數字視頻目標跟蹤中的目標匹配方法
2023-05-20 07:39:26
專利名稱：：數字視頻目標跟蹤中的目標匹配方法
技術領域：
：本發明屬於數字圖像處理
技術領域：
，涉及運動目標跟蹤，具體是一種數字視頻運動目標匹配的方法。
背景技術：
：視頻目標跟蹤方法在數字視頻處理領域有很廣泛的應用。目標匹配方法屬於目標跟蹤方法的一部分。目標匹配方法的好壞直接決定了跟蹤方法的質量。目前目標匹配的方法主要有基於目標表象特徵的方法和基於統計建模的方法。K.Nummiaro,E.Koller-Meier,L.VanGool在文章"Anadaptivecolorbasedparticlefilter",ImageandVisionComputing,2003中提出了一禾中基於目標顏色分布的目標匹配準則。使用顏色作為目標匹配準則的方法很多，如P.Perez,C.Hue,J.VermaakandM.Gangnet,，，Color-BasedProbabilisticTracking,"EuropeanConferenceonComputerVision",pp.661-675，2002。這種方法有很多優點，比如對旋轉，部分遮擋的魯棒性等等。此外還有使用目標邊緣直方圖作為目標匹配準則的方法或者結合多種目標信息作為目標匹配的準則。上述目標的不足在於其使用的特徵信息都是基於幀內信息的，不包含目標的運動信息。而目標的運動信息是運動目標跟蹤方法最需要獲取的。基於顏色分布的目標匹配方法在圖5中的目標跟蹤任務失敗恰恰是由於該方法缺少運動信息。基於統計建模的方法在目標跟蹤的任務中也常被採用，如M.Isard,J.MacCormick在"BraMBLe:ABayesianMultiple-BlobTracker"，InternationalConferenceonComputerVision，2001中所述的方法；R.Pless在"Spatio-temporalbackgroundmodelsforoutdoorsurveillance",EURASIPJournalonAppliedSignalProcessing,pp.2281-229，2005中所述的方法。基於統計建模的方法，如上述兩篇引文中介紹的那樣，通常是選擇目標的一種統計特徵，然後訓練一個統計模型來描述該特徵。這個模型則作為對後續幀中目標匹配的量度。然而傳統的目標統計模型的不足點是由於對整幀圖像內的像素建模，要求鏡頭不能運動或者只能容忍幅度很小的抖動，因而不適用對攝像鏡頭隨著載具運動的視頻序列中的目標進行跟蹤。
發明內容本發明的目的在於克服上述已有技術的不足,提出一種數字視頻目標跟蹤中的目標匹配方法，以實現在航拍視頻序列中對目標的穩定跟蹤。為實現上述目的,本發明的目標匹配方法包括如下步驟(1)根據目標像素的統計特徵建立基於視頻目標時空信息模型；(2)計算視頻後續幀中的所有目標位置假設的每一個像素與所述目標時空信息模型的擬合程度，並判斷這些擬合程度，對於擬合程度大於設定門限的像素認為其屬於目標時空信息模型,使用核函數對後續幀中屬於上述模型的像素加權,計算每一個目標位置假設和時空信息模型的匹配度；(3)計算後續幀中所有目標位置假設的上述匹配度，對於匹配度高於設定閾值2或閾值l的目標位置假設認為是目標的真實位置，並用匹配度高於設定閾值2的目標位置假設置更新目標時空信息模型。所述的建立基於視頻目標時空信息模型,按如下步驟進行(la)根據初始幀中標定的目標位置計算該位置中每個像素點在x,y，t方向上的偏導數作為該像素的統計特徵(lb)統計所有初始幀中的目標位置中相對應位置所有像素的統計特徵；(lc)使用高斯分布模型描述目標位置上每一個像素的統計特徵,獲取該高斯模型的均值向量和方差矩陣。所述的更新目標時空信息模型,按如下步驟進行(3a)計算匹配度大於闞值2的目標位置假設中的每個像素點在x,y,t方向上的偏導數作為該像素的統計特徵；(3b)根據統特徵計算目標時空信息模型的更新參數Anew-A+(n+1)2O^new—AO(/^new—AO，式中，An^為更新後模型的方差矩陣，Mnew為更新後模型的統計特徵均值向量，A為原模型的方差矩陣，p為原模型的統計特徵均值向量，n為訓練幀的幀數。