專利名稱：基于核密度估計(jì)的遮擋人體跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種基于核密度估計(jì)的遮擋人體跟蹤方法，具體地說，涉及一種對(duì)運(yùn) 動(dòng)人體的前景檢測結(jié)果進(jìn)行遮擋人體跟蹤的方法。
背景技術(shù)：
目標(biāo)跟蹤是圖像處理、模式識(shí)別、計(jì)算機(jī)視覺等領(lǐng)域的研究熱點(diǎn)，在視頻監(jiān)控、智 能交通和軍事等方面有廣泛應(yīng)用。視頻監(jiān)控最終目的是要用計(jì)算機(jī)視覺的方法，對(duì)被監(jiān)控 場景中的變化通過攝像機(jī)拍攝的圖像序列自動(dòng)分析來進(jìn)行定位識(shí)別和跟蹤，并在此基礎(chǔ)上 分析和判斷目標(biāo)的行為，做到既能完成日常管理又能在異常情況下及時(shí)做出相應(yīng)反應(yīng)。一 個(gè)實(shí)用的跟蹤系統(tǒng)不但要求能夠?qū)崟r(shí)適應(yīng)目標(biāo)各種運(yùn)動(dòng)導(dǎo)致的外觀變化，而且要求對(duì)場景 中存在的諸如遮擋、光照變化等因素的影響不敏感?？v觀國內(nèi)外對(duì)視頻監(jiān)控技術(shù)的研究，當(dāng)前主要集中在多攝像機(jī)融合、攝像機(jī)標(biāo)定、 目標(biāo)檢測跟蹤、目標(biāo)行為識(shí)別與描述等技術(shù)方面。其中運(yùn)動(dòng)目標(biāo)跟蹤已成為模式識(shí)別、計(jì)算 機(jī)視覺、圖像處理、武器制導(dǎo)等領(lǐng)域重要研究課題，它將圖像處理、信息科學(xué)、自動(dòng)控制等有 機(jī)結(jié)合起來，形成了一種能從圖像信號(hào)中自動(dòng)識(shí)別目標(biāo)、提取和預(yù)測目標(biāo)位置信息、自動(dòng)跟 蹤運(yùn)動(dòng)目標(biāo)的技術(shù)。所謂的目標(biāo)跟蹤就是通過分析圖像傳感器拍攝到的視頻序列，得到運(yùn)動(dòng)目標(biāo)的運(yùn) 動(dòng)參數(shù)比如位置、加速度、速度、運(yùn)動(dòng)軌跡等等，以及運(yùn)動(dòng)目標(biāo)的其他特征信息，從而進(jìn)一步 處理與分析，實(shí)現(xiàn)對(duì)運(yùn)動(dòng)目標(biāo)行為的理解，以完成更高一級(jí)的任務(wù)。一般視頻監(jiān)控系統(tǒng)分為目標(biāo)檢測和人體跟蹤兩部分，幾乎每一個(gè)視頻監(jiān)控系統(tǒng)都 是從目標(biāo)檢測這一步開始，所謂目標(biāo)檢測，就是把目標(biāo)物體對(duì)應(yīng)的區(qū)域從視頻序列的圖像 中分離出來。目標(biāo)檢測的方法主要分為三種光流法、幀差法、減背景法。在解決人體遮擋問題的目標(biāo)跟蹤中，主要采用單攝像機(jī)和多攝像機(jī)兩種方法，多 攝像機(jī)的方法是指多個(gè)攝像機(jī)在不同的角度對(duì)同一個(gè)視野進(jìn)行拍攝，該方法彌補(bǔ)了一些三 維信息的丟失，但是彌補(bǔ)的信息仍然是有限的，而且對(duì)計(jì)算攝像機(jī)間的位置配置的精確度 要求非常高，同時(shí)場景變化后對(duì)原來的算法影響較大，單攝像機(jī)的方法主要是通過單個(gè)攝 像機(jī)來實(shí)現(xiàn)人體的跟蹤，該方法能夠很容易對(duì)位置進(jìn)行配置，有很好的實(shí)用價(jià)值，解決遮擋 問題時(shí)還可采用基于顏色的單攝像機(jī)的方法和基于模塊的單攝像機(jī)方法。

發(fā)明內(nèi)容
本發(fā)明的目的是提供一種有效的基于核密度估計(jì)的遮擋人體跟蹤方法。為實(shí)現(xiàn)上述目的，本發(fā)明所采取的技術(shù)方案是(1)根據(jù)人體衣服的顏色信息，通過均值漂移的聚類算法對(duì)檢測結(jié)果中的人體進(jìn) 行聚類，形成相應(yīng)的顏色相近的第一模塊區(qū)域；根據(jù)當(dāng)前幀的前景區(qū)域中的像素的位置獲 取第二模塊區(qū)域，該第二模塊區(qū)域滿足以下關(guān)系式(1)
權(quán)利要求
