一种自适应对象特征的跟踪方法
【技术领域】
[0001] 本发明属于计算机视觉对象跟踪技术领域，特别涉及计算机图形图像处理技术领 域。
【背景技术】
[0002] 视觉对象跟踪是许多计算机视觉应用的基本和关键问题，如视频分析，智能监控， 人机交互，行为识别等，尽管研宄人员对此做出了大量的工作，但要在复杂的环境中实现实 时稳定的对象跟踪仍然是极具挑战性的任务。
[0003] 由于基于在线学习的跟踪方法本质上更能够适应对象及其环境的变化， 有利于完成长时间的跟踪任务，因此目前依赖检测或者学习的对象跟踪方法（如 TLD,Tracking-Learning-Detection)受到越来越广泛的关注。这些方法通过学习某种分 类器，如支持向量机、自举、随机森林，或者随机蕨等来发掘未知的数据和信息，进而增强其 对目标及其场景变化的适应能力。在基础（短时）跟踪（如KLT、均值漂移、粒子滤波等） 失败时，这些分类器则被用作检测器进行目标检测，以达到恢复跟踪的目的。为了保证分 类器学习的准确性，同时又能尽可能的适应目标的变化，Babenko等提出了袋学习的思想和 0MB方法（Online-MILBoost)，Kalal等提出了P_N(Positive-Negative)正负样例学习的方 法。然而，这些方法仍然难以处理非刚性运动变化以及遮挡等问题。对此，霍夫森林提供了 一种可能的解决方法，它是一种融合霍夫变换的随机森林，对象的定位或者检测被看作是 寻求霍夫图像中的概率极大值点，然而该方法在实时性和持久性上有待进一步提高。此外， 基于稀疏表示和学习的对象跟踪方法，由于其较稳定的跟踪性能受到越来越多的关注和研 宄，然而这些方法十分依赖样例模板，同样存在不小的失败风险，且计算结构复杂而难以满 足实际实时性的要求。
[0004] 一般情况下，场景越复杂，跟踪或者检测就变得越困难，由于计算资源的局限和效 率的要求，对象表观模型不能过于复杂。实际上，除了目标本身以外，背景信息也是十分有 用且重要的信息。Yang等采用图像分割融合方法，通过时空分析发掘辅助对象作为跟踪协 助，其对应实现的CAT跟踪系统表现出较稳定的跟踪结果。然而该辅助对象的获取基于一 定的运动假设，因而难以适应更复杂的跟踪环境，且计算效率有待进一步的提高。Grabner 等提出通过获取目标周围有价值的特征点，借此预测目标的位置，增强了跟踪的稳定性，然 而检测和匹配所有这些局部特征点的方法在计算上十分耗时。Thang等通过将PNT作为基 础跟踪和同时增加对误匹配项的跟踪来改进Grabner等的算法，能够在一定程度上区分与 目标相似的对象，从而表现出更好的跟踪性能。Fan等提出学习具有较强区别性的关注区 域用以辅助跟踪，然而在场景出现剧烈运动时，受这些局部区域的限制，其计算效率依然不 高。Godec等通过对场景进行聚类学习，将背景分类为多个虚拟的类型，取得了较为满意的 跟踪效果，但是该方法假设背景只是逐步而细微的改变，这在很多跟踪场合并不成立，因此 其应用有限。
[0005] 因此，有必要研宄开发一种可以快速排除场景干扰，因而对目标的适应性强，跟踪 稳定；同时由于使用的特征简单，且不需要进行复杂的机器学习过程的对象跟踪方法。
【发明内容】
[0006] 本发明的目的是提供一种自适应对象特征的跟踪方法，它能有效地解决对刚性和 非刚性目标对象长时间实时稳定的跟踪问题。
[0007] 本发明的目的是通过以下技术方案来实现的：一种自适应对象特征的跟踪方法， 包括如下步骤：
[0008] 步骤一、目标选取
[0009] 从初始图像中选择并确定要跟踪的目标对象，目标选取过程可以通过运动目标检 测方法自动提取，也可以通过人机交互方法手动指定。
[0010] 步骤二、构建目标灰度表
[0011] 目标灰度表的构建方法为：对目标图像块中的每一个像素点I，设该像素点灰度 值在目标灰度直方图和背景灰度直方图中对应的量化级分别为ak和gk，则该像素点的权 重w计算为w=ak/(ak+gk);然后计算该像素点在目标图像块中的横坐标x和纵坐标y， 以及与目标中心位置的横向距离dx和纵向距离dy;如果w> 0 根据该像素点的灰度 值将其加入到目标灰度表中对应的像素点集中。设％ =(孕，尽，…，尽，…，义表 示目标灰度表，HT的总量化级数表示为MT，&={/f，其中L为Bk包含的像素点数目， 办f,把，K):表示Bk中第i个像素点，其中彳和分别表示Jf在目标图 像块中的横坐标和纵坐标，办f和办f分别表示/f与目标中心位置的横向距离和纵向距离， #表示々的灰度值，wf表示/f的权重，设^^(巧，七，…，％，…，《~）表示目标图像块 ZT的归一化灰度直方图，其中心为八:的总量化级数，设沿，&，???，&，…，表 示以目标图像块4为中心的周围背景的归一化灰度直方图，其中心为A的总量化级数。
[0012] 步骤三、特征选择与目标建模
