專利名稱：一種基于背景抑制的后驗(yàn)概率圖像跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種圖像跟蹤方法，特別涉及一種基于背景抑制的后驗(yàn)概率 圖像跟蹤方法。
背景技術(shù)：
視覺跟蹤在機(jī)器人、安全監(jiān)控、人機(jī)交互等領(lǐng)域有著廣泛的應(yīng)用，近年 來吸引了眾多研究者的注意，成為當(dāng)前計算機(jī)視覺領(lǐng)域中的研究熱點(diǎn)之一。 目前存在的視覺跟蹤方法主要分為兩類，基于運(yùn)動信息的方法和基于模型的 方法。其中，基于運(yùn)動信息的方法是利用目標(biāo)的運(yùn)動信息對目標(biāo)進(jìn)行跟蹤， 它把一段時間內(nèi)具有運(yùn)動一致性的點(diǎn)歸為一類，如光流法和特征點(diǎn)法，這種 方法的缺點(diǎn)是計算量太大?；谀Ｐ偷姆椒ㄖ饕峭ㄟ^模板匹配的方式實(shí)現(xiàn)， 根據(jù)其匹配特征的不同，分為基于目標(biāo)邊界特征的方法和基于目標(biāo)區(qū)域特征 的方法。其中，基于目標(biāo)邊界的方法主要利用圖像中的邊緣信息進(jìn)行圖像匹
配，包括基于Hausdorff距離的邊緣匹配方法，基于Chamfer距離的邊緣匹 配方法，基于邊界方向直方圖的匹配方法等。而基于目標(biāo)區(qū)域的方法通過對 目標(biāo)整個區(qū)域顏色、紋理等特征信息的分析，能夠得到目標(biāo)本身更多的信息， 有利于排除背景的干擾，在背景復(fù)雜的環(huán)境下，其匹配效果要優(yōu)于基于邊界 的匹配方法。
基于模板匹配的方法得到了廣泛的應(yīng)用。然而，無論是基于邊界特征的 匹配方法，還是基于區(qū)域特征的匹配方法，都存在著一個非常關(guān)鍵的問題， 即通過什么指標(biāo)來衡量兩個待匹配對象之間的相似程度，即相似性判據(jù)問題。到目前為止，相似性判據(jù)主要分為兩類，即距離相似性判據(jù)和相關(guān)性判據(jù)。
前者主要包括絕對差別(Absolute Difference)、平均絕對差別(MAD)、平 方距離(Sum of Squared Distance)、 Hausdorff距離、Chamfer距離等指標(biāo)， 后者包括乘積相關(guān)性(Product Correlation)、歸一化的乘積相關(guān)性、 Kullback-Leiber散度(Kullback-Leiber Divergence)、巴氏系數(shù)等指標(biāo)。
在當(dāng)前的圖像匹配領(lǐng)域中，基于巴氏系數(shù)指標(biāo)的模板匹配方法是應(yīng)用最 為廣泛的方法之一。備受關(guān)注的Mean Shift跟蹤算法，就是以巴氏指標(biāo)作為 模板與待匹配區(qū)域之間相似度衡量的依據(jù)。但對于一些背景區(qū)域存在干擾的
匹配問題，例如背景中存在與目標(biāo)類似的像素，或者目標(biāo)模板中存在背景像 素的時候，應(yīng)用巴氏指標(biāo)計算所得的目標(biāo)最優(yōu)值位置與目標(biāo)對象的真實(shí)位置 之間有明顯偏差，甚至?xí)霈F(xiàn)錯誤匹配的情況。
發(fā)明內(nèi)容
本申請的發(fā)明人分析了該現(xiàn)象出現(xiàn)的原因在于目標(biāo)模板中存在的背景像 素在匹配過程中也會對相似度值有所貢獻(xiàn)，這種貢獻(xiàn)有時候甚至大于真正的 目標(biāo)特征類像素的貢獻(xiàn)，從而造成目標(biāo)定位偏差或者錯誤。
為了解決上述問題，本發(fā)明提出了一種基于背景抑制的后驗(yàn)概率圖像跟 蹤方法，能夠克服當(dāng)前基于模板匹配的圖像跟蹤算法中存在定位偏差的缺陷， 提供一套有效的系統(tǒng)的實(shí)時圖像跟蹤算法。