本發明由於使用運動目標的時空信息模型計算目標的匹配度，所以能夠分辨出使用諸如顏色，邊緣等幀內信息作為匹配度所不能分辨的目標；同時由於時空信息模型是直接建立在目標上而不是一個全局的模型，故可實現在航拍視頻中使用。仿真結果表明，用本發明的方法在航拍視頻中更夠正確分辨出地面運動目標,如各種車輛。圖l是本發明的整體流程圖圖2是本發明用於建立目標時空信息模型使用的訓練幀圖圖3是本發明後續幀上的一些目標位置假設圖；圖4是基於現有巴氏距離的匹配準則的跟蹤效果圖；圖5是基於本發明所述匹配準則的跟蹤效果圖。具體實施例方式參照圖1，本發明的目標匹配方法包括如下步驟步驟l，建立運動目標時空信息模型。根據圖2所示的初始幀標定的目標位置，計算每個標定框內的像素的時空差分統計特徵=(/x⑧t),/y(^:U(At))t，其中為該像素的灰度值，-代表像素位置，t為時間。如果視頻幀是彩色的，則先要將其轉換為灰度圖。具體建模過程如下(l.l)根據初始幀中標定的目標位置計算該位置中每個像素點在x，y，t方向上的偏導數作為該像素的統計特徵；(1.2)統計所有初始幀中的目標位置中相對應位置所有像素的統計特徵；(1.3)使用一個或者是多個高斯分布模型描述訓練幀中目標位置上每一個像素的統計特徵，獲取該高斯模型的均值向量和方差矩陣,每個分布的方差矩陣為式中,n為屬於該分布的視頻幀數，^為統計特徵的均值向量。使用多個分布模型的情況是，先使用監督聚類算法找到統計特徵的各個聚類中心，其餘步驟同單模型情況。步驟2,計算匹配度。(2.1)計算如圖3所示的後續幀目標假設的上述統計特徵和該位置的統計模型的距離d=mirii(V他t)-/^)rA"(▽/(-,0-^)'式中，d為特徵向量在多組高斯分布統計特徵中的最小的馬氏距離，I為該像素的灰度值，-代表像素位置，t為時間，A"是一個高斯分布方差矩陣的逆。如果d小於設定的一個門限，則認為此位置的像素屬於時空信息模型。(2.2)使用一個核函數，如高斯核函數fc(r)=ae—^，對目標位置假設中所有屬於時空信息模型的像素加權，fc為權值，a為權重放大係數，r為目標位置假設中某像素到目標位置假設幾何中心的歐式距離，(12為此高斯核函數的方差，該核函數的極大值位於目標位置假設幾何中心，函數值隨像素到此幾何中心的距離衰減，(2.3)將目標位置像素的權值求和後與目標位置假設中像素數目相比，其比值為百分數制大於0小於100%,需要注意的是如果加權函數使目標位置假設和模型的匹配度超過100%則需要調整其參數和d的值。步驟3,目標匹配和模型更新。(3.l)對某一後續幀中所有目標位置假設的匹配度進行判斷，對於匹配度高於設定閾值2或閾值1的目標位置假設認為是目標的真實位置，並用匹配度高於設定閾值2的目標位置假設置更新目標時空信息模型。(3.2)計算大於閾值2的目標位置假設像素的的統計特徵V/(^t)-(^(^t),/y(:At),/t(A0)t，使用這些統計特徵更新模型的參數formulaseeoriginaldocumentpage7式中,An^為更新後模型的方差矩陣，^ew為更新後模型的統計特徵均值向量，A為原模型的方差矩陣，^為原模型的統計特徵均值向量,n為訓練幀的幀數。步驟4,循環步驟2-3直到跟蹤任務結束。本發明的效果可通過以下仿真詳細說明(1)仿真條件，本發明中的仿真實驗結果是使用卡內基梅隆大學提供的VIVD資料庫中egtest01數據在Matlab環境下得到的；跟蹤算法使用粒子濾波器。(2)仿真內容，使用現有的基於顏色分布的巴氏距離匹配方法和本發明所述的匹配方法在egtest01資料庫上進行目標跟蹤對比。(3)仿真結果，如圖4、圖5和表1、表2所示。圖4給出了採用現有的基於顏色分布的目標匹配方法在粒子濾波器跟蹤算法引導下的跟蹤結果。從圖4中可以看到，使用現有的基於顏色分布的目標跟蹤方法不能分辨顏色相近的兩輛車。圖5給出了採用本發明所述的目標匹配方法在粒子濾波器跟蹤算法引導下的跟蹤結果。從圖5中可以看到，由於本發明所述的目標匹配方法整合了目標的運動信息，可以根據運動信息分辨出顏色相近的這兩輛車。表1給出了圖3左中的目標位置假設在基於本發明所述匹配度和基於顏色的巴氏距離的匹配度。