本發(fā)明涉及目標(biāo)跟蹤領(lǐng)域，具體而言涉及一種基于圖像分類的多算法協(xié)作的目標(biāo)跟蹤方法。

背景技術(shù)：

目標(biāo)跟蹤作為一門跨領(lǐng)域跨學(xué)科的前沿技術(shù)，是計(jì)算機(jī)視覺的核心問題之一。目標(biāo)跟蹤技術(shù)從上世紀(jì)六十年代開始發(fā)展，到現(xiàn)在，已經(jīng)形成了一系列的方法。由于被跟蹤目標(biāo)本身變化的多樣性以及外部環(huán)境的復(fù)雜性，運(yùn)動(dòng)目標(biāo)跟蹤是一個(gè)極富挑戰(zhàn)性的課題。一個(gè)魯棒的目標(biāo)跟蹤算法必須要能夠理想的解決跟蹤過程遇到的各種困難(如旋轉(zhuǎn)變化、尺寸變化、光照變化、遮擋變化、背景相似度變化等)。經(jīng)典的目標(biāo)跟蹤算法主要有均值漂移算法、光流法、卡爾曼濾波法以及稀疏矩陣表示等方法，每種經(jīng)典的運(yùn)動(dòng)目標(biāo)跟蹤算法各有自己的優(yōu)缺點(diǎn)，而現(xiàn)如今的運(yùn)動(dòng)目標(biāo)跟蹤算法基本上都是在基于上述經(jīng)典算法改進(jìn)或者是發(fā)展而來的。雖然，在目標(biāo)跟蹤領(lǐng)域存在大量的目標(biāo)跟蹤算法，也能實(shí)現(xiàn)一定復(fù)雜環(huán)境下的運(yùn)動(dòng)目標(biāo)的跟蹤。但是一個(gè)魯棒性能好的適應(yīng)環(huán)境面廣的目標(biāo)跟蹤算法依然是計(jì)算機(jī)視覺的一個(gè)極具挑戰(zhàn)的研究課題。本發(fā)明從跟蹤圖像序列的源頭出發(fā)，對(duì)視頻圖像序列進(jìn)行處理，跟據(jù)因起圖像變化原因的不同，在目標(biāo)跟蹤前提前對(duì)要跟蹤的目標(biāo)及背景進(jìn)行分類。

在目標(biāo)跟蹤過程中因起環(huán)境變化的原因主要可以分為兩類，即跟蹤目標(biāo)自身變化和跟蹤環(huán)境的變化，在實(shí)際的測試中我們發(fā)現(xiàn)因起目標(biāo)自身變化的因素主要有跟蹤目標(biāo)的遮擋變化和尺寸變化，因起環(huán)境變化的主要由光照變化和背景相似度變化等。根據(jù)兩種變化因起圖像變化范圍的不同我們將圖像在跟蹤之前分為兩類：圖像全局變化和局部感興趣區(qū)域變化。然后選者合適算法對(duì)視頻序列進(jìn)行跟蹤定位，這樣針對(duì)因起不同環(huán)境變化的條件去跟蹤目標(biāo)保證跟蹤的實(shí)時(shí)性和魯棒性。

本發(fā)明采用基于圖像分類的多算法融合運(yùn)動(dòng)目標(biāo)跟蹤算法，很好的應(yīng)對(duì)針對(duì)了不同因素變化導(dǎo)致的跟蹤問題，經(jīng)實(shí)驗(yàn)驗(yàn)證，本發(fā)明較之當(dāng)下其他流行算法在實(shí)時(shí)性和魯棒性上都是相對(duì)較高的。

稀疏矩陣在數(shù)學(xué)上的定義為：如果在矩陣中，多數(shù)的元素為0，稱此矩陣為稀疏矩陣(sparse matrix)。近年來稀疏表示方法為圖象處理提供了新的思路。研究表明視覺皮層復(fù)雜刺激的表達(dá)采用的是稀疏編碼原則，以稀疏編碼為基礎(chǔ)的稀疏表示方法能較好刻畫人類視覺系統(tǒng)對(duì)圖像的認(rèn)知特性。采用稀疏矩陣對(duì)大量的圖像特征信息進(jìn)行稀疏編碼，同時(shí)對(duì)稀疏編碼的向量信息進(jìn)行降維壓縮，大大降低了算法得計(jì)算量，提高了算法的運(yùn)行效率。

