基于局部對比顯著性聯(lián)合特征的目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于計算機(jī)視覺與圖像處理技術(shù)領(lǐng)域，具體設(shè)及基于局部對比顯著性聯(lián)合 特征的目標(biāo)跟蹤方法。
[000引背景
[0003] 目標(biāo)跟蹤尤其是復(fù)雜場景下目標(biāo)跟蹤是計算機(jī)視覺面臨的極具挑戰(zhàn)性的難點(diǎn)。能 夠在復(fù)雜場景下利用較少的先驗(yàn)知識對目標(biāo)進(jìn)行跟蹤，已經(jīng)成為軍事偵查、移動機(jī)器人、智 能視頻監(jiān)控等迫切的要求。在復(fù)雜背景下各種環(huán)境因素：目標(biāo)類內(nèi)變化、姿態(tài)、光照條件等 使得很難進(jìn)行目標(biāo)的有效跟蹤。因此，廣大研究者試圖尋求先進(jìn)的技術(shù)手段，提出高效、實(shí) 時的復(fù)雜環(huán)境下的目標(biāo)跟蹤算法。
[0004] 均值漂移（Comaniciu, D. , Ramesh, V. , and Meer, P. , "Kernel - based object tracking)是常用的跟蹤方法，該類方法首先利用顏色直方圖建立目標(biāo)和候選目標(biāo)模型，利 用己氏系數(shù)計算相似性系數(shù)，通過Mean Shift找到最相似候選區(qū)域?qū)崿F(xiàn)對目標(biāo)的跟蹤。具 有實(shí)時性好、框架優(yōu)美和簡單的優(yōu)點(diǎn)，獲得廣泛的應(yīng)用。然而，由于僅采用顏色特征，只適用 于目標(biāo)和背景顏色區(qū)分度較好的場合，使得該方法具有一定的局限性。
[0005] 自Itti于1998年提出基于特征整合的視覺注意顯著性可計算模型，并應(yīng)用于計 算機(jī)視覺領(lǐng)域的場景分析W后，針對顯著性的目標(biāo)跟蹤方法發(fā)展起來。Su等人于2014年提 出利用先驗(yàn)知識計算加權(quán)集自適應(yīng)構(gòu)建Itti模型，用于突然運(yùn)動跟蹤。但該類方法并沒有 考慮背景的信息，且Itti模型本身需要調(diào)節(jié)的參數(shù)比較多，計算耗時，選用目標(biāo)模型作為 先驗(yàn)難免會有誤差，很難得到客觀公正的結(jié)果。M址adevan等人認(rèn)為視覺跟蹤是時序判別中 屯、顯著性自上而下的調(diào)解過程，于2009年提出利用統(tǒng)計分類學(xué)習(xí)中屯、周邊判別顯著特征， 進(jìn)行目標(biāo)初始化、特征選擇和檢測確定目標(biāo)在下一帖的位置實(shí)現(xiàn)目標(biāo)跟蹤。但是，利用統(tǒng)計 學(xué)習(xí)方法計算量較大，且僅僅模擬了跟蹤過程，在面對復(fù)雜場景時對于目標(biāo)特征的變化具 有明顯的不足。
[0006] 復(fù)雜場景目標(biāo)跟蹤方法存在的難點(diǎn)在于：
[0007] (1)復(fù)雜場景，包括光線劇烈變化、目標(biāo)周圍存在相似分布的背景、非跟蹤的物體 等干擾因素；
[000引 （2)目標(biāo)自身的改變，包括姿態(tài)變化、突然運(yùn)動及被遮擋等；
[0009] (3)傳統(tǒng)的特征表述框架。選擇的特征不能很好的區(qū)分目標(biāo)和背景，會使跟蹤漂 移；融合多特征缺乏有效的方法，很難獲得魯椿的跟蹤結(jié)果。
[0010] (4)顯著性特征具有極強(qiáng)的判別力，現(xiàn)有方法獲得的特征不僅計算方法復(fù)雜，而且 特征分布僅僅是零散的，跟蹤過程中的區(qū)分力比較弱；同時，僅僅利用顯著特征，目標(biāo)特征 信息不完整，目標(biāo)如何從復(fù)雜背景完整有效突顯出來是顯著性在目標(biāo)跟蹤應(yīng)用的難點(diǎn)。

