一種改進(jìn)的Camshift目標(biāo)跟蹤方法
【專利摘要】本發(fā)明屬于圖像處理與目標(biāo)跟蹤領(lǐng)域，具體為一種改進(jìn)的Camshift目標(biāo)跟蹤方法，利用色度-微分二維聯(lián)合特征建立目標(biāo)模型。將每個(gè)像素8鄰域的色度最大差分值作為該像素的微分值，用以描述像素的相對(duì)位置信息和圖像的細(xì)節(jié)信息。根據(jù)目標(biāo)模型的色度-微分二維特征聯(lián)合直方圖，利用反向投影獲得跟蹤圖像的色度-微分二維特征聯(lián)合概率分布圖。利用均值平移方法在跟蹤窗內(nèi)實(shí)現(xiàn)目標(biāo)的定位。對(duì)目標(biāo)尺寸和方向的過(guò)大調(diào)整加以限制。本發(fā)明在復(fù)雜的背景情況下具有更強(qiáng)的抗干擾性能，能夠有效提高目標(biāo)跟蹤的穩(wěn)定性。本發(fā)明適用于運(yùn)動(dòng)目標(biāo)跟蹤系統(tǒng)中。
【專利說(shuō)明】-種改進(jìn)的Camsh i ft目標(biāo)跟蹤方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理與目標(biāo)跟蹤領(lǐng)域，涉及一種基于Camshifit算法的改進(jìn)跟蹤 方法，特別涉及一種采用二維聯(lián)合特征模型的Camshift目標(biāo)跟蹤方法。

【背景技術(shù)】
[0002] 運(yùn)動(dòng)目標(biāo)的識(shí)別與跟蹤一直是計(jì)算機(jī)視覺(jué)領(lǐng)域研究的熱點(diǎn)問(wèn)題，在自動(dòng)化生產(chǎn) 線、視頻監(jiān)控系統(tǒng)、以及軍事國(guó)防等諸多領(lǐng)域有著重要的應(yīng)用價(jià)值。由于跟蹤系統(tǒng)通常具有 較嚴(yán)格的實(shí)時(shí)性要求，因此計(jì)算量較大的識(shí)別與跟蹤方法往往很難應(yīng)用到實(shí)際系統(tǒng)中。而 計(jì)算量較小的方法通常識(shí)別準(zhǔn)確性又不高。鑒于這一要求，在各種目標(biāo)識(shí)別與跟蹤算法中， 均值漂移（MeanShift)算法由于具有快速匹配的特性，在目標(biāo)識(shí)別與跟蹤領(lǐng)域得到了廣泛 的應(yīng)用。但該方法在跟蹤過(guò)程中對(duì)模型不進(jìn)行更新，當(dāng)運(yùn)動(dòng)目標(biāo)由于遠(yuǎn)近不同而造成尺寸 發(fā)生較大變化時(shí)，容易造成目標(biāo)丟失，進(jìn)而導(dǎo)致跟蹤失敗。連續(xù)自適應(yīng)的MeanShift跟蹤方 法，即CamShift(Continuously Apative MeanShift)跟蹤方法能夠自適應(yīng)調(diào)整目標(biāo)尺寸， 對(duì)于運(yùn)動(dòng)目標(biāo)的平移、旋轉(zhuǎn)以及縮放變化都具有一定的適應(yīng)性。當(dāng)目標(biāo)與背景對(duì)比明顯時(shí)， 該方法具有穩(wěn)定的跟蹤特性。例如，由于膚色特征與非膚色的背景特征具有較明顯的區(qū)別， 因此，CamShift算法在人臉識(shí)別與跟蹤領(lǐng)域得到了成功的應(yīng)用。但當(dāng)目標(biāo)與背景的對(duì)比不 明顯時(shí)，目標(biāo)識(shí)別準(zhǔn)確性降低，算法工作不夠穩(wěn)定，經(jīng)常出現(xiàn)丟失目標(biāo)的情況。
[0003] 因此，設(shè)計(jì)一種具有較強(qiáng)抗干擾能力的跟蹤方法具有很好的應(yīng)用價(jià)值。