本發(fā)明的理論根據(jù)源于發(fā)明人發(fā)表在《自動化學(xué)報》2007年第一期文章 ——"基于最大后驗(yàn)概率的圖像匹配相似性指標(biāo)研究"。文中后驗(yàn)概率相似度 指標(biāo)是一種新的圖像匹配相似性度量指標(biāo)，通過尋找具有后驗(yàn)概率最大值的 候選目標(biāo)區(qū)域來確定目標(biāo)所在位置。該指標(biāo)的定位精度、峰值特性和模板尺寸的容許度都要優(yōu)于Bhattacharyya系數(shù)、Kullback-Leibler距離、歸一化的交 叉相關(guān)等指標(biāo)。
為了給出后驗(yàn)概率相似度指標(biāo)，首先介紹以下概念。搜索區(qū)域指一個包 含目標(biāo)區(qū)域及其周圍背景的較大區(qū)域，屬于一幀圖像的子區(qū)域。對每幀圖像 而言，在搜索區(qū)域中尋找與目標(biāo)模板最為相似的區(qū)域作為目標(biāo)區(qū)域，該過程 就是圖像跟蹤中的目標(biāo)定位過程。搜索區(qū)域的特征向量記為s， seiT"，其 中氣為特征的維數(shù)，iT"為氣維的實(shí)數(shù)空間。所跟蹤的目標(biāo)模板的特征向量 記為g，《eiT"，待匹配目標(biāo)區(qū)域的特征記為/7，戶eiT"。用搜索區(qū)域特征 向量的分量&除第w個特征對應(yīng)的目標(biāo)模板特征和待匹配區(qū)域特征的相關(guān)積 (當(dāng)^=0時，表示第w特征在搜索區(qū)中缺失，定義商^/&=0)。于是 可以得到如公式(一)所示的后驗(yàn)概率相似度指標(biāo)函數(shù)
w/^)-丄l;M; 公式(一)
其中，A為待匹配目標(biāo)區(qū)域的第w個特征值，^為目標(biāo)模板的第"個特征值，
m為目標(biāo)模板中的像素總數(shù)。該指標(biāo)具有明確的物理意義，即該指標(biāo)的值衡
量了待匹配區(qū)域是真實(shí)的目標(biāo)區(qū)域的后驗(yàn)概率。搜索區(qū)域中包含了大量的背 景像素，因此，如果第w個特征屬于背景特征，則&的值相對較大，相關(guān)積
將受到較大的抑制；如果第w個特征屬于目標(biāo)特征， 的值相對較小，相關(guān) 積將受到較小的抑制，相當(dāng)于提升了該特征相對的相關(guān)積的權(quán)重。
上述公式(一)所示的后驗(yàn)概率指標(biāo)不僅能夠通過特征維數(shù)求和得到， 還能夠通過像素求和得到。在該指標(biāo)能夠按照像素求和得到的計算特性的基 礎(chǔ)上，本發(fā)明可以實(shí)現(xiàn)新的待匹配區(qū)域相似度的快速計算，即加上新包含進(jìn) 當(dāng)前待匹配目標(biāo)區(qū)域的像素的相似度貢獻(xiàn)值，減去已不再包含在當(dāng)前待匹配目標(biāo)區(qū)域的像素的相似度貢獻(xiàn)值。不斷重復(fù)該計算過程，求得具有最大相似 度值的候選目標(biāo)區(qū)域作為最終的目標(biāo)區(qū)域。即可以通過平移待匹配區(qū)域來進(jìn) 行快速搜索目標(biāo)區(qū)域。
本發(fā)明提出的目標(biāo)區(qū)域尺寸自適應(yīng)算法也是基于后驗(yàn)概率指標(biāo)的像素級 計算特性的。通過比較當(dāng)前幀圖像中目標(biāo)區(qū)域的邊界層像素、邊界內(nèi)層像素 和邊界外層像素的相似度貢獻(xiàn)平均值，來確定擴(kuò)大、縮小還是維持下一幀圖 像的目標(biāo)區(qū)域尺寸，從而實(shí)現(xiàn)目標(biāo)區(qū)域尺寸自適應(yīng)變化。
本發(fā)明采用以下技術(shù)方案予以實(shí)現(xiàn) 一種基于背景抑制的后驗(yàn)概率圖像 跟蹤方法，其特征在于，包括以下步驟
步驟一，計算搜索區(qū)域內(nèi)像素的相似度貢獻(xiàn)值確定目標(biāo)模板，其特征 向量為《，《eiT"，實(shí)時獲取視頻圖像，以上一幀圖像中的目標(biāo)區(qū)域的位置 為中心，確定當(dāng)前幀圖像的搜索區(qū)域，統(tǒng)計該搜索區(qū)域的特征向量S ， S e iT"， 其中氣為特征的維數(shù)，iT"為氣維的實(shí)數(shù)空間；根據(jù)目標(biāo)模板的特征向量《