【發(fā)明內(nèi)容】

[0011] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足，提供一種基于局部對比顯著性聯(lián)合特征 的目標(biāo)跟蹤方法，通過提取目標(biāo)模型的局部對比顯著特征，采取自下而上和自上而下聯(lián)合 調(diào)節(jié)的方法處理目標(biāo)自身變化和復(fù)雜背景問題，獲得更好的目標(biāo)跟蹤效果。
[0012] 本發(fā)明的基于局部對比顯著性聯(lián)合特征的目標(biāo)跟蹤方法，包括W下步驟：
[0013] 步驟S1:選取動態(tài)場景下視頻的第t帖輸入含有跟蹤目標(biāo)和常用背景環(huán)境的視頻 帖，手動選取目標(biāo)區(qū)域，并用矩形框表示目標(biāo)區(qū)域的邊界；
[0014] 步驟S2 ;根據(jù)目標(biāo)區(qū)域選取背景區(qū)域，并用矩形框表示背景區(qū)域的邊界；
[00巧]步驟S3 ;分別提取目標(biāo)區(qū)域和背景區(qū)域的顏色直方圖特征、紋理直方圖特征、梯 度直方圖特征，計算每個特征的概率值，并生成對應(yīng)的概率圖；
[0016] 步驟S4 ;依據(jù)提取的顏色直方圖特征、紋理直方圖特征、梯度直方圖特征，分別計 算每個特征的對比度值，定義為顯著性特征，并生成對應(yīng)的特征向量fl、f2、fs;
[0017] 步驟S5 ;基于特征向量fi、f2、fs，堆找構(gòu)造樣本特征向量 [00化]F =化，f2，f3]T
[0019] 步驟S6;依據(jù)每個特征圖對目標(biāo)顯著性的貢獻(xiàn)度，利用學(xué)習(xí)算法估計最優(yōu)特征 權(quán)，選出最顯著特征；
[0020] 步驟S7 ;利用最顯著特征分別建立目標(biāo)和背景觀測模型，利用Mean化ift算法找 到目標(biāo)下一帖的位置；
[0021] 步驟S8 ;判斷顯著性特征確定的跟蹤框和目標(biāo)位置的相似性，檢測跟蹤目標(biāo)是否 失??；
[0022] 步驟S9 ;當(dāng)檢測出跟蹤目標(biāo)正常，執(zhí)行步驟13 ;若檢測出跟蹤目標(biāo)失敗，執(zhí)行步驟 10 ;
[002引步驟10 ;構(gòu)建可分性評價函數(shù)町，公式為
[0024]
【主權(quán)項(xiàng)】
1. 基于局部對比顯著性聯(lián)合特征的目標(biāo)跟蹤方法，其特征在于：包括以下步驟： 步驟Sl:選取動態(tài)場景下視頻的第t幀輸入含有跟蹤目標(biāo)和常用背景環(huán)境的視頻幀， 手動選取目標(biāo)區(qū)域，并用矩形框表示目標(biāo)區(qū)域的邊界； 步驟S2 :根據(jù)目標(biāo)區(qū)域選取背景區(qū)域，并用矩形框表示背景區(qū)域的邊界； 步驟S3:分別提取目標(biāo)區(qū)域和背景區(qū)域的顏色直方圖特征、紋理直方圖特征、梯度直 方圖特征，計算每個特征的概率值，并生成對應(yīng)的概率圖； 步驟S4 :依據(jù)提取的顏色直方圖特征、紋理直方圖特征、梯度直方圖特征，分別計算每 個特征的對比度值，定義為顯著性特征，并生成對應(yīng)的特征向量f\、f2、f3; 步驟S5 :基于特征向量?\、f2、f3，堆棧構(gòu)造樣本特征向量 F = Lf1, f2, f3]T 步驟S6 :依據(jù)每個特征圖對目標(biāo)顯著性的貢獻(xiàn)度，利用學(xué)習(xí)算法估計最優(yōu)特征權(quán)，選 出最顯著特征； 步驟S7 :利用最顯著特征分別建立目標(biāo)和背景觀測模型，利用Mean Shift算法找到目 標(biāo)下一幀的位置； 步驟S8 :判斷顯著性特征確定的跟蹤框和目標(biāo)位置的相似性，檢測跟蹤目標(biāo)是否失 ??； 步驟S9 :當(dāng)檢測出跟蹤目標(biāo)正常，執(zhí)行步驟13 ;若檢測出跟蹤目標(biāo)失敗，執(zhí)行步驟10 ; 步驟10 :構(gòu)建可分性評價函數(shù)Dt，公式為