【發(fā)明內(nèi)容】

[0004] 本發(fā)明所要解決的技術(shù)問(wèn)題是，針對(duì)CamShift跟蹤算法抗背景干擾能力差的缺 點(diǎn)，設(shè)計(jì)一種具有較強(qiáng)抗干擾性的改進(jìn)跟蹤方法。
[0005] 本發(fā)明所采用的技術(shù)方案是：一種改進(jìn)的Camshift目標(biāo)跟蹤方法，利用色度-微 分二維聯(lián)合特征建立目標(biāo)模型。對(duì)每個(gè)像素8鄰域的色度進(jìn)行差分計(jì)算，最大差分值作為 該像素的微分值，用以描述像素的相對(duì)位置信息和圖像的細(xì)節(jié)信息。根據(jù)目標(biāo)模型的色 度-微分二維特征聯(lián)合直方圖，利用反向投影獲得跟蹤圖像的色度-微分二維特征聯(lián)合概 率分布圖，以減少單獨(dú)特征建立模型時(shí)所產(chǎn)生的冗余信息的干擾。利用均值平移方法在跟 蹤窗內(nèi)實(shí)現(xiàn)目標(biāo)的定位。對(duì)目標(biāo)尺寸和方向的過(guò)大調(diào)整加以限制，防止過(guò)多背景信息干擾 目標(biāo)識(shí)別的準(zhǔn)確性。
[0006] 本發(fā)明的目的在于在現(xiàn)有的CamShift算法的基礎(chǔ)上設(shè)計(jì)了一種改進(jìn)的CamShift 跟蹤算法，在目標(biāo)模型的建立過(guò)程中，根據(jù)原圖像色度分布信息建立微分圖像，利用微分信 息所反映的目標(biāo)細(xì)節(jié)信息以及像素的相對(duì)位置分布信息來(lái)提高目標(biāo)識(shí)別的準(zhǔn)確性。采用二 維聯(lián)合特征建立目標(biāo)模型，減少獨(dú)立特征模型所產(chǎn)生的冗余信息。另外，對(duì)目標(biāo)模板的大尺 度調(diào)整進(jìn)行了限制，提高了目標(biāo)跟蹤的穩(wěn)定性。具有很好的實(shí)用性。