和搜索區(qū)域的特征向量S，計算搜索區(qū)域內(nèi)每個像素的相似度貢獻(xiàn)值^^，
其中&c/)表示搜索區(qū)域中的第y個像素所對應(yīng)的目標(biāo)模板向量中的第"個
特征值，^c/)表示搜索區(qū)域中的第y個像素所對應(yīng)的搜索區(qū)域向量中的第" 個特征值；
步驟二，進(jìn)行快速平移目標(biāo)搜索根據(jù)當(dāng)前幀圖像中的目標(biāo)區(qū)域尺寸，
確定當(dāng)前幀圖像中待匹配目標(biāo)區(qū)域尺寸；平移待匹配目標(biāo)區(qū)域得到新的待匹 配目標(biāo)區(qū)域，按照像素計算所有待匹配目標(biāo)區(qū)域相對目標(biāo)模板的相似度指標(biāo)
函數(shù)0(Z^)， =丄|]^44，其中附表示待匹配目標(biāo)區(qū)域中的像素總
附聲i數(shù)，搜索得到函數(shù)值最大的待匹配目標(biāo)區(qū)域?yàn)楫?dāng)前幀目標(biāo)區(qū)域；
步驟三，進(jìn)行目標(biāo)區(qū)域尺寸自適應(yīng)搜索按照像素計算當(dāng)前幀圖像中的
目標(biāo)區(qū)域的邊界層像素的相似度貢獻(xiàn)平均值f、邊界內(nèi)第一層像素的相似度 貢獻(xiàn)平均值i,和邊界外第一層像素的相似度貢獻(xiàn)平均值s,其中邊界層由目 標(biāo)區(qū)域邊界上的像素組成，邊界內(nèi)第一層由邊界層向內(nèi)最鄰近的像素組成，
邊界外第一層由邊界層向外最鄰近的像素組成；
根據(jù)如下公式對下一幀圖像的目標(biāo)區(qū)域尺寸進(jìn)行自適應(yīng)確定<formula>formula see original document page 8</formula>其他
其中W(/)表示當(dāng)前幀圖像中的目標(biāo)區(qū)域尺寸，>1</ + 1)表示下一幀圖 像中的目標(biāo)區(qū)域尺寸。
所述快速平移目標(biāo)搜索中，待匹配目標(biāo)區(qū)域相對目標(biāo)模板的相似度指標(biāo) 函數(shù)值通過對其中的每個像素的相似度貢獻(xiàn)值求和的方式得到，新的待匹配 目標(biāo)區(qū)域相對目標(biāo)模板的相似度指標(biāo)函數(shù)值可以通過加上新包含進(jìn)的像素的 相似度貢獻(xiàn)值，減去已不再包含的像素的相似度貢獻(xiàn)值來計算。
本發(fā)明具有明顯的創(chuàng)造性和有益效果
本發(fā)明利用了新的圖像相似性度量指標(biāo)，即后驗(yàn)概率指標(biāo)。該指標(biāo)利用 搜索區(qū)域的統(tǒng)計特征來抑制匹配區(qū)域特征中背景成分的影響，根據(jù)待匹配目 標(biāo)區(qū)域與目標(biāo)模板之間匹配程度的后驗(yàn)概率值來實(shí)現(xiàn)相似性度量。無論指標(biāo) 函數(shù)的峰值特性分布圖，還是序列圖像的匹配結(jié)果，所提出的指標(biāo)都明顯優(yōu) 于巴氏指標(biāo)。由于后驗(yàn)概率指標(biāo)能夠進(jìn)行像素級計算，本發(fā)明利用該計算特性，提出 了快速平移目標(biāo)搜索算法和目標(biāo)區(qū)域尺寸自適應(yīng)算法，使得本發(fā)明的跟蹤精 度高，速度快。
下面結(jié)合附圖和具體實(shí)施方式
對本發(fā)明的內(nèi)容作進(jìn)一步詳細(xì)說明。 圖1是快速平移目標(biāo)搜索算法示意圖； 圖2是目標(biāo)區(qū)域尺寸自適應(yīng)算法示意圖3是目標(biāo)區(qū)域尺寸自適應(yīng)算法規(guī)則圖4a是Mean Shift跟蹤算法的跟蹤結(jié)果圖4b是本發(fā)明的快速平移目標(biāo)搜索算法的跟蹤結(jié)果圖5是本發(fā)明的目標(biāo)區(qū)域尺寸自適應(yīng)算法的跟蹤結(jié)果圖。
具體實(shí)施例方式
首先，介紹圖像特征的表示方法。
