统300包括：第一获取模块310、建立模块320、第二获取模块320和对比模块340。

其中，第一获取模块310用于获取hsv色度信息。建立模块320用于根据hsv色度信息建立目标模板。第二获取模块330用于利用目标模板和琐碎模板获取跟踪目标的多个预测值。对比模块340用于对比目标模板与多个预测值，得到与目标模板最为相似的预测值。

根据本发明的基于hsv的目标跟踪系统，通过对图像采用hsv空间，避免了跟踪结果对光照不敏感，并将目标模板与琐碎模板进行稀疏表达，避免了遮挡对跟踪效果的干扰，并对目标模板的实时更新，使得因动作过大而造成跟踪结果不稳定，最终提高了跟踪的效果。

建立模块320，进一步包括：选取单元，用于选取目标模板的位置信息；第一获取单元，用于根据位置信息，获取位置信息的周围信息；处理单元，用于对位置信息和周围信息采用公式epanechnikov核函数进行加权处理，公式为：

其中，x＝(x,y)为每个像素的坐标，x0＝(x0,y0)是区域中心点坐标。其中，对所述位置信息和周围信息越靠近中心的地方的权重取值越大。

第二获取模块330，包括：第一建立单元，用于利用粒子滤波法，建立粒子集以生成所述目标模板的样本集；第二建立单元，用于对琐碎模板进行加权处理，并建立稀疏表达模型；第二获取单元，用于根据所述样本集和稀疏表达模型，获取所述跟踪目标的多个预测值。进一步地，粒子集为600个。

需要说明的是，本发明实施例的基于hsv的目标跟踪系统的具体实现方式与本发明实施例的基于hsv的目标跟踪方法的具体实现方式类似，具体请参见方法部分的描述，为了减少冗余，此处不做赘述。

此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。

尽管上面已经示出和描述了本发明的实施例，可以理解的是，上述实施例是示例性的，不能理解为对本发明的限制，本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。