其中，/?,α為目標(biāo)觀測；為背景觀測；ε為設(shè)定常數(shù)，用于去掉較小的目 標(biāo)觀測和背景觀測，以提高算法的穩(wěn)定性；r為背景特征分布；ω為前景特征分布；目標(biāo)觀 測和背景觀測采用具有H個區(qū)間的直方圖來表示，h表示特征分量，h = 1，2,……，H;t為 選取圖像的幀數(shù)； 通過可分性評價函數(shù)Dt將顯著性目標(biāo)模型與背景共有的特征映射為零值，存在于背景 特征分布映射為負(fù)值，只保留目標(biāo)最能區(qū)分的特征分量構(gòu)成目標(biāo)的顯著性模型； 步驟Sll :構(gòu)建目標(biāo)觀測的連續(xù)性模型
其中ZSfI為顯著性目標(biāo)連續(xù)模型；為t-k時刻目標(biāo)模型；/=1/,為t時刻 顯著性目標(biāo)模型；γ k為遺忘因子；C 2為歸一化常數(shù)；t為選取圖像的幀數(shù)；k為選取圖像的 第k幀視頻； 步驟S12 :利用可分性評價函數(shù)Dt及目標(biāo)觀測的連續(xù)性模型對目標(biāo)模型進(jìn)行修正，得 到目標(biāo)合作模型； 步驟S13 :利用均值漂移算法實(shí)現(xiàn)的定位。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于： 提取目標(biāo)區(qū)域的顏色直方圖特征、紋理直方圖特征、梯度直方圖特征，分別生成的概率 圖，其向量均可表示為
提取背景區(qū)域的顏色直方圖特征、紋理直方圖特征、梯度直方圖特征，分別生成的概率 圖，其向量均可表示為
步驟S4中計算對比度值的公式為
其中目標(biāo)區(qū)域和背景區(qū)域采用具有H個區(qū)間的直方圖來表示，h表示特征分量，h = 1,2,……，H，f e {C，LBP，HOG}表示特征向量，C為顏色、LBP為紋理、HOG為梯度方向直方 圖。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于：步驟2中所述背景區(qū)域與目標(biāo)區(qū)域形狀 相同且具有相同中心點(diǎn)。
4. 根據(jù)權(quán)利要求3所述的方法，其特征在于：步驟S6中所述的學(xué)習(xí)算法為AdaBoost算 法。
5. 根據(jù)權(quán)利要求4所述的方法，其特征在于：步驟SlO中參數(shù)ε通過中位數(shù)估算得到， 其取值范圍為（〇，1)。
【專利摘要】本發(fā)明為一種基于局部對比顯著性聯(lián)合特征的目標(biāo)跟蹤方法。包括步驟：(1)目標(biāo)跟蹤開始初始化選取目標(biāo)區(qū)域和背景區(qū)域；(2)提取目標(biāo)區(qū)域和局部背景區(qū)域的顏色、紋理、梯度方向直方圖特征，進(jìn)行自下而上顯著特征提?。?3)自上而下的特征評估，修正顯著性模型；本發(fā)明利用顯著性特征強(qiáng)區(qū)分性、穩(wěn)健性，作為單一的特征的補(bǔ)充，能夠較好的表述目標(biāo)，可以提高系統(tǒng)在目標(biāo)與背景具有相似特征分布、局部遮擋、目標(biāo)自身變化等復(fù)雜場景下的跟蹤性能，具有較強(qiáng)的魯棒性。
【IPC分類】G06T7-20
【公開號】CN104537689
【申請?zhí)枴緾N201410822318
【發(fā)明人】鄭碎武, 劉林山, 喬紅
【申請人】中國科學(xué)院自動化研究所
【公開日】2015年4月22日
【申請日】2014年12月25日