在圖像處理方面，顏色特征的應(yīng)用非常廣泛。顏色特征對于圖像的朝向、 分辨率以及噪聲等都不敏感。在顏色表示方法中，直方圖則是最受歡迎的圖 像顏色統(tǒng)計特征，它簡單易行，計算效率高。因此，本實(shí)施例使用顏色直方 圖作為圖像特征來描述目標(biāo)模板、搜索區(qū)域和候選目標(biāo)區(qū)域。
在使用顏色直方圖來描述圖像時，需要考慮兩個問題，色彩空間的選擇 和直方圖的量化。在此，選擇RGB空間進(jìn)行分析，顏色特征量化為4096級。 假定某個像素的各個色彩分量值分別為(凡G，S)，它相應(yīng)的量化特征按下式 計算
w = [rx256 + gxl6 + 6]; 公式(二)其中，^=[^]， g = ["^]， 6 = [A]，運(yùn)算符["]表示取整運(yùn)算。由此，目標(biāo)
16 16 16
模板的特征用{^|" = 1，2,...，4096}來表示。類似地，搜索區(qū)域的特征表示為
{&|w = l，2，...,4096}，候選目標(biāo)區(qū)域的特征表示為^"lz^1，2，…，4096)。
其次，介紹后驗(yàn)概率相似度指標(biāo)的像素級計算特性。 后驗(yàn)概率指標(biāo)不僅可以按照特征維數(shù)進(jìn)行計算，還可以按照像素進(jìn)行計 算。如公式(一)所示，m"是圖像統(tǒng)計特征的維數(shù)，最大后驗(yàn)概率指標(biāo)正是
對每維特征計算其M值，求和得到。這種方式就是按照維數(shù)計算，下面將
分析該指標(biāo)還能夠按照像素計算。
采用直方圖作為圖像的統(tǒng)計特征。假定要統(tǒng)計第"個特征的值，即M，
以像素的形式來求就是將該候選目標(biāo)區(qū)域中所有特征為w的像素對應(yīng)的^
求和。如果有w個這樣的像素，則其和為
"^ + ^L +…+ ^L，i。 公式(三)
顯然，w是該候選目標(biāo)區(qū)域中特征為"的像素數(shù)目，而且它正是該候選目標(biāo)
區(qū)域第w個特征的統(tǒng)計值，也就是說&="。此處所用的直方圖特征是未歸 一化的。對每維特征，其對應(yīng)的^值都可以通過像素對應(yīng)的4值求和得
到。這樣轉(zhuǎn)換后，就可以對候選區(qū)域的每個像素計算其對應(yīng)的i，然后全部 相加得到相似度值，而每個像素對應(yīng)的^"值則表示了該像素的相似度貢獻(xiàn)。
從而，公式(一)可以改寫為如下的形式<formula>formula see original document page 11</formula>其中，m是候選目標(biāo)區(qū)域中的像素數(shù)。設(shè)候選目標(biāo)區(qū)域中的像素乂所對應(yīng)的 顏色特征是直方圖向量的第w維，&(_/)和&(力分別表示目標(biāo)模板直方圖向 量和搜索區(qū)域直方圖向量的第w維的值。
其它的相似性度量指標(biāo)由于包含開方或者對數(shù)運(yùn)算，只能按照特征維數(shù) 進(jìn)行計算，無法按照像素進(jìn)行計算。我們正是根據(jù)后驗(yàn)概率指標(biāo)的這一計算 特性，提出了快速平移目標(biāo)搜索算法和目標(biāo)尺寸自適應(yīng)算法。
第三，介紹本發(fā)明的具體實(shí)施示例。
假設(shè)己經(jīng)獲得目標(biāo)模板的統(tǒng)計特征向量|w = 1，2，...，4096};目標(biāo)在上
一幀圖像中的位置為r。 目標(biāo)模板的高度和寬度分別為附^//_/7和
W6// —W;候選目標(biāo)區(qū)域的高度和寬度分別為0^ —/2和oZ / —W;搜索區(qū)域與 候選目標(biāo)區(qū)域的高度比和寬度比分別為"a一/2和M" — W;搜索區(qū)域的高度和
寬度分別為wa /z和w" w，其中
一 —。
公式(五)
化"—w = — w x sca — w 本發(fā)明所處理的圖像是通過攝像頭實(shí)時捕捉的連續(xù)圖像，假定目標(biāo)在兩 幀圖像中的相對位移不是很大，則可以將上幀圖像中目標(biāo)的位置作為當(dāng)前幀 圖像的搜索區(qū)域的中心。