均值漂移算法是一種基于密度梯度的非參數(shù)方法，通過迭代運(yùn)算找到目標(biāo)位置，實(shí)現(xiàn)目標(biāo)跟蹤。算法的優(yōu)點(diǎn)是原理簡單、運(yùn)行效率高對(duì)遮擋有一定的自適應(yīng)能力因此被廣泛的應(yīng)用在目標(biāo)跟蹤領(lǐng)域。同時(shí),均值漂移算法由于本身的計(jì)算是通過計(jì)算概率分布密度來實(shí)現(xiàn)目標(biāo)跟蹤的,因此,當(dāng)跟蹤目標(biāo)的尺寸越大時(shí),要統(tǒng)計(jì)和計(jì)算的像素?cái)?shù)量越多算法的計(jì)算量越大效率越低。同時(shí)，由于均值飄移算法采用的是基于顏色特征的方式，對(duì)光照敏感，在背景與目標(biāo)顏色相似的情況下會(huì)導(dǎo)致跟蹤漂移。

根據(jù)均值漂移算法有缺點(diǎn)，以及結(jié)合本發(fā)明前期的圖像序列的預(yù)處理分類，可以巧妙的避開了均值漂移算法對(duì)光照以及背景相似等問題的跟蹤缺點(diǎn)，充分利用了其對(duì)遮擋的魯棒性，以及高效的運(yùn)算效率。

技術(shù)實(shí)現(xiàn)要素：

本申請(qǐng)的目的在于提供了一種基于圖像分類的多算法協(xié)作的目標(biāo)跟蹤方法，包括步驟：(1)初始化所有的目標(biāo)參數(shù)；(2)判斷當(dāng)前目標(biāo)是否是前兩幀：若是，采用BW-SOAMS算法跟蹤目標(biāo)；若不是，即輸入第t(t>2)幀圖像，則對(duì)圖像序列判斷進(jìn)行分類；(3)根據(jù)分類調(diào)用對(duì)應(yīng)的運(yùn)動(dòng)目標(biāo)跟蹤算法；(4)目標(biāo)特征提取，樣本以及目標(biāo)候選區(qū)域的實(shí)時(shí)更新；(5)給出跟蹤目標(biāo)的位置，讀入下一幀，繼續(xù)通過b判斷分類跟蹤直到視頻序列的最后一幀。

優(yōu)選地，所述步驟2中對(duì)圖像序列進(jìn)行判斷進(jìn)行分類的方法為：

P＝N₂/N₁

其中，圖像的總像素?cái)?shù)定義為N，圖像幀差后自定義閾值二值化處理的像素變化數(shù)為N1，目標(biāo)三倍區(qū)域范圍內(nèi)的像素變化數(shù)為N2，分別求解不同區(qū)域像素變化數(shù)占全局像素的比重P。

優(yōu)選地，所述步驟2具體分類標(biāo)準(zhǔn)為：通過比重P對(duì)圖像序列分為目標(biāo)局部感興趣區(qū)域變化和圖像全局變化，其中，目標(biāo)局部感興趣區(qū)域變化調(diào)用融入改進(jìn)背景加權(quán)的尺度方向自適應(yīng)的運(yùn)動(dòng)目標(biāo)跟蹤算法；圖像全局變化調(diào)用基于壓縮跟蹤的運(yùn)動(dòng)目標(biāo)跟蹤算法。

優(yōu)選地，所述圖像全局變化的影像的影響因素為光照變化、背景相似度以及背景模糊。

優(yōu)選地，所述目標(biāo)局部感興趣區(qū)域變化的影響因素為目標(biāo)的尺寸變化、旋轉(zhuǎn)變化以及遮擋變化。

根據(jù)稀疏矩陣的優(yōu)缺點(diǎn)本發(fā)明依據(jù)圖像序列的前期與處理分類對(duì)劃分為全局的圖像序列的視頻片段進(jìn)行目標(biāo)跟蹤,充分的利用了稀疏矩陣表示算法的優(yōu)點(diǎn),降低了目標(biāo)跟蹤計(jì)算的維度,大大減少了因圖像全局變化導(dǎo)致的算法的計(jì)算量過大導(dǎo)致的跟蹤實(shí)時(shí)性不滿足的問題。同時(shí)由于稀疏表示算法存在當(dāng)目標(biāo)跟蹤出現(xiàn)遮擋或目標(biāo)相鄰幀位置移動(dòng)較大等情況時(shí)會(huì)導(dǎo)致跟蹤漂移，而在本發(fā)明的算法中經(jīng)過前期的圖像分類過程將這類變化劃分為了圖像的局部變化，巧妙地避開了該算法的缺點(diǎn)，充分發(fā)揮了其算法的計(jì)算效率高的優(yōu)勢。使算法在目標(biāo)跟蹤過程中具有更高的運(yùn)行效率和更高的魯棒性。

