壓縮haar特征和運(yùn)動(dòng)信息相融合的目標(biāo)跟蹤方法
【專利摘要】本發(fā)明屬于基于機(jī)器視覺的目標(biāo)跟蹤領(lǐng)域，具體為一種壓縮haar特征和運(yùn)動(dòng)信息相融合的目標(biāo)跟蹤方法。對目標(biāo)圖像進(jìn)行Haar變換，提取其對應(yīng)的邊緣特征、線性特征、中心特征和對角線特征，獲取Haar特征向量；設(shè)計(jì)隨機(jī)投影矩陣，將維數(shù)較高的Haar特征向量投影到一個(gè)低維向量空間；利用灰色預(yù)測模型對跟蹤目標(biāo)的運(yùn)動(dòng)信息進(jìn)行建模，獲取樣本運(yùn)動(dòng)信息的概率值；運(yùn)用自適應(yīng)的方法使跟蹤目標(biāo)的運(yùn)動(dòng)信息，并將運(yùn)動(dòng)信息和降維后的Haar特征信息相互結(jié)合，通過貝葉斯概率確定當(dāng)前幀的跟蹤結(jié)果。本發(fā)明可應(yīng)用于光照變化、運(yùn)動(dòng)模糊的目標(biāo)跟蹤中。
【專利說明】壓縮haar特征和運(yùn)動(dòng)信息相融合的目標(biāo)跟蹤方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于基于機(jī)器視覺的目標(biāo)跟蹤【技術(shù)領(lǐng)域】，涉及一種基于壓縮haar特征和 運(yùn)動(dòng)信息相融合的目標(biāo)跟蹤方法。

【背景技術(shù)】
[0002] 目前基于計(jì)算機(jī)視覺的目標(biāo)跟蹤方法有了一定的研究成果，但尚存在如下問題：
[0003] (1)難以解決"應(yīng)用環(huán)境的復(fù)雜性"帶來的干擾。在實(shí)際目標(biāo)檢測或跟蹤中，目標(biāo) 所處的場景一般較為復(fù)雜，目標(biāo)經(jīng)常會(huì)受到各種背景干擾，如樹葉晃動(dòng)、波浪、雨、煙、霧等 都會(huì)影響背景的動(dòng)態(tài)變化。同時(shí)嘈雜的背景或相似物體出現(xiàn)也有可能影響跟蹤性能。
[0004] (2)難以解決"遮擋問題"。當(dāng)遮擋發(fā)生時(shí)在圖像中找不到目標(biāo)的信息，有可能會(huì) 錯(cuò)誤的跟蹤其他相似物體。
[0005] (3)難以解決"跟蹤目標(biāo)外觀的變化"帶來的干擾。目標(biāo)被跟蹤過程中可能發(fā)生形 變、尺度視角的改變、光照變化等等。因此要長時(shí)間準(zhǔn)確魯棒地跟蹤目標(biāo)也是非常困難的任 務(wù)。
[0006] (4)難以實(shí)現(xiàn)"跟蹤的實(shí)時(shí)性與準(zhǔn)確性的平衡"。通常，簡單算法因?yàn)橛?jì)算簡便可 以達(dá)到實(shí)時(shí)跟蹤，但跟蹤的準(zhǔn)確性到不到應(yīng)用的要求。復(fù)雜算法準(zhǔn)確性高，但實(shí)時(shí)性卻很差 也不滿足不了實(shí)際需求。一個(gè)好的目標(biāo)跟蹤算法必然要兼顧兩者，這樣就必須解決好這兩 個(gè)性能指標(biāo)之間的平衡問題。
[0007] 已有的目標(biāo)跟蹤研究方法中，有粒子濾波、光流法、mean-shift、在線學(xué)習(xí)等。傳統(tǒng) 的目標(biāo)跟蹤方法是利用Nyquist頻率采樣目標(biāo)特征，然后再對提取的特征進(jìn)行壓縮，占據(jù) 了很大的存儲(chǔ)空間，不利于跟蹤的實(shí)時(shí)性。
[0008] 作為一種新的采樣理論，壓縮感知理論通過利用信號的稀疏特性，使用非相關(guān)測 量矩陣以遠(yuǎn)低于Nyquist頻率直接采集信號，而且可以在不損失信息的前提下通過重構(gòu)算 法精確重建原始信號?；趬嚎s感知的跟蹤算法拋棄圖像特征中的冗余信息，直接從特征 空間抽樣得到壓縮特征，然后將壓縮信號組合進(jìn)行目標(biāo)跟蹤。基于壓縮感知的目標(biāo)跟蹤算 法具有計(jì)算量小、跟蹤效果魯棒等優(yōu)點(diǎn)，從而為跟蹤的實(shí)時(shí)性和準(zhǔn)確性奠定了理論依據(jù)。
[0009] 因此，利用壓縮感知理論設(shè)計(jì)一種壓縮haar特征和運(yùn)動(dòng)信息相融合的目標(biāo)跟蹤 方法，能夠提高目標(biāo)跟蹤的實(shí)時(shí)性和準(zhǔn)確性。并對目標(biāo)跟蹤領(lǐng)域有很好的借鑒意義，具有一 定的應(yīng)用價(jià)值。