對于每一幀捕捉到的圖像主要通過如下7個步驟來確定跟蹤目標(biāo)的位
置
S^^:根據(jù)上一幀圖像中跟蹤目標(biāo)的位置/;={、，>;。}來初始化當(dāng)前幀 搜索區(qū)域的中心位置，并根據(jù)上一幀目標(biāo)區(qū)域的大小通過公式(五)來計算搜索區(qū)域的大小。
S嘩2:計算搜索區(qū)域的顏色特征{ 卜二 1,2，...，4096}
針對搜索區(qū)域中的每個像素通過
(/，力={^1^}，其中/ = 1，.."^^ —/z，y、l…,化a — w 公式(六) W，刀
計算各個像素點(diǎn)的相似度權(quán)重。其中，w(/，y)表示第(/，乂)個像素的相似度貢
獻(xiàn)，^(/，y)表示第(/,y')個像素對應(yīng)的顏色特征在模板圖像中的統(tǒng)計值， ^^，力表示第a力個像素對應(yīng)的顏色特征在搜索區(qū)域中的統(tǒng)計值。與公式
(四)不同的是，此處用像素的二維坐標(biāo)來標(biāo)識，而公式(四)用一個序號 來標(biāo)識，兩者可以互相轉(zhuǎn)換。
Sfe/^:快速平移候選目標(biāo)區(qū)域，對每一個可能的候選目標(biāo)區(qū)域根據(jù)公式 (四)計算^(M)。
S嘩5:找到0(/7,《)的最大值，表示為^,(/^) = $，,)(/^)，其中
(/*，,)為取得該最大值的候選區(qū)域的中心，即當(dāng)前幀的目標(biāo)區(qū)域位置。
分印&目標(biāo)位置平滑。為了獲得一個更為可靠的目標(biāo)位置，我們設(shè)計 了一個目標(biāo)位置平滑過程。在最優(yōu)位置(/*，,)的適當(dāng)鄰域中，通過
www
》 》
做附， 凡=w騰
公式(七)
來計算平滑后的目標(biāo)最優(yōu)位置，其中(/,力滿足《;)(/7,《)-0,(/7,《)《" S是一個正常數(shù)，此處設(shè)5 = 0.1。 WWW是用來做平滑運(yùn)算的侯選目標(biāo)區(qū)域的
數(shù)目，(x。,凡)為最終獲得的目標(biāo)的位置。
5te; 7:自適應(yīng)調(diào)整目標(biāo)區(qū)域尺寸，獲取更加合適的目標(biāo)區(qū)域尺寸0^'_/ 禾口 — W 。
第四，詳細(xì)介紹快速平移目標(biāo)搜索算法，即Ste/^和5fe/x5。 在上述的跟蹤過程中有一個求解相似性指標(biāo)最大值的過程，通常的做法 是采用窮舉搜索或者某種優(yōu)化算法，如mean-shift和trust-region。本發(fā)明文
根據(jù)后驗(yàn)概率指標(biāo)的像素級線性求和特點(diǎn)，提出了一種快速平移目標(biāo)搜索算 法。
假定搜索區(qū)域內(nèi)每個像素的相似度權(quán)重w(/，/)已經(jīng)求得，為了得到每個 待匹配目標(biāo)區(qū)域的相似度值^(/;,《)，需要在其區(qū)域內(nèi)求得所有像素的相似度 權(quán)重之和。如果在每個待匹配目標(biāo)區(qū)域進(jìn)行該計算，時間耗費(fèi)非常大。由上 述分析可以看到，采用后驗(yàn)概率作為相似性度量指標(biāo)可以按照像素求和得到 待匹配目標(biāo)區(qū)域的相似值，在求得一個待匹配目標(biāo)區(qū)域的相似值后，其相鄰 待匹配目標(biāo)區(qū)域的相似度值可以在前者的相似度值的基礎(chǔ)上，通過加上新包 含進(jìn)的像素對應(yīng)的相似度值，減去已不再包含的像素對應(yīng)的相似度值來得到。 應(yīng)用該方法可以大大減少計算量，即使采用遍歷搜索，也可以達(dá)到實(shí)時要求。 如圖1所示，圖中的黑點(diǎn)表示像素點(diǎn)，在求得第/個候選目標(biāo)區(qū)域的相似度 值后，第y個候選目標(biāo)區(qū)域的相似度值可以通過加上第8列中屬于第J'個候 選目標(biāo)區(qū)域的像素對應(yīng)的相似度值，減去第2列中屬于第/個候選目標(biāo)區(qū)域 的像素的相似度值來得到。在行方向上移動的計算方法與列方向上移動的計 算方法是類似的。通過這種方式，每個待匹配目標(biāo)區(qū)域的相似值計算不需要 對區(qū)域內(nèi)的每個像素的權(quán)重求和，只需要少量的加減運(yùn)算就可以求得各個待 匹配目標(biāo)區(qū)域的相似值，從而大大提高了計算效率。實(shí)驗(yàn)表明，該方法可以 滿足實(shí)時跟蹤的需求。第五，詳細(xì)介紹目標(biāo)尺寸自適應(yīng)算法，即Step7。