應(yīng)當(dāng)理解，前述大體的描述和后續(xù)詳盡的描述均為示例性說明和解釋，并不應(yīng)當(dāng)用作對(duì)本發(fā)明所要求保護(hù)內(nèi)容的限制。

附圖說明

參考隨附的附圖，本發(fā)明更多的目的、功能和優(yōu)點(diǎn)將通過本發(fā)明實(shí)施方式的如下描述得以闡明，其中：

圖1示出了根據(jù)本發(fā)明的基于圖像分類的多算法協(xié)作的目標(biāo)跟蹤方法的流程圖；

圖2示出了根據(jù)本發(fā)明的基于圖像分類的多算法協(xié)作的目標(biāo)跟蹤方法的基于圖像全局變化的視頻圖像序列圖；

圖3示出了根據(jù)本發(fā)明的基于圖像分類的多算法協(xié)作的目標(biāo)跟蹤算法的基于圖像局部變化的視頻圖像序列圖；

圖4示出了根據(jù)本發(fā)明的基于圖像分類的多算法協(xié)作的目標(biāo)跟蹤算法的目標(biāo)三倍區(qū)域圖像變化像素?cái)?shù)與圖像全局像素?cái)?shù)變化的百分比圖。

具體實(shí)施方式

通過參考示范性實(shí)施例，本發(fā)明的目的和功能以及用于實(shí)現(xiàn)這些目的和功能的方法將得以闡明。然而，本發(fā)明并不受限于以下所公開的示范性實(shí)施例；可以通過不同形式來對(duì)其加以實(shí)現(xiàn)。說明書的實(shí)質(zhì)僅僅是幫助相關(guān)領(lǐng)域技術(shù)人員綜合理解本發(fā)明的具體細(xì)節(jié)。

在下文中，將參考附圖描述本發(fā)明的實(shí)施例。在附圖中，相同的附圖標(biāo)記代表相同或類似的部件，或者相同或類似的步驟。

如圖1所示，本發(fā)明的基于圖像分類的多算法協(xié)作的目標(biāo)跟蹤方法步驟為：

步驟101：初始化所有的目標(biāo)參數(shù)；

步驟102：判斷當(dāng)前目標(biāo)是否是前兩幀：若是，進(jìn)入步驟106；若不是，即輸入第t(t>2)幀圖像，則對(duì)圖像序列判斷進(jìn)行分類；

根據(jù)本發(fā)明的一個(gè)實(shí)施例，所述步驟102中對(duì)圖像序列進(jìn)行判斷進(jìn)行分類的方法為：

P＝N₂/N₁

其中，圖像的總像素?cái)?shù)定義為N，圖像幀差后自定義閾值二值化處理的像素變化數(shù)為N1，目標(biāo)三倍區(qū)域范圍內(nèi)的像素變化數(shù)為N2，分別求解不同區(qū)域像素變化數(shù)占全局像素的比重P。

根據(jù)本發(fā)明的一個(gè)實(shí)施例，所述步驟2具體分類標(biāo)準(zhǔn)為：通過比重P對(duì)圖像序列分為目標(biāo)局部感興趣區(qū)域變化和圖像全局變化，其中，目標(biāo)局部感興趣區(qū)域變化調(diào)用融入改進(jìn)背景加權(quán)的尺度方向自適應(yīng)的運(yùn)動(dòng)目標(biāo)跟蹤算法；圖像全局變化調(diào)用基于壓縮跟蹤的運(yùn)動(dòng)目標(biāo)跟蹤算法。

根據(jù)本發(fā)明的一個(gè)實(shí)施例，所述圖像全局變化的影像的影響因素為光照變化、背景相似度以及背景模糊。

根據(jù)本發(fā)明的一個(gè)實(shí)施例，所述目標(biāo)局部感興趣區(qū)域變化的影響因素為目標(biāo)的尺寸變化、旋轉(zhuǎn)變化以及遮擋變化。