[0013]设F={fji = 表示特征集，其中D为F包含的特征数目，fi表示F中的第i 个特征，两点特征的提取方法为：在HT中随机选择两个不同的像素点集BJPB』，i辛j， 1彡i，j彡MT;然后在B 随机选择一个像素点Ia，并在1_中随机选择一个像素点Ib，13和 Ib构成两点特征，该两点特征的特征值f计算为：
[0014]
【主权项】
1. 一种自适应对象特征的跟踪方法，包括如下步骤： 步骤一、目标选取； 从初始图像中选择并确定要跟踪的目标对象，目标选取过程可以通过运动目标检测方 法自动提取，也可以通过人机交互方法手动指定； 步骤二、构建目标灰度表； 目标灰度表的构建方法为：对目标图像块中的每一个像素点I，设该像素点灰度值 在目标灰度直方图和背景灰度直方图中对应的量化级分别为ak和gk，则该像素点的权 重w计算为w=ak/(ak+gk);然后计算该像素点在目标图像块中的横坐标x和纵坐标y， 以及与目标中心位置的横向距离dx和纵向距离dy;如果w> 0 根据该像素点的灰度 值将其加入到目标灰度表中对应的像素点集中；设
表 示目标灰度表，HT的总量化级数表示为MT，巧={/fU.』，其中L为Bk包含的像素点数目，
>表示Bk中第i个像素点，其中 <和分别表示/f在目标图 像块中的横坐标和纵坐标，办f和办f分别表示< 与目标中心位置的横向距离和纵向距离， #表示/f的灰度值，wf表示/f的权重，设
表示目标图像块 ZT的归一化灰度直方图，其中N,为AT的总量化级数，设
1表 示以目标图像块4为中心的周围背景的归一化灰度直方图，其中&为A。的总量化级数； 步骤三、特征选择与目标建模； 设F={fji= . .D表示特征集，其中D为F包含的特征数目，fi表示F中的第i个特征， 两点特征的提取方法为：在Ht中随机选择两个不同的像素点集心和\，i辛j，1 <i，j<Mt; 然后在&中随机选择一个像素点Ia，并在h中随机选择一个像素点Ib，13和Ib构成两点特 征，该两点特征的特征值f计算为：
根据各个特征与类型c的互信息对所有特征进行排序，提取互信息最大的前K个特征 构成目标特征集FT={fJi= ,. ^用于目标建模；具体为，根据该特征集中各个特征对应在 目标图像块中的取值将目标描述为一个K维的特征向量AT=(fi，f2，…，&，…，fK)，其中& 表示AT的第i个特征值； 步骤四、图像输入； 在实时处理情况下，提取通过摄像头采集并保存在存储区的视频图像，作为要进行跟 踪的输入图像；在离线处理情况下，将已采集的视频文件分解为多个帧组成的图像序列，按 照时间顺序，逐个提取帧图像作为输入图像，如果输入图像为空，则跟踪结束； 步骤五、构建霍夫表； 霍夫表的构建方法为：设2 = 表示与图像对应的霍夫表，其中％和1分 别表示图像的宽和高，qu为在（i，j)位置上根据目标灰度表1确定的指向该位置的像素 点数目，对图像中的每一个像素点，根据它的灰度在灰度表叫中查找对应的像素点集B，然 后对B包含的每一个像素点，若该像素点指向的目标中心位置为（i，j)，则对应将Q中的qi;j加1 ; 步骤六、目标定位； 对目标搜索区域内的每一个候选图像块Z，根据目标特征集FT计算Z的特征向量夾=
.其中表示Az的第i个特征值，则该候选图像块Z与目标的 相似度Sz计算为：
其中&为特征&与类型c的互信息，即
为归一化因子，
将具有最大相似度的候选图像块 所在的图像位置作为预测目标位置；然后，在以预测目标位置为中心的局部较小范围内搜 索对应霍夫表中具有最大像素点数目的位置，并将其作为最终的目标位置，目标定位完成。
2.根据权利要求1所述的一种自适应对象特征的跟踪方法，其特征在于：所述两点特 征提取方法提取D个两点特征构成特征集？1={f 其中&表示FT中的第i个两点 特征；对特征集中的每一个特征f，计算它与类型c的互信息I(f;c)，
其中V= {0, 1}，C= {0, 1}，这里c= 1表示目标，c= 0表示背景；p(f,c) =p(f) 口(〇|;〇，其中口(;〇=0.5，口((3|;〇=凡/\，凡表示在目标所在的背景搜索区域内参与计算 的候选图像块的总数目；设fT表示该特征对应在目标图像块中的取值，N。为f辛fT对应的 候选图像块的数目。
【专利摘要】本发明提供了一种自适应对象特征的跟踪方法，属于计算机图形图像处理技术领域。它能有效地解决对刚性和非刚性目标对象长时间实时稳定的跟踪问题。该方法通过构建基于像素的目标灰度表保存对预测目标中心位置有贡献的灰度和像素点信息，然后根据该目标灰度表并基于互信息进行自适应的两点特征选择，从而确定最能描述目标的特征组合，并以此对目标建模；跟踪过程中，该方法首先根据目标灰度表构建与图像对应的霍夫表，然后通过目标模型搜索确定预测目标位置，接着在以该预测目标位置为中心的局部较小范围内搜索对应霍夫表中具有最大像素点数目的位置，并将其作为最终的目标位置，完成目标的定位。主要用于对象目标的跟踪。
【IPC分类】G06T7-00
【公开号】CN104778699
【申请号】CN201510176536
【发明人】权伟, 陈维荣, 梁德翠
【申请人】西南交通大学
【公开日】2015年7月15日
【申请日】2015年4月15日