根據(jù)后驗(yàn)概率指標(biāo)的像素級計算特性，本發(fā)明提出了一種新的目標(biāo)尺寸 自適應(yīng)方法。每個待匹配目標(biāo)區(qū)域的后驗(yàn)概率指標(biāo)值給出了該待匹配目標(biāo)區(qū) 域?yàn)檎嬲哪繕?biāo)區(qū)域的后驗(yàn)概率值。通過公式(六)計算每個像素的后驗(yàn)概 率指標(biāo)值后，得到了與搜索區(qū)域相對應(yīng)的相似值矩陣ft>，它的每個元素給出 了其所對應(yīng)的像素是來自目標(biāo)區(qū)域的概率值，也可以說是該像素對其所在的 待匹配目標(biāo)區(qū)域?yàn)槟繕?biāo)區(qū)域的貢獻(xiàn)值。對某幀圖像而言，在求得了后驗(yàn)概率
指標(biāo)最大值-max o，《)=o,《)后，就得到了該幀圖像中的目標(biāo)位置 (/*,,)。根據(jù)w的物理意義，可以通過比較目標(biāo)區(qū)域邊界內(nèi)層、邊界層和邊 界外層上像素的平均貢獻(xiàn)值來確定目標(biāo)尺寸的變換趨勢。又因?yàn)橄噜弾g目 標(biāo)物體的運(yùn)動具有連續(xù)性，在對當(dāng)前幀中的目標(biāo)對象的尺寸變化趨勢判定后， 就可以確定下一幀圖像中的目標(biāo)區(qū)域尺寸變大還是變小，從而完成目標(biāo)區(qū)域 尺寸的自適應(yīng)變化。
如圖2所示，其中的3個矩形框由外到里分別是目標(biāo)區(qū)域邊界外層A、 邊界層B和邊界內(nèi)層C。通過將每個矩形上的像素對應(yīng)的貢獻(xiàn)值分別求和， 進(jìn)而可以求得其3個矩形上的像素的相似度貢獻(xiàn)平均值，表示為
<formula>formula see original document page 14</formula>; 公式(八)
其中，當(dāng)^<0時，表示目標(biāo)區(qū)域邊界內(nèi)的第々層，A>0表示目標(biāo)區(qū)域邊 界外的第A層，& = 0表示目標(biāo)區(qū)域邊界層，相應(yīng)的《表示該層上的像素的相
似度平均貢獻(xiàn)值。為簡便起見，取"=1。
根據(jù)上述思想，申請人通過視頻跟蹤實(shí)驗(yàn)，得到具有良好效果的目標(biāo)區(qū)
域尺寸自適應(yīng)變化經(jīng)驗(yàn)公式如下w(/) + 2， & > 0.8且& > 0.75且《> 0.6
w(/) —2， &<0.6且《<0.3 公式(九)
w(/)， 其他
其中，w(/)表示第/幀圖像的尺寸。圖3給出了該調(diào)整方法的說明，其中橫 坐標(biāo)表示層數(shù)，縱坐標(biāo)為平均貢獻(xiàn)值，曲線1和曲線2將整個坐標(biāo)平面分成 了 3個區(qū)域。如果計算所得的平均貢獻(xiàn)值落在區(qū)域1，由其物理意義可知3 層上的像素平均貢獻(xiàn)值都比較大，而且穩(wěn)定，因而目標(biāo)區(qū)域外仍應(yīng)當(dāng)屬于目 標(biāo)對象，因而目標(biāo)尺寸應(yīng)當(dāng)增大。相應(yīng)的，如果所計算的平均貢獻(xiàn)值落在區(qū) 域3，則表示目標(biāo)區(qū)域邊界上的像素的平均貢獻(xiàn)值已經(jīng)比較小了，而且在目 標(biāo)區(qū)域的外部該值減小很快。這說明目標(biāo)邊界及其外部區(qū)域?qū)儆谀繕?biāo)對象的 可能性很小，因而應(yīng)當(dāng)減小目標(biāo)尺寸。區(qū)域2是介于區(qū)域1及區(qū)域3的情況， 此時目標(biāo)尺寸保持不變。曲線3給出了一個比較特殊的示例，在這種情況下 如果只計算目標(biāo)區(qū)域外層的像素的相似度貢獻(xiàn)平均值，則有可能做出錯誤的 尺寸調(diào)整，因而計算3層的貢獻(xiàn)平均值是比較好的選擇。