步驟103：根據(jù)分類調(diào)用對(duì)應(yīng)的運(yùn)動(dòng)目標(biāo)跟蹤算法；

步驟104：目標(biāo)特征提取，樣本以及目標(biāo)候選區(qū)域的實(shí)時(shí)更新；

步驟105：給出跟蹤目標(biāo)的位置，讀入下一幀，繼續(xù)通過步驟102判斷分類跟蹤直到視頻序列的最后一幀。

步驟106：采用BW-SOAMS算法跟蹤目標(biāo)。

圖2和圖3分別為根據(jù)本發(fā)明的基于圖像分類的多算法協(xié)作的目標(biāo)跟蹤算法的基于圖像全局變化和局部變化的視頻圖像序列圖；

如圖所示，步驟為：

a.對(duì)圖像序列進(jìn)行預(yù)處理分類；

根據(jù)引起像素變化的原因，對(duì)變化的像素量進(jìn)行統(tǒng)計(jì)計(jì)算，求解變化像素占全局像素的比重；

b.通過相鄰圖像幀之間作針差法，得到幀差后的圖像；

c.對(duì)圖像區(qū)域進(jìn)行自定義閾值的二值化圖像處理；

其中，根據(jù)數(shù)量級(jí)的不同將圖像序列分為兩類：

一類是基于圖像全局的變化；變化主要是由光照變化、背景相似度以及背景模糊引起的；

另一類是基于圖像局部感興趣區(qū)域的變化，變化主要是由目標(biāo)的尺寸變化、旋轉(zhuǎn)變化以及遮擋變化引起的。

根據(jù)處理選擇調(diào)用對(duì)應(yīng)的目標(biāo)跟蹤算法對(duì)目標(biāo)進(jìn)行跟蹤。

統(tǒng)計(jì)目標(biāo)三倍區(qū)域以及圖像全局的像素變化，采用局部和全局相結(jié)合的像素?cái)?shù)變化統(tǒng)計(jì)可以有效地避免了由局部像素變化劇烈導(dǎo)致錯(cuò)誤的分類為全局變化的現(xiàn)象。

圖像序列預(yù)處理分類是通過相鄰幀圖像之間的幀差運(yùn)算，得到幀差后的圖像。然后對(duì)圖像區(qū)域進(jìn)行自定義閾值(本發(fā)明算法中閾值為0.2)的圖像二值化處理。通過實(shí)驗(yàn)驗(yàn)證，采用變化像素占全局像素的比重對(duì)圖像序列進(jìn)行分類，可以保證一定的分類準(zhǔn)確率，但是，當(dāng)目標(biāo)局部感興趣區(qū)域像素的大量變化(主要是由目標(biāo)本身被嚴(yán)重遮擋或目標(biāo)的尺寸發(fā)生嚴(yán)重變化引起的)時(shí)，上述簡單采用變化像素占全局像素的比重的方式就會(huì)發(fā)生圖像分類錯(cuò)誤，錯(cuò)誤將其劃分為全局變化。因此，本發(fā)明統(tǒng)計(jì)目標(biāo)三倍區(qū)域以及圖像全局的像素變化，采用局部和全局相結(jié)合的像素?cái)?shù)變化統(tǒng)計(jì)可以有效避免由局部像素變化劇烈導(dǎo)致錯(cuò)誤分類為全局變化的現(xiàn)象。

假設(shè)圖像的總像素?cái)?shù)我們定義為N，圖像通過幀差后自定義閾值二值化處理的變化像素?cái)?shù)為N1，目標(biāo)區(qū)域三倍面積的范圍內(nèi)像素變化數(shù)為N2，分別求解變化像素占全局像素的比重。本發(fā)明對(duì)20個(gè)國際標(biāo)準(zhǔn)通用數(shù)據(jù)庫有代表性的圖像序列片段進(jìn)行試驗(yàn)驗(yàn)證,圖像片段及統(tǒng)計(jì)情況如下表1。

本發(fā)明通過比較目標(biāo)三倍面積區(qū)域的像素變化數(shù)N2于圖像全局像素變化數(shù)N1,定義P為N2/N1,通過對(duì)上述20段圖片序列進(jìn)行比較統(tǒng)計(jì),P的取值范圍為1到100％,本發(fā)明就P的取值于圖像分類的準(zhǔn)確率之間的關(guān)系作出對(duì)應(yīng)的曲線,觀察當(dāng)P取值從1％到100％時(shí)圖像分類的準(zhǔn)確之間的關(guān)系曲線，準(zhǔn)確率與比例之間的曲線如圖4所示。