【專利附圖】

【附圖說(shuō)明】
[0007] 圖1是像素點(diǎn)（Xi, yi)的8鄰域分布圖。
[0008] 圖2是本發(fā)明方法跟蹤效果圖。

【具體實(shí)施方式】
[0009] 下面結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步詳細(xì)說(shuō)明。
[0010] 為了提高跟蹤方法的穩(wěn)健性，減少光照亮度對(duì)目標(biāo)識(shí)別的影響，CamShift算法一 般選擇色度、飽和度和亮度具有獨(dú)立性的HSV顏色空間中的色度信息為特征建立目標(biāo)的直 方圖模型。再利用目標(biāo)直方圖反向投影得到跟蹤窗的顏色概率分布圖，利用均值漂移算法 不斷將跟蹤窗的中心移至質(zhì)心位置實(shí)現(xiàn)目標(biāo)的定位，并將跟蹤窗作為下一幀圖像的初始搜 索窗口，重復(fù)迭代計(jì)算即可實(shí)現(xiàn)目標(biāo)的跟蹤。
[0011] 由于CamShift算法僅采用色度信息建立顏色概率分布圖，當(dāng)被跟蹤目標(biāo)與背景 顏色相似時(shí)，很容易出現(xiàn)錯(cuò)誤識(shí)別目標(biāo)的現(xiàn)象。因此CamShift算法通常只適用于目標(biāo)與背 景有明顯區(qū)別的情況。當(dāng)目標(biāo)與背景顏色相接近時(shí)，目標(biāo)識(shí)別的準(zhǔn)確性降低，CamShift算法 很難實(shí)現(xiàn)目標(biāo)的長(zhǎng)時(shí)有效識(shí)別與跟蹤?，F(xiàn)有的改進(jìn)CamShift算法采用融合輔助特征的方 式在一定程度上能夠解決上述問(wèn)題，但一方面過(guò)多的輔助特征會(huì)增加算法的計(jì)算量，另一 方面，現(xiàn)有的多特征融合方法通常是建立各種輔助特征的獨(dú)立模型，然后再將各個(gè)模型確 定的目標(biāo)位置進(jìn)行融合。由于不同的特征從不同的角度對(duì)目標(biāo)進(jìn)行了描述，當(dāng)背景復(fù)雜時(shí)， 背景與目標(biāo)的某些輔助特征可能相似，例如紋理、邊緣等，這些獨(dú)立的輔助特征模型不但無(wú) 法有效將目標(biāo)從背景中有效識(shí)別出來(lái)，反而對(duì)其他特征的識(shí)別結(jié)果還會(huì)產(chǎn)生錯(cuò)誤干擾，造 成信息的冗余與錯(cuò)誤，從而降低了算法的識(shí)別性能。
[0012] 為了解決這一問(wèn)題，本發(fā)明設(shè)計(jì)一種基于色度-微分二維聯(lián)合特征模型的改進(jìn) CamShift方法。根據(jù)圖像的色度信息提取圖像的微分信息，建立目標(biāo)的色度-微分二維聯(lián) 合直方圖模型。由于微分信息能夠反映圖像的細(xì)節(jié)信息和像素分布的空間相對(duì)位置，而聯(lián) 合模型能夠?qū)煞N特征有機(jī)地結(jié)合，對(duì)目標(biāo)模型進(jìn)行更嚴(yán)格的描述，從而提高了目標(biāo)識(shí)別 的準(zhǔn)確性，可有效對(duì)圖像中的目標(biāo)與背景進(jìn)行區(qū)分，擴(kuò)大了算法的適用范圍。該方法的具體 描述如下：
[0013] St印L計(jì)算目標(biāo)的微分信息。設(shè){(Xi，yi)}，i = 1，2,…，s，為目標(biāo)的各個(gè)像素 的位置，b(Xi，yi)為（Xi， yi)位置處像素所對(duì)應(yīng)的色度特征值，該像素點(diǎn)（Xi，yi)的8鄰域像 素分別為{(Xi-l，yi+l)，（Xi，yi+1)，（Xi+l，yi+l)，（X i-Lyi)，（Xi+Lyi)，（Xi-Ly i-I)，（Xi， Yi-I), (XfLyi-I)K其分布圖如圖I所示。
[0014] 按照8個(gè)方向計(jì)算該像素色度的差分，其最大值作為該像素點(diǎn)的微分特征信息 Ab (Xi, Yi)，艮P :
[0015] Ab (Xi, Yi) = max{|b(Xi，yi)-b(xi+l, Y1) \ , |b(Xi，Yi)^(Xi-I, Y1) \ ,
[0016] IMxi, yJ-bUi, y^l) I，IMxi, yJ-bUi, Yi-I) I， (I)
[0017] IMxi, yJ-bUfl，y「l) I，IMxi, yJ-bUi+l，y^l) |}
[0018] Step2.建立色度-微分二維聯(lián)合直方圖。將色度特征劃分為m個(gè)等級(jí)，微分特征 劃分為η個(gè)等級(jí)，利用像素的色度特征和微分特征構(gòu)建二維聯(lián)合特征直方圖模型q = {qm}， U = 1，2,…，m;v = 1，2,…，η:

