一種基於全局搜索的實時分布場目標跟蹤方法
2023-04-27 19:34:01
一種基於全局搜索的實時分布場目標跟蹤方法
【專利摘要】本發明公開了一種基於全局搜索的實時分布場目標跟蹤方法，包括以下步驟：1)在第一幀選定的目標圖像I手動標記目標的位置；2)當目標圖像I的分布場模型經過高斯平滑處理後，目標模型建立，接下來是在下一幀圖像中確定待搜索區域並對其進行高斯平滑得到候選區域分布場，然後尋找與目標模型具有最大相關係數的圖像塊；3)將前後兩幀得到的兩個目標模型按照一定的學習率ρ融合來更新當前幀的目標模型；4)循環2)和3)，直到整個視頻序列結束。本發明採用基於相關係數的全局模板匹配搜索策略，既克服了原始分布場利用梯度下降法容易陷入局部最優值的局限，又避免使用L1距離度量相似性容易受噪聲影響的缺點，改進了跟蹤性能。
【專利說明】一種基於全局搜索的實時分布場目標跟蹤方法
【【技術領域】】
[0001]本發明屬於計算機視覺與圖像分析領域，具體涉及一種基於全局搜索的實時分布場目標跟蹤方法。
【【背景技術】】
[0002]跟蹤技術是計算機視覺的一個重要問題，已經廣泛應用到視頻監控，人機接口、機器人感知、行為理解和動作識別等領域。由於跟蹤過程中目標的旋轉、變形、遮擋和光照變化等複雜因素的影響，視覺跟蹤技術一直是一個值得深入研究的問題[1』2]。
[0003]一般地，跟蹤算法主要包括目標表示、搜索策略和模型更新三個方面。其中，目標表示是跟蹤算法首先要解決的問題。早期的目標常用一個模板表示，該模板包含目標的亮度、梯度信息或其他特徵[3]，但是它對目標的空間結構變化敏感。另一種基於模板的目標表示方法是直方圖表示法[4』5]，計算簡單，速度快，對目標的形變、姿勢變化等不敏感，可以在一定程度上避免漂移。但是，它是一種基於統計的目標表示方法，會丟失一些空間信息。而且，當目標與背景相似度較高時，這些方法表現力下降。2001年，V1late]等人首先將基於Haar-1ike特徵的Adaboost算法引入到人臉檢測中。由於將積分圖像的思想應用到Haar-1ike特徵的計算中，極大地提高了特徵的獲取速度。受此啟發，Babenkom等人通過在線多示例學習訓練分類器的方法，利用Haar-1ike特徵對目標和背景訓練一個判別式模型實現了魯棒地跟蹤。Haar-1ike特徵計算簡單，但對邊緣、線段比較敏感，而且只能描述特定走向的特徵，比較粗糙。姚志均M提出了一種新的空間直方圖相似性度量，將空間直方圖中的每個區間 的空間分布看作為一個高斯分布，用JSD (Jensen-Shannon Divergence)和直方圖相交法分別度量空間分布和顏色直方圖中的相似性，並將其應用到粒子濾波跟蹤算法中，改進跟蹤結果。
[0004]最近,LauraSevilla_Lara[9]等採用了一種新穎的分布場(Distribut1n Fields,簡稱DF)目標表示方法，並將其引入到目標跟蹤領域。該方法首先通過對圖像自然分層，保留原始圖像的基本信息，通過對圖像各層以及層間進行高斯平滑後，在目標表示中引入了 「模糊性」，在一定程度上克服了形變和光照等變化的影響。然而，在搜索策略上，原始分布場按照梯度下降法搜索，當出現極小值的時候停止搜索，部分降低運算量。但是對於目標函數是非凸的，梯度下降法在具體跟蹤過程中只是根據上一幀檢測得到目標的最大響應位置，在當前幀中從此位置開始在有限的區域內計算LI範數搜索目標，這樣對於目標運動相對比較快的情況下，在有限區域搜索易於陷入局部最優解，限制了跟蹤效果。
[0005]參考文獻:
[0006][I] Yilmaz A, Javed 0，ShahHAH M.0bject Tracking:a Survey [J], ACM ComputingSurveys (CSUR)，2006，38 (4): 13.[0007][2] Yang Han-xuan, Zheng Feng, Wang Liang, et al.Recent advances and trends invisual tracking:A review[J].Neurocomputing.2011，74(18):3823-3831.[0008][3]Baker S，Matthews 1.Lucas-Kanade20years on:A unifying framework [J].Internat1nal Journal of Computer Vis1n, 2004, 56(3): 221-255.[0009][4] Col I ins R T, Mean-shift blob tracking through scale space [C] //Proc of IEEE Computer Society Conference on Computer Vis1n and PatternRecognit1n, Madison:1EEE Press, 2003, 2:11-234-40.[0010][5] Ning J1-feng, Zhang Lei, Zhang David, et al.Robust Mean ShiftTracking with Corrected Background-Weighted Histogram[J],IET ComputerVis1n.2012, 6(1):62-69.[0011][6]V1la P, Jones M, Rapid object detect1n using a boosted cascade ofsimple features[C]//Proc of IEEE Conference on Computer Vis1n and PatternRecognit1n, Hawai1:1EEE Press2001, 1:511-518.[0012][7]Babenko B, Yang M, Belongie S, Robust Object Tracking with Online MultipleInstance Learning [J], IEEE Transact1n on Pattern Analysis and Machine Intelligence, 2011，33(8):1619-1632.[0013][8]姚志均.一種新的空間直方圖相似性度量方法及其在目標跟蹤中的應用[J].電子與信息學報，2013，35 (7): 1644-1649.[0014][9]Laura S L,Erik L M, Distribut1n fields for tracking[C]//Proc ofIEEE Conference on Computer Vis1n and Pattern Recognit1n.Providence:1EEEPress, 2012:1910-1917.【
【發明內容】
】
[0015]本發明的目的在於針對視頻目標跟蹤中存在目標被部分遮擋、旋轉、縮放、光照變化、運動模糊、複雜背景等困難和挑戰，提供了一種基於全局搜索的實時分布場目標跟蹤方法，以適應目標外觀模型的變化。
[0016]為達到上述的目的是，本發明通過如下技術方案實現的:
[0017]一種基於全局搜索的實時分布場目標跟蹤方法，包括以下步驟:
[0018]I)在第一幀選定的目標圖像I手動標記目標位置，即以一個矩形框劃定目標區域，標記出矩形框的左上角坐標及矩形框的寬、高，然後對劃定目標區域用分布場模型表示，分布場模型的構建如下:
[0019]利用Kronecker delta函數把目標圖像I用一個分布場模型表示，得到目標圖像I的分布場模型df(i，j, k)，其公式如下所示:
【權利要求】
1.一種基於全局搜索的實時分布場目標跟蹤方法，其特徵在於，包括以下步驟:1)在第一幀選定的目標圖像I手動標記目標位置，即以一個矩形框劃定目標區域，標記出矩形框的左上角坐標及矩形框的寬、高，然後對劃定目標區域用分布場模型表示，分布場模型的構建如下: 利用Kronecker delta函數把目標圖像I用一個分布場模型表示，得到目標圖像I的分布場模型df(i，j, k)，其公式如下所示:
2.根據權利要求1所述的一種基於全局搜索的實時分布場目標跟蹤方法，其特徵在於，學習率P設為0.9。
【文檔編號】G06T7/20GK104036528SQ201410298728
【公開日】2014年9月10日 申請日期:2014年6月26日 優先權日:2014年6月26日
【發明者】寧紀鋒, 叱幹鵬飛, 石武禎 申請人:西北農林科技大學