通過準(zhǔn)確率與比例P之間的關(guān)系曲線，可以看出當(dāng)P取10％或11％時(shí)圖像分類的準(zhǔn)確是100％，因此我們選取10％作為分類界限。本發(fā)明采用統(tǒng)籌局部于全局的方法來判定為圖像局部變化與全局變化。有效的避免了因局部目標(biāo)區(qū)域由于目標(biāo)本身的情況(像：大面積或全部遮擋、尺寸變化、旋轉(zhuǎn)變化)的劇烈變化而錯(cuò)誤的分類為全局變化的可能性，可以準(zhǔn)確地將圖像分為兩類。針對(duì)引起像素變化原理的不同我們選擇合適的魯棒性高的運(yùn)動(dòng)目標(biāo)跟蹤算法對(duì)運(yùn)動(dòng)目標(biāo)進(jìn)行跟蹤，從而既提高了算法的運(yùn)算效率又提高了算法的魯棒性。

通過上面的圖形分類準(zhǔn)確的將視頻圖像序列分為兩類，即基于圖像全局變化的視頻圖像序列和基于圖像局部變化的視頻圖像序列，根據(jù)不同的視頻序列選擇對(duì)應(yīng)的合適的運(yùn)動(dòng)目標(biāo)跟蹤算法。

本發(fā)明采用基于背景加權(quán)的尺度方向自適應(yīng)均值漂移算法(簡稱:BW-SOAMS)作為局部感興趣區(qū)域圖像序列的對(duì)應(yīng)跟蹤算法。將背景加權(quán)算法融合到SOAMS算法中，有效地避免了由局部感興趣區(qū)域的背景相似度變化、背景模糊變化以及背景環(huán)境光照的緩慢變化在判別分類時(shí)歸為局部感興趣變化導(dǎo)致的跟蹤漂移問題。在保證了算法實(shí)時(shí)性的同時(shí)，又保證了目標(biāo)跟蹤的高魯棒性。

本發(fā)明公開了一種復(fù)雜背景下運(yùn)動(dòng)目標(biāo)跟蹤算法。由于目標(biāo)本身以及環(huán)境變化的多樣性，導(dǎo)致跟蹤過程中存在各種困難。不同的運(yùn)動(dòng)目標(biāo)跟蹤算法針對(duì)不同的問題各有優(yōu)缺點(diǎn)，至今為止還沒有一種普適的魯棒性好的目標(biāo)跟蹤算法。針對(duì)目標(biāo)變化和背景環(huán)境變化，提出了一種基于圖像分類的多算協(xié)作的目標(biāo)跟蹤算法。目標(biāo)本身的變化引起局部感興趣區(qū)域變化的問題主要是由目標(biāo)物體的尺寸、旋轉(zhuǎn)和遮擋引起的。背景環(huán)境變化引起的全局變化問題主要是由光照、背景相似度和背景模糊引起的。該算法先對(duì)圖像序列預(yù)處理分類，然后選擇適合該環(huán)境變化導(dǎo)致的跟蹤漂移問題。經(jīng)實(shí)驗(yàn)驗(yàn)證，本發(fā)明較之其他流行的目標(biāo)跟蹤算法具有更好的魯棒性。

與已有技術(shù)相比，本發(fā)明提出的基于圖像分類的多算法協(xié)作的目標(biāo)跟蹤算法的有益效果體現(xiàn)在：

(1)本發(fā)明從跟蹤圖像序列的源頭出發(fā)，對(duì)視頻圖像序列進(jìn)行處理，跟據(jù)因起圖像變化原因的不同，在目標(biāo)跟蹤前提前對(duì)要跟蹤的目標(biāo)及背景進(jìn)行分類。

(2)在目標(biāo)跟蹤過程中因起環(huán)境變化的原因主要可以分為兩類，即跟蹤目標(biāo)自身變化和跟蹤環(huán)境的變化，在實(shí)際的測試中我們發(fā)現(xiàn)因起目標(biāo)自身變化的因素主要有跟蹤目標(biāo)的遮擋變化和尺寸變化，因起環(huán)境變化的主要由光照變化和背景相似度變化等。根據(jù)兩種變化因起圖像變化范圍的不同我們將圖像在跟蹤之前分為兩類：圖像全局變化和局部感興趣區(qū)域變化。然后選者合適算法對(duì)視頻序列進(jìn)行跟蹤定位，這樣針對(duì)因起不同環(huán)境變化的條件去跟蹤目標(biāo)保證跟蹤的實(shí)時(shí)性和魯棒性。

結(jié)合這里披露的本發(fā)明的說明和實(shí)踐，本發(fā)明的其他實(shí)施例對(duì)于本領(lǐng)域技術(shù)人員都是易于想到和理解的。說明和實(shí)施例僅被認(rèn)為是示例性的，本發(fā)明的真正范圍和主旨均由權(quán)利要求所限定。