圖像實時處理方法
【專利摘要】本發(fā)明提供了一種圖像實時處理方法，該方法包括：對圖像的多尺度圖像特征空間進行投影，利用分類器對下一幀圖像中的目標與背景樣本進行分類；使用目標視覺模型在局部范圍內(nèi)進行搜索，通過正則化互相關(guān)系數(shù)尋找最佳目標位置。本發(fā)明在提高跟蹤精度的同時，很大程度地保留了圖像處理的實時性。
【專利說明】圖像實時處理方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及圖像處理，特別涉及一種圖像中的目標跟蹤方法。

【背景技術(shù)】
[0002] 運動跟蹤是智能交通系統(tǒng)的核心組成部分，用于從拍攝的車輛圖像中全自動化定 位車輛信息，包括車牌圖像，車型識別，事故鑒定，使得車輛的電腦化監(jiān)控和管理成為現(xiàn)實。 傳統(tǒng)的運動目標跟蹤方法中的目標與背景的分類過程得到的最終跟蹤目標只是與目標最 相似且同時與背景最不相似的目標樣本，說明通過分類器確定的不一定是與僅基于目標視 覺得到的是一致的。雖然達到了魯棒性，但是并沒有跟蹤到最準確的目標，定位精度還有待 進一步提升。因此，針對相關(guān)技術(shù)中所存在的上述問題，目如尚未提出有效的解決方案。


【發(fā)明內(nèi)容】

[0003] 為解決上述現(xiàn)有技術(shù)所存在的問題，本發(fā)明提出了一種圖像實時處理方法，用于 在視頻圖像中的進行目標跟蹤，包括：
[0004] 步驟一，對圖像的多尺度圖像特征空間做投影，利用更新后的分類器來分類下一 幀圖像中的目標與背景樣本；
[0005] 步驟二，使用目標視覺模型，在局部范圍內(nèi)進行搜索，通過正則化互相關(guān)系數(shù)尋找 最佳目標位置。
[0006] 優(yōu)選地，所述步驟一進一步包括：
[0007] 在與第t幀的目標位置L相距a (D° = {(z| I |l(z) I I-L) <a})的區(qū)域內(nèi)取正 樣本，在與L相距U，P)(D5'0 = {(z| 4〈||1(Z)||-L)〈P})})的區(qū)域內(nèi)取負樣本；其中 a，（，P為預(yù)定義距離范圍閾值；對提取的正負樣本用不同尺度的矩形濾波器進行卷積 得到每個樣本的高維特征向量X，然后使用稀疏矩陣將高維向量投影到低維向量V，其中：
[0008] V = RX
[0009] 利用矩陣R對正負樣本直接提取低維特征向量V ;
[0010] 在計算出所有樣本的低維特征向量V后，使用如下Bayes分類器更新分類器參數(shù)， 得到第t幀的分類器t :

【權(quán)利要求】
1. 一種圖像實時處理方法，用于在視頻圖像中的進行目標跟蹤，其特征在于，包括： 步驟一，對圖像的多尺度圖像特征空間進行投影，利用分類器對下一幀圖像中的目標 與背景樣本進行分類； 步驟二，使用目標視覺模型在局部范圍內(nèi)進行搜索，通過正則化互相關(guān)系數(shù)尋找最佳 目標位置。
2. 根據(jù)權(quán)利要求1所述的方法，其特征在于，所述步驟一進一步包括： 在與目標位置L相距a的區(qū)域內(nèi)取正樣本，在與L的距離在P之間的區(qū)域內(nèi)取負 樣本；其中a，（，0為預(yù)定義距離范圍閾值；對提取的正負樣本用不同尺度的矩形濾波器 進行卷積得到每個樣本的高維特征向量X，然后使用稀疏矩陣R將高維向量投影到低維向 量V，其中： V = RX 利用矩陣R對正負樣本直接提取低維特征向量V ; 在計算出所有樣本的低維特征向量V后，使用如下Bayes分類器更新分類器參數(shù)，得到 第t幀的分類器t :
其中P (y = I) = P (y = 〇)，y G {〇, 1}是樣本標簽，分別表示負樣本和正樣本，其中： P(Vi|y= 1)符合正態(tài)分布N (/4,(7;1 >，均值g和標準差4參數(shù)分別使用以下公 式來更新：
其中，A >〇是學習參數(shù)；ii \ 〇 1分別為在當前幀中提取的正樣本的第i個特征的均值 和標準差，分別計算如下：
其中n為圖像寬度。
3. 根據(jù)權(quán)利要求2所述的方法，其特征在于，所述步驟二進一步包括： 在初始第1幀的跟蹤目標的中心位置截取1/4區(qū)域qi作為匹配模板,?的左上角坐標 以及覽度和聞度如下： X，= x+w/4, y' = y+h/4, w = w/2， h' = h/2, 其中，X，y為當前跟蹤目標的左上角坐標，w，h為當前跟蹤目標的寬度和高度； 從第2幀開始，將當前幀跟蹤的目標位置的左上角坐標（X，y)在相鄰2個像素的鄰域 內(nèi)移動，同時取目標位置中心的1/4區(qū)域q2，與上述模板Q1進行比較； 通過計算正則化互相關(guān)系數(shù)NC，找到NC值最大時對應(yīng)的原目標的坐標位置作為當前 跟蹤目標的位置。其中，NC值計算如下：
其中，nq，Hiq分別為區(qū)域qi，q2的寬度和高度；ii ql，ii q2分別為區(qū)域qi，q2的均 值，0 qi，0 分別為區(qū)域I，％的標準差。
4.根據(jù)權(quán)利要求3所述的方法，其特征在于，還包括： 預(yù)先設(shè)置模板更新閾值n，以及時間間隔T，每隔T幀對所述匹配模板進行更新，并且 當計算出的最大NC值大于該閾值n時，則更新模板。
【文檔編號】G06T7/20GK104331906SQ201410628356
【公開日】2015年2月4日 申請日期:2014年11月10日 優(yōu)先權(quán)日:2014年11月10日
【發(fā)明者】吳雷磊, 張浙峰, 賴運平, 余毅, 艾力 申請人:成都信升斯科技有限公司