表1tableseeoriginaldocumentpage7從表1和圖3可以看出本發明所述的目標匹配方法對目標真實位置的匹配度的高，對目標位置假設1和目標位置假設2的匹配度低。所以本發明所述的目標匹配方法較現有的基於顏色分布的巴氏係數的匹配方法有更好的分辨力。表2給出了圖3右中的目標位置假設在基於本發明所述匹配度和基於顏色的巴氏距離的匹配度。表2tableseeoriginaldocumentpage8從表2和圖3可以看出本發明所述的目標匹配方法對目標真實位置的匹配度的高，對目標位置假設1和目標位置假設2的匹配度低。所以本發明所述的目標匹配方法較現有的基於顏色分布的巴氏係數的匹配方法有更好的分辨力。權利要求1.一種數字視頻目標跟蹤中的目標匹配方法，包括以下步驟(1)根據目標像素的統計特徵建立基於視頻目標時空信息模型；(2)計算視頻後續幀中的所有目標位置假設的每一個像素與所述目標時空信息模型的擬合程度，並判斷這些擬合程度，對於擬合程度大於設定門限的像素認為其屬於目標時空信息模型，使用核函數對後續幀中屬於上述模型的像素加權，計算每一個目標位置假設和時空信息模型的匹配度；(3)計算後續幀中所有目標位置假設的上述匹配度，對於匹配度高於設定閾值2或閾值1的目標位置假設認為是目標的真實位置，並用匹配度高於設定閾值2的目標位置假設置更新目標時空信息模型。2.根據權利要求l所述目標匹配方法，其中步驟(l)所述的建立基於視頻目標時空信息模型，按如下步驟進行(la)根據初始幀中標定的目標位置計算該位置中每個像素點在x，y，t方向上的偏導數作為該像素的統計特徵；(lb)統計所有初始幀中的目標位置中相對應位置所有像素的統計特徵；(lc)使用高斯分布模型描述目標位置上每一個像素的統計特徵，獲取該高斯模型的均值向量和方差矩陣。3.根據權利要求l所述的匹配方法，其中步驟(2)所述的計算後續幀中所有目標位置假設的上述匹配度，是使用和函數對目標位置假設中所有屬於高斯分布模型像素加權後進行求和，將該加權和與該目標位置假設中所有像素數目相比，將該比值作為匹配度。4.根據權利要求1所述的匹配方法，其中步驟(2)所述的核函數，它的極大值位於目標位置假設幾何中心，函數值隨像素到此幾何中心的距離衰減。5.權利要求1所述的匹配方法，其中步驟(3)所述的閾值1與閾值2的取值均大於0%小於100%，且閾值2大於閾值1。6.根據權利要求1所述的目標匹配方法，其中步驟(3)所述的更新目標時空信息模型,按如下步驟進行(3a)計算匹配度大於閾值2的目標位置假設中的每個像素點在x，y,t方向上的偏導數作為該像素的統計特徵(3b)根據統特徵計算目標時空信息模型的更新參數Anew=A+(n+1)2(〃new-〃)(Pnew-M)T，式中,Anew為更新後模型的方差矩陣，^evv為更新後模型的統計特徵均值向量，A為原模型的方差矩陣，p為原模型的統計特徵均值向量,n為訓練幀的幀數。7.根據權利要求2所述的的目標匹配方法，其中步驟(lc)所述的使用高斯分布模型描述目標位置上每一個像素的統計特徵,採用一個高斯分布模型或者多個高斯分布模型對目標位置上每一個像素的統計特徵進行描述。全文摘要本發明公開了一種數字視頻目標跟蹤中的目標匹配方法。其步驟為(1)根據目標像素的統計特徵建立視頻目標時空信息模型；(2)計算視頻後續幀中的所有目標位置假設的每一個像素與所述目標時空信息模型的擬合程度，並判斷這些擬合程度，對於擬合程度大於設定門限的像素認為其屬於目標時空信息模型，使用核函數對後續幀中屬於上述模型的像素加權，計算每一個目標位置假設和時空信息模型的匹配度；(3)計算後續幀中所有目標位置假設的上述匹配度，對於匹配度高於設定閾值2或閾值1的目標位置假設認為是目標的真實位置，並用匹配度高於設定閾值2的目標位置假設置更新目標時空信息模型。本發明具有分辨力高，跟蹤目標穩定的優點，可用於在航拍視頻中的運動目標跟蹤。文檔編號G06T7/20GK101458816SQ20081023271公開日2009年6月17日申請日期2008年12月19日優先權日2008年12月19日發明者候彥賓,毅張,梁繼民,捷田,曦肖,胡海虹,恆趙申請人:西安電子科技大學