一種基於雙向鑑別信息的目標跟蹤方法與流程

2023-10-11 05:29:39

本發明屬於圖像處理、視頻監控和計算機視覺的技術領域，特指一種基於雙向鑑別信息的目標跟蹤方法。

背景技術：

隨著智能交通、平安城市等一系列智能化概念的提出，智能視頻監控技術成為計算機視覺領域一個新興的應用方向和備受關注的前沿課題。其中在視頻圖像序列中對運動目標進行精確跟蹤已成為該領域的一個熱點研究方向。

在視頻圖像中進行目標頻跟蹤是指在連續相關的視頻圖像間，基於形狀、紋理、色彩等有關特徵對指定目標創建對應的匹配關係。目前常用的跟蹤方法主要有基於區域信息的跟蹤方法、基於特徵信息的跟蹤方法、基於形變模板的跟蹤方法以及基於貝葉斯推斷濾波技術的跟蹤方法。其中基於濾波技術的跟蹤方法可以通過預學習的狀態模型很好的適應各種不同複雜環境的變化問題，並且採用了遞歸的迭代運算處理，計算效率有了很大提高。因此基於濾波技術的方法受到了各國學者廣泛且深入的研究，成為目標跟蹤領域的主流方法之一。

目前基於濾波技術的跟蹤方法主要包括均值濾波跟蹤、粒子濾波跟蹤、卡爾曼濾波跟蹤等，雖然各種方法很多，但在一些智能視頻的實際應用場景下，跟蹤效果依然差強人意，無法滿足實際需求。

技術實現要素：

本發明的目的在於提出一種基於雙向鑑別信息的目標跟蹤方法，其創新性在於通過一種改進的粒子濾波方法對跟蹤參數進行精確估計，對每個粒子進行操作時，採用了目標和背景的雙向鑑別信息，因此每個粒子能夠提供更多的信息，本發明方法在不需要太多數目粒子的條件下依然可以達到很好的跟蹤效果。

為實現上述技術目的，本發明的技術方案是，

一種基於雙向鑑別信息的目標跟蹤方法，包括以下步驟：

S1對目標進行視頻拍攝，得到目標的視頻序列圖像{Pn(x,y)|n＝1,2,…N}。

S2在第一幀圖像對目標跟蹤進行初始化。

手動選擇包含目標的一個矩形，記為目標矩形A(x,y)，目標矩形大小為a×b。然後以目標矩形A(x,y)的中心像素(x0,y0)為中心，再選擇一個大小為(2a)×(2b)的矩形，這個矩形區域包含目標矩形A(x,y)，記屬於這個矩形區域且不屬於目標矩形的區域為B(x,y)，B(x,y)表示周圍的背景信息。

S3在下一幀圖像進行基於雙向鑑別信息的目標跟蹤；

S31選取M個粒子，每個粒子表示一個跟蹤矩形，且第n+1幀的跟蹤矩形的大小和第n幀的目標矩形的大小完全相同，所以每個粒子通過3個參數表示，其中表示跟蹤矩形的權重，表示跟蹤矩形的中心坐標，標號m∈{1,…,M}表示粒子的序號。

S32已知第n幀的目標矩形A(x,y)，中心像素為(x0,y0)以及周圍的背景區域B(x,y)；接下來在第n+1幀圖像上，以(x0,y0)為中心，隨機選取50個位置作為粒子的中心坐標：

其中ε1,ε2均為[-1,1]內的隨機數，β是一個常數，表示單幀像素偏移的範圍。然後給每個粒子的權重賦初值，初始權重設為1/M。

S33計算每個粒子代表的跟蹤矩形和前一幀的目標矩形的相似程度。

記此粒子所表示的跟蹤矩形為TA(x,y)，採用S2中相同的方法可以得到其周圍的背景區域，記為TB(x,y)。

首先通過直方圖計算A(x,y)和TA(x,y)的相似度corrA，方法為：將灰度空間劃分成32份，分別計算A(x,y)和TA(x,y)的直方圖，記為Hist1和Hist2；Hist1和Hist2均為長度為32的一維的向量，然後採用巴氏係數(Bhattacharyya係數)計算Hist1和Hist2相似度。

然後通過上述計算A(x,y)和TA(x,y)的相似度corrA相同的方法可以計算出B(x,y)和TB(x,y)的相似度，記為corrB。

corrA和corrB兩個相似度分別代表目標和背景的信息度，融合兩者的信息，得到一個最終的相似度信息：corrF＝corrA-corrB。

接著根據相似度計算當前粒子的觀測概率密度其中δ是個常數；然後更新當前粒子的權重：

S34對於所有的M個粒子都進行S31至S33的操作，計算出新的權重，然後再進行歸一化得到最終權重

S35所有粒子的權重都進行更新後，通過權重對每個粒子所代表的跟蹤矩形中心進行加權，可以得到最終的跟蹤矩形中心：

也即獲得目標在第n+1幀圖像的位置。

S4從第2幀開始，每一幀都通過S3中的方法計算出與之相鄰的前一幀對應的跟蹤參數{(Txn,Tyn)|n＝1,…,N-1},這樣可以獲得目標在每一幀的跟蹤結果。

在S31中，選取粒子數量M＝50。

在S32中，β取值50。

在S33中，採用巴氏係數(Bhattacharyya係數)計算Hist1和Hist2相似度，方法如下：

其中，Hist1和Hist2均為長度為32的一維的向量，所以Hist1(u)表示裡面的每個向量。

本發明的有益效果是：

本發明提出了一種基於雙向鑑別信息的目標跟蹤方法，通過一種改進的粒子濾波方法對跟蹤參數進行精確估計，對每個粒子進行操作時，採用了目標和背景的雙向鑑別信息，因此每個粒子能夠提供更多的信息，本發明方法在不需要太多數目粒子的條件下依然可以達到很好的跟蹤效果。本發明提出的方法複雜度小，實時性強，能夠有效的對目標視頻進行跟蹤，適用於各種視頻監控系統。