圖4a是Mean Shift跟蹤算法的跟蹤結(jié)果圖，圖4b是本發(fā)明的快速平移 目標(biāo)搜索算法的跟蹤結(jié)果圖，經(jīng)過對比可以看出，本發(fā)明的跟蹤精度高，目 標(biāo)定位準(zhǔn)確。圖5是本發(fā)明的目標(biāo)區(qū)域尺寸自適應(yīng)算法的跟蹤結(jié)果圖，明顯 可以看出，目標(biāo)定位準(zhǔn)確，目標(biāo)尺寸合適。綜合上述，形成了一套完整的后 驗(yàn)概率圖像跟蹤方法，該方法跟蹤精度高，速度快，為視覺跟蹤領(lǐng)域提供了 一套有效的解決方案。
權(quán)利要求
1.一種基于背景抑制的后驗(yàn)概率圖像跟蹤方法，其特征在于，包括以下步驟步驟一，計算搜索區(qū)域內(nèi)像素的相似度貢獻(xiàn)值確定目標(biāo)模板，其特征向量為q，<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><mi>q</mi><mo>∈</mo><msup> <mi>R</mi> <msub><mi>m</mi><mi>u</mi> </msub></msup><mo>,</mo> </mrow>]]></math> id="icf0001" file="A2008100183480002C1.tif" wi="17" he="5" top= "62" left = "45" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>實(shí)時獲取視頻圖像，以上一幀圖像中的目標(biāo)區(qū)域的位置為中心，確定當(dāng)前幀圖像的搜索區(qū)域，統(tǒng)計該搜索區(qū)域的特征向量s，<maths id="math0002" num="0002" ><math><![CDATA[ <mrow><mi>s</mi><mo>∈</mo><msup> <mi>R</mi> <msub><mi>m</mi><mi>u</mi> </msub></msup><mo>,</mo> </mrow>]]></math> id="icf0002" file="A2008100183480002C2.tif" wi="16" he="4" top= "73" left = "168" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>其中mu為特征的維數(shù)， id="icf0003" file="A2008100183480002C3.tif" wi="7" he="4" top= "84" left = "73" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>為mu維的實(shí)數(shù)空間；根據(jù)目標(biāo)模板的特征向量q和搜索區(qū)域的特征向量s，計算搜索區(qū)域內(nèi)每個像素的相似度貢獻(xiàn)值 id="icf0004" file="A2008100183480002C4.tif" wi="19" he="12" top= "94" left = "170" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/>其中qu(j)表示搜索區(qū)域中的第j個像素所對應(yīng)的目標(biāo)模板向量中的第u個特征值，su(j)表示搜索區(qū)域中的第j個像素所對應(yīng)的搜索區(qū)域向量中的第u個特征值；步驟二，進(jìn)行快速平移目標(biāo)搜索根據(jù)當(dāng)前幀圖像中的目標(biāo)區(qū)域尺寸，確定當(dāng)前幀圖像中待匹配目標(biāo)區(qū)域尺寸；平移待匹配目標(biāo)區(qū)域得到新的待匹配目標(biāo)區(qū)域，按照像素計算所有待匹配目標(biāo)區(qū)域相對目標(biāo)模板的相似度指標(biāo)函數(shù)φ(p，q)，<maths