【發(fā)明內(nèi)容】

[0010] 本發(fā)明所要解決的技術(shù)問題是，設(shè)計(jì)一種壓縮haar特征和運(yùn)動(dòng)信息相融合的目 標(biāo)跟蹤方法，尤其適用于目標(biāo)跟蹤實(shí)時(shí)性的要求。
[0011] 本發(fā)明所采用的技術(shù)方案是：對原始圖像進(jìn)行haar小波變換，提取Haar特征的邊 緣特征、線性特征、中心特征和對角線特征組合成特征模板；設(shè)計(jì)隨機(jī)投影矩陣，將維數(shù)較 高的haar圖像特征向量投影到一個(gè)低維的向量空間；依據(jù)灰色預(yù)測模型對跟蹤目標(biāo)的運(yùn) 動(dòng)信息進(jìn)行建模，獲取樣本運(yùn)動(dòng)信息的概率值；并運(yùn)用自適應(yīng)的方法使跟蹤目標(biāo)的運(yùn)動(dòng)信 息和Haar特征信息相互結(jié)合，通過貝葉斯概率理論得出的最大值即為當(dāng)前幀的跟蹤結(jié)果。 本發(fā)明可應(yīng)用于光照變化、運(yùn)動(dòng)模糊的目標(biāo)跟蹤中。
[0012] 本發(fā)明的目的在于采用壓縮感知理論實(shí)現(xiàn)對目標(biāo)的實(shí)時(shí)跟蹤。

【專利附圖】

【附圖說明】
[0013] 附圖1是：采用壓縮感知進(jìn)行目標(biāo)跟蹤方案圖
[0014] 附圖2是：提取低維特征向量示意圖

【具體實(shí)施方式】
[0015] 下面結(jié)合附圖對本發(fā)明作進(jìn)一步詳細(xì)說明。
[0016] 具體過程如下：
[0017] 1提取樣本特征
[0018] a.首先在第一幀中選取目標(biāo)；
[0019] b.采集目標(biāo)樣本和背景樣本；
[0020] c.對原始圖像進(jìn)行haar小波變換，提取目標(biāo)樣本和背景樣本的Haar特征；
[0021] d.設(shè)計(jì)隨機(jī)投影矩陣，將維數(shù)較高的Haar圖像特征向量投影到一個(gè)低維的向量 空間；
[0022] 2建立灰色預(yù)測模型
[0023] 通過前三幀檢測到的目標(biāo)位置結(jié)果建立GM(1，，1)模型，然后根據(jù)預(yù)測的目標(biāo)位 置與上一幀的跟蹤位置計(jì)算出運(yùn)動(dòng)矢量信息，i 5其中i Y分別表示目標(biāo)預(yù)測的水平 方向和垂直方向的位移。然后，根據(jù)樣本的運(yùn)動(dòng)方向矢量和歷史運(yùn)動(dòng)信息，得到運(yùn)動(dòng)信息的 相似度，這樣就能計(jì)算出樣本在運(yùn)動(dòng)信息中的概率。
[0024] 3融合壓縮haar特征值和目標(biāo)運(yùn)動(dòng)信息
[0025] 首先用樸素貝葉斯分類器計(jì)算最大響應(yīng)值，目標(biāo)樣本和背景樣本的先驗(yàn)概率是相 等的，均為50%，而高維向量的隨機(jī)投影幾乎都是高斯分布的，因此目標(biāo)樣本和背景樣本的 條件概率也屬于高斯分布，所以可以使用樣本的均值的方差值表示標(biāo)準(zhǔn)正態(tài)分布的概率密 度函數(shù)，計(jì)算樣本集合中元素的特征值的均值和方差就可以計(jì)算出響應(yīng)值，選擇最大響應(yīng) 值為目標(biāo)。
[0026] 為了將haar特征和運(yùn)動(dòng)信息概率值有效地結(jié)合起來，需要分別進(jìn)行歸一化處理。 根據(jù)樣本集合中所有樣本的這兩種信息的概率值分布情況，對差異較大、樣本間區(qū)別度較 大的信息賦予較大的權(quán)重；對差異較小、樣本間區(qū)別度較小的信息賦予較大的權(quán)重。經(jīng)過歸 一化和賦予權(quán)重后，得到新的樣本特征信息的概率和運(yùn)動(dòng)信息的概率，根據(jù)貝葉斯理論，計(jì) 算出響應(yīng)值最大的即為當(dāng)前幀的跟蹤結(jié)果。
[0027] 本發(fā)明的優(yōu)點(diǎn)在于，設(shè)計(jì)一種壓縮haar特征和運(yùn)動(dòng)信息相融合的目標(biāo)跟蹤方法， 提1? 了目標(biāo)跟蹤的實(shí)時(shí)性和準(zhǔn)確性。
【權(quán)利要求】
1. 一種壓縮haar特征和運(yùn)動(dòng)信息相融合的目標(biāo)跟蹤方法，其特征在于，所述對目標(biāo)圖 像進(jìn)行Haar變換，獲取Haar特征向量；設(shè)計(jì)隨機(jī)投影矩陣，獲取壓縮Haar特征；設(shè)計(jì)灰色 預(yù)測模型獲取樣本運(yùn)動(dòng)信息；融合運(yùn)動(dòng)信息和壓縮Haar特征信息，通過貝葉斯概率確定當(dāng) 前幀的跟蹤結(jié)果。
【文檔編號】G06T7/20GK104331908SQ201410668430
【公開日】2015年2月4日 申請日期:2014年11月19日 優(yōu)先權(quán)日:2014年11月19日
【發(fā)明者】羅菁, 董婷婷 申請人:天津工業(yè)大學(xué)