附圖說明

圖1本發明的流程圖。

具體實施方式

為使本發明的目的、技術方案和優點更加清楚，下面將結合附圖對本發明實施方式作進一步地詳細描述。

參照圖1，本發明提出了一種基於雙向鑑別信息的目標跟蹤方法，具體步驟如下：

S1，通過某種攝像工具如攝像機對目標進行視頻拍攝，得到目標的視頻序列圖像{Pn(x,y)|n＝1,2,…N}；

S2，在第一幀圖像對目標跟蹤進行初始化，告之被跟蹤目標的初始位置。

該步驟通過手工指定的方式完成。手工選擇包含目標的一個矩形，記為目標矩形A(x,y)，目標矩形大小為a×b。然後以目標矩形A(x,y)的中心像素(x0,y0)為中心，再選擇一個大小為(2a)×(2b)的矩形，這個矩形區域明顯更大且包含目標矩形A(x,y)，記屬於這個矩形區域且不屬於目標矩形的區域為B(x,y)。那麼矩形B(x,y)表示周圍的背景信息。

一般跟蹤算法裡面只使用目標矩形A(x,y)的信息，不考慮其他相關信息。而本發明不僅對目標矩形A(x,y)進行建模，也使用周圍的背景信息B(x,y)。同時採用目標和非目標(即背景)信息，可以有效的鑑別雙方的差異信息，得到更好的跟蹤效果。

基於粒子濾波的跟蹤方法是一個常用的跟蹤框架，粒子濾波器具有較好的平滑性、收斂性和魯棒性，能逼近狀態的最優估計。理論上，當粒子的數目為無窮多時，精度達到最優。但與此同時，粒子的數目太多會嚴重影響計算的效率。本發明借鑑了粒子濾波跟蹤框架的思想，對其進行一定的改進，同時採用目標和非目標(背景)的雙向鑑別信息，因此在不需要太多數目的粒子的條件下依然可以達到很好的跟蹤效果。

下面以相鄰兩幀圖像第n(≥1)幀和第n+1幀為例，詳細介紹如何用粒子濾波的思想進行目標跟蹤，也即根據第n幀的目標矩形的位置，計算第n+1幀的跟蹤矩形的位置。

S31為了提高效率，選取粒子數量M＝50，每個粒子表示一個跟蹤矩形，且第n+1幀的跟蹤矩形的大小和第n幀的目標矩形的大小完全相同，所以每個粒子通過3個參數表示，其中表示跟蹤矩形的權重，表示跟蹤矩形的中心坐標，標號m∈{1,…,M}表示粒子的序號。

S32已知第n幀的目標矩形A(x,y)，中心像素為(x0,y0)以及周圍的背景區域B(x,y)。接下來在第n+1幀圖像上，以(x0,y0)為中心，隨機選取50個位置作為粒子的中心坐標：

其中ε1,ε2均為[-1,1]內的隨機數，β是一個常數，表示單幀像素偏移的範圍，這裡取值50。然後給每個粒子的權重賦初值，初始權重設為1/M；

根據上述步驟，每個粒子的初始權重和位置信息都已經得到。

S33接下來計算每個粒子代表的跟蹤矩形和前一幀(即第n幀)的目標矩形的相似程度。相似程度越高的粒子賦予較大的權值，反之權值較小。下面任取一個粒子為例說明本發明的具體求得相似程度和權重的步驟。

記此粒子所表示的跟蹤矩形為TA(x,y)，採用S2中相同的方法可以得到周圍的背景區域，記為TB(x,y)。

首先通過直方圖計算A(x,y)和TA(x,y)的相似度corrA。為了簡化計算，將灰度空間劃分成32份，分別計算A(x,y)和TA(x,y)的直方圖，記為Hist1和Hist2。Hist1和Hist2均為長度為32的一維的向量，然後採用Bhattacharyya係數計算它們的相似度，定義如下：

然後通過相同的方法可以計算出B(x,y)和TB(x,y)的相似度，記為corrB。

corrA和corrB兩個相似度分別代表目標和背景的信息度，融合兩者的信息，可以得到一個最終的相似度信息：corrF＝corrA-corrB。由於相似度是通過目標和背景的信息融合而成，含有雙向鑑別信息，所以準確度較高，使得單個粒子能夠表徵更多的信息，這樣使得本發明在不需要太多數目的粒子的條件下依然可以達到很好的跟蹤效果。

接著根據相似度計算當前粒子的觀測概率密度其中δ是個常數。然後更新當前粒子的權重：

S34對於所有的50個粒子都進行上述操作，計算出新的權重，然後再進行歸一化得到最終權重

S35所有粒子的權重都進行更新後，通過權重對每個粒子所代表的跟蹤矩形中心進行加權，可以得到最終的跟蹤矩形中心：

也即獲得目標在第n+1幀圖像的位置。

通過上述方法，可以計算出相鄰兩幀圖像之間的跟蹤結果。這樣從第2幀開始，每一幀都通過上述步驟計算出與之相鄰的前一幀對應的跟蹤參數{(Txn,Tyn)|n＝1,…,N-1}。這樣可以獲得目標在每一幀的跟蹤結果。

以上包含了本發明優選實施例的說明，這是為了詳細說明本發明的技術特徵，並不是想要將發明內容限制在實施例所描述的具體形式中，依據本發明內容主旨進行的其他修改和變型也受本專利保護。本發明內容的主旨是由權利要求書所界定，而非由實施例的具體描述所界定。