【權(quán)利要求】
1. 一種改進(jìn)的Camshift目標(biāo)跟蹤方法，其特征在于利用色度-微分二維聯(lián)合特征建立 目標(biāo)模型；對(duì)每個(gè)像素8鄰域的色度進(jìn)行差分計(jì)算，最大差分值作為該像素的微分值，用以 描述像素的相對(duì)位置信息和圖像的細(xì)節(jié)信息；根據(jù)目標(biāo)模型的色度-微分二維特征聯(lián)合直 方圖，利用反向投影獲得跟蹤圖像的色度-微分二維特征聯(lián)合概率分布圖，以減少單獨(dú)特 征建立模型時(shí)所產(chǎn)生的冗余信息的干擾；利用均值平移方法在跟蹤窗內(nèi)實(shí)現(xiàn)目標(biāo)的定位； 對(duì)目標(biāo)尺寸和方向的過(guò)大調(diào)整加以限制，防止過(guò)多背景信息干擾目標(biāo)識(shí)別的準(zhǔn)確性。
2. 根據(jù)權(quán)利要求1所述的一種改進(jìn)的Camshift目標(biāo)跟蹤方法，其特征在于，跟蹤方法 的步驟如下： St印1.計(jì)算目標(biāo)的微分信息；設(shè)Kx^yiM,i= 1,2,. .. ,s,為目標(biāo)的各個(gè)像素的位置，b(Xi，yi)為（Xi，yi)位置處像素所對(duì)應(yīng)的色度特征值，該像素點(diǎn)（Xi，yi)的8鄰域像素分別 為Kxi-LyJl), (X^yJl), (Xi+Lyi+l)，（Xi-Lyi), (X^Lyi), (Xi-Lyi-I), (X^yi-I), (Xi+1，yi_l)}，按照8個(gè)方向計(jì)算該像素色度的差分，其最大值作為該像素點(diǎn)的微分特征信 息AbUi,y)，即： Ab(Xi,Yi) =max{|b(Xi，yi)-b(xi+l,Yi) | , |b(Xi，yi)-b(xi-l,Yi) | , (I) b(Xi，yi)-b(Xi，Yi+1) | , |b(Xi，yi)-b(xi,Yi-I) | ,b(Xi，Yi)-b(Xi-I,Yi-I)I, |b(Xi，yi)-b(xi+l,y^l) |} Step2.建立色度-微分二維聯(lián)合直方圖；將色度特征劃分為m個(gè)等級(jí)，微分特征劃分 為η個(gè)等級(jí)，利用像素的色度特征和微分特征構(gòu)建二維聯(lián)合特征直方圖模型《=從,,.}，u= 1?2j...jm；V-Ij2j. . .jπ：
/ = 1 Step3.建立概率分布圖；在被跟蹤圖像中設(shè)定搜索窗，搜索窗包含上一幀圖像的運(yùn)動(dòng) 目標(biāo)區(qū)，且比目標(biāo)所在區(qū)稍大；根據(jù)目標(biāo)的色度-微分聯(lián)合直方圖進(jìn)行反向投影，建立起搜 索窗的色度-微分二維聯(lián)合概率投影圖；設(shè)搜索窗中像素點(diǎn)（x，y)的色度特征值為u，微分 特征為v，則該像素點(diǎn)的色度-微分概率投影圖的像素值P(x，y)為：
其中，U為取整操作； Step4.計(jì)算搜索窗的零階矩和一階矩：
Step5.計(jì)算搜索窗的質(zhì)心（xe，yc):
(8) Step6.自適應(yīng)調(diào)整搜索窗口的邊長(zhǎng)： .V = 2^7〇_/256 (9) 移動(dòng)搜索窗的中心到質(zhì)心，如果移動(dòng)距離大于預(yù)設(shè)的固定閾值，則重復(fù)Step3_Step6， 直到搜索窗的中心與質(zhì)心間的移動(dòng)距離小于預(yù)設(shè)的固定閾值； Step7.計(jì)算二階矩
\ ) 更新跟蹤目標(biāo)的方向和大?。?br> 其中，W為目標(biāo)區(qū)的短軸長(zhǎng)度，L為目標(biāo)區(qū)的長(zhǎng)軸；
目標(biāo)運(yùn)動(dòng)方向與水平方向夾角更新為：
其中，
St印8.返回Stepl繼續(xù)對(duì)下一幀圖像進(jìn)行目標(biāo)識(shí)別與跟蹤。
【文檔編號(hào)】G06T7/20GK104463914SQ201410826824
【公開(kāi)日】2015年3月25日 申請(qǐng)日期:2014年12月25日 優(yōu)先權(quán)日:2014年12月25日
【發(fā)明者】修春波, 魏世安 申請(qǐng)人:天津工業(yè)大學(xué)