1. 一種基于核密度估計(jì)的遮擋人體跟蹤方法，在對(duì)運(yùn)動(dòng)人體的前景檢測后，對(duì)檢測結(jié) 果進(jìn)行跟蹤，其特征是，所述跟蹤的步驟如下(1)根據(jù)人體衣服的顏色信息，通過均值漂移的聚類算法對(duì)所述檢測結(jié)果中的人體進(jìn) 行聚類，形成相應(yīng)的顏色相近的第一模塊區(qū)域；根據(jù)當(dāng)前幀的前景區(qū)域中的像素的位置獲 取第二模塊區(qū)域，該第二模塊區(qū)域滿足以下關(guān)系式(1)ht ht式(1)中，Μ"表示第二模塊區(qū)域，Wtftv1分別表示已存儲(chǔ)模型中人體的寬度和高度信 息，ct,x,y表示當(dāng)前幀的前景區(qū)域中的像素，ht表示當(dāng)前像素xt,x,y所在的人體的高度信息， yt表示當(dāng)前像素Ct,x,y的縱坐標(biāo)yt，α是個(gè)小數(shù)；(x，y)表示根據(jù)當(dāng)前幀的前景區(qū)域中的像 素ct, x,y位置獲取第二模塊區(qū)域的坐標(biāo)；然后取第一模塊區(qū)域和第二模塊區(qū)域的交集得到第三模塊區(qū)域；(2)使用核密度估計(jì)的方法來估計(jì)第三模塊區(qū)域的顏色密度分布情況；并根據(jù)公式 (2)獲得運(yùn)動(dòng)人體的前景的運(yùn)動(dòng)密度函數(shù)Put-x (v.)=^y^ -yt-i,i)ga2 (xta-Xt-^yta ―只—以)、(χ>,3 -x^y0 一 只-口)(2)式⑵中，PM^(Vt)表示運(yùn)動(dòng)密度函數(shù)，vt表示運(yùn)動(dòng)向量；(xt,^yta), (xt,2，yr,2)，(xt,3， yt,3)表示當(dāng)前幀中人體的運(yùn)動(dòng)特征點(diǎn)；(Xt-I^yt-U), (xt-i,2' Yt-iJ ‘ (xt-i,3' yt-i,3)表示前一 幀中人體的運(yùn)動(dòng)特征點(diǎn)；g。(χ, y)為二維高斯函數(shù)；(3)利用公式(3)得到當(dāng)前幀中每個(gè)像素對(duì)于第三模塊區(qū)域的概率密度函數(shù)P(C^ylMt-U) = max {P (ct, x, ^B1), P (ct, x, y | B2), P (ct, x, y | B3) - } (3)式(3)中，P(CtijJMuk)為概率密度函數(shù)辦，B2, B3……表示第三模塊區(qū)域中的小區(qū) 域，Mt^k= (B1,B2,B3,B4,…}為第三模塊區(qū)域中的小區(qū)域的集合；P(C^jJB1)、P(ct,x,y|B2)、 P(ct,x,y|B3)為顏色密度函數(shù)；(4)根據(jù)所述運(yùn)動(dòng)密度函數(shù)和第三模塊區(qū)域的顏色概率密度函數(shù)，利用公式(4)得到 當(dāng)前幀的每個(gè)像素屬于所述檢測結(jié)果中的人體的后驗(yàn)概率密度
全文摘要
本發(fā)明充分利用空間信息、顏色信息、運(yùn)動(dòng)信息對(duì)視頻圖像進(jìn)行塊建模、顏色建模和運(yùn)動(dòng)建模，通過混合高斯建模法，將運(yùn)動(dòng)人體的前景信息提取出來；根據(jù)人體衣服的顏色信息，利用Epanechnikov核密度梯度估計(jì)算法，對(duì)存儲(chǔ)模型中的人體進(jìn)行聚類，實(shí)現(xiàn)塊建模；采用非參數(shù)的核密度估計(jì)算法和基于高斯分布的運(yùn)動(dòng)建模，分別獲取顏色密度函數(shù)和運(yùn)動(dòng)密度函數(shù)，并利用顏色密度函數(shù)和運(yùn)動(dòng)密度函數(shù)對(duì)當(dāng)前幀的前景區(qū)域進(jìn)行后驗(yàn)概率估計(jì)，以獲取后驗(yàn)概率圖像，根據(jù)對(duì)該圖像中遮擋人體進(jìn)行分割以實(shí)現(xiàn)人體目標(biāo)的跟蹤。實(shí)驗(yàn)結(jié)果表明，本發(fā)明提出的算法有效地解決了遮擋人體目標(biāo)跟蹤問題。
文檔編號(hào)G06T7/20GK102005052SQ20101053679
公開日2011年4月6日 申請(qǐng)日期2010年11月9日 優(yōu)先權(quán)日2010年11月9日
發(fā)明者劉濟(jì)林, 杜小麗, 王選賀 申請(qǐng)人:浙江大學(xué)