id="math0003" num="0003" ><math><![CDATA[ <mrow><mi>φ</mi><mrow> <mo>(</mo> <mi>p</mi> <mo>,</mo> <mi>q</mi> <mo>)</mo></mrow><mo>=</mo><mfrac> <mn>1</mn> <mi>m</mi></mfrac><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <mi>m</mi></munderover><mfrac> <mrow><msub> <mi>q</mi> <mi>u</mi></msub><mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo></mrow> </mrow> <mrow><msub> <mi>s</mi> <mi>u</mi></msub><mrow> <mo>(</mo> <mi>j</mi> <mo>)</mo></mrow> </mrow></mfrac><mo>,</mo> </mrow>]]></math> id="icf0005" file="A2008100183480002C5.tif" wi="46" he="12" top= "177" left = "52" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>其中m表示待匹配目標(biāo)區(qū)域中的像素總數(shù)，搜索得到函數(shù)值最大的待匹配目標(biāo)區(qū)域?yàn)楫?dāng)前幀目標(biāo)區(qū)域；步驟三，進(jìn)行目標(biāo)區(qū)域尺寸自適應(yīng)搜索按照像素計算當(dāng)前幀圖像中的目標(biāo)區(qū)域的邊界層像素的相似度貢獻(xiàn)平均值<overscore>φ</overscore>、邊界內(nèi)第一層像素的相似度貢獻(xiàn)平均值<overscore>φ</overscore>-1和邊界外第一層像素的相似度貢獻(xiàn)平均值<overscore>φ</overscore>1，其中邊界層由目標(biāo)區(qū)域邊界上的像素組成，邊界內(nèi)第一層由邊界層向內(nèi)最鄰近的像素組成，邊界外第一層由邊界層向外最鄰近的像素組成；根據(jù)如下公式對下一幀圖像的目標(biāo)區(qū)域尺寸進(jìn)行自適應(yīng)確定其中w(l)表示當(dāng)前幀圖像中的目標(biāo)區(qū)域尺寸，w(l+1)表示下一幀圖像中的目標(biāo)區(qū)域尺寸。
2、根據(jù)權(quán)利要求1所述的一種基于背景抑制的后驗(yàn)概率圖像跟蹤方法，其特征在于，所述快速平移目標(biāo)搜索中，待匹配目標(biāo)區(qū)域相對目標(biāo)模板的相 似度指標(biāo)函數(shù)值通過對其中的每個像素的相似度貢獻(xiàn)值求和的方式得到，新 的待匹配目標(biāo)區(qū)域相對目標(biāo)模板的相似度指標(biāo)函數(shù)值可以通過加上新包含進(jìn) 的像素的相似度貢獻(xiàn)值，減去已不再包含的像素的相似度貢獻(xiàn)值來計算。
全文摘要
本發(fā)明涉及一種圖像跟蹤方法，公開了一種基于背景抑制的后驗(yàn)概率圖像跟蹤方法。該方法基于后驗(yàn)概率的像素級計算，首先計算搜索區(qū)域內(nèi)像素的相似度貢獻(xiàn)值其次，進(jìn)行快速平移目標(biāo)搜索最后，進(jìn)行目標(biāo)區(qū)域尺寸自適應(yīng)搜索。該方法定位精度高，能夠有效得避免背景特征的影響，跟蹤速度快。
文檔編號G06T7/00GK101320472SQ200810018348
公開日2008年12月10日 申請日期2008年5月30日 優(yōu)先權(quán)日2008年5月30日
發(fā)明者馮祖仁, 劉鎖山, 娜 呂, 蘇家全, 陳火健 申請人:西安交通大學(xué)