CN103489201A - 基于运动模糊信息的目标跟踪方法 - Google Patents
基于运动模糊信息的目标跟踪方法 Download PDFInfo
- Publication number
- CN103489201A CN103489201A CN201310413819.6A CN201310413819A CN103489201A CN 103489201 A CN103489201 A CN 103489201A CN 201310413819 A CN201310413819 A CN 201310413819A CN 103489201 A CN103489201 A CN 103489201A
- Authority
- CN
- China
- Prior art keywords
- fuzzy
- target
- tracking
- tracks
- motion
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Images
Landscapes
- Image Analysis (AREA)
- Studio Devices (AREA)
Abstract
本发明公开了一种基于运动模糊信息的目标跟踪方法,包括下述步骤:S1、采集多帧图像,输入采集到的多帧图像;S2、对采集到的每个图像帧,采用均值偏移跟踪方法对其进行跟踪;S3、根据相似函数计算的相似程度来判断与阈值Thr的关系;S4、使用粒子滤波器来进行跟踪计算;S5、利用模糊模板来跟踪运动,在跟踪的过程中,将目标的模糊模板用以匹配均值偏移跟踪,完成对含有运动模糊的图像进行目标跟踪。本发明处理有运动模糊的图像中,不需要去模糊,而利用从运动模糊中得到的信息,就能够完成跟踪目标。
Description
技术领域
本发明涉及计算机视觉领域,特别涉及一种基于运动模糊信息的目标跟踪方法。
背景技术
视觉跟踪在计算机视觉领域中起着重要的作用。但是如今的现状是运动模糊在实际的视频中普遍存在,而绝大多数现有的视觉跟踪方法在目标存在运动模糊(特别是快速运动造成的运动模糊)时,由于跟踪目标出现的不完善使得图像匹配模型无效,导致其并不能有效地正常跟踪。
在目标检测技术领域中,有两个技术方向:一个是特定目标的检测,例如识别图像上的人是否是“张三”;另外一个是目标查找,例如在一副图像中寻找出有多少“人”,他们都在什么位置。两个技术方向的最大区别在于后者需要对图像进行尺寸压缩(适应不同大小的目标)和遍历(搜索图像的每一个可能出现目标的地方)。现状:目前有如下方法:1、快速傅立叶转换去模糊法(FFTDeblurring),该方法如下:频域的去模糊运算可表示为模糊影像的傅立叶转换和点扩散函数的傅立叶转换的乘积。2、非递回法-Wiener滤波器去模糊法(Wiener Filter Deblurring);3、递回法-Lucy-Richardson去模糊法(Lucy-Richardson Deblurring)。其缺点如下:1、目前大多数去模糊算法的计算量过大,因此导致其完全不适合对时效性有要求的视觉跟踪任务。2、运动模糊也提供了物体的运动信息,如果简单地讲模糊去掉的话,也失去了对视觉跟踪的有用信息。另外,上述,方案都是在视觉跟踪之前先去模糊,但是在去模糊图像处理的过程中,容易影响到图像原本的特征,对图像造成有害的影响。
发明内容
本发明的目的在于克服现有技术的缺点与不足,提供一种基于运动模糊信息的目标跟踪方法。
本发明的目的通过下述技术方案实现:
本发明一种基于运动模糊信息的目标跟踪方法,包括下述步骤:
S1、采集多帧图像,输入采集到的多帧图像;
S2、对采集到的每个图像帧,采用均值偏移跟踪方法对其进行跟踪;
S3、根据相似函数计算的相似程度来判断与阈值Thr的关系,若相似程度小于阈值Thr,则说明均值偏移跟踪不能较好地匹配对象与目标图像的直方图,则跳转至步骤S4,若相似程度大于阈值Thr,则说明能够较好地跟踪,则跳转至步骤S6;
S4、使用粒子滤波器来进行跟踪计算;
S5、利用模糊模板来跟踪运动,在跟踪的过程中,将目标的模糊模板用以匹配均值偏移跟踪,完成对含有运动模糊的图像进行目标跟踪;
S6、输出跟踪结果。
优选的,步骤S2的具体方法为:
S21、对第一帧图像,取RGB向量或像素灰度值作为目标模型的特征值,然后给定目标的初始位置和尺寸,计算目标在图像中的直方图;
S22、输入新图像,也即第一帧图像之后的图像,利用相似函数匹配对象与目标模型的相似程度;
S23、采用梯度下降法寻找相似函数的最大值。
优选的,步骤S3中,设置的阈值Thr为0.2-0.3。
优选的,步骤S4中,利用粒子滤波器来进行跟踪的具体方法如下:
S41、当t=0时,初始化模板Ta和Tb;
其中Ta=[t1,...,tna]∈Rd×na,包含na标准模板;
Tb=[t1,1,...,t1,n1,t2,1,...,t2,n1,...,tn,1,...,tn,n1],包含nb模糊模板;标准模板Ta从清晰物体图像中获取,具体是从第一帧图像中手动选取;模糊模板Tb是在Ta的基础上,加上不同模糊对其产生的影响,进而生成出来;
S42、初始化,用颜色直方图作为目标区域的特征;
S43、进行粒子滤波
S44、根据最大似然估计定位目标;
S45、得出目标的模糊系数b,并根据模糊系数估计模糊,所述模糊系数包括模糊的角度θ和模糊的长度l;
S46、重采样。
优选的,步骤S43中,粒子滤波的具体过程如下:
S431、计算每个粒子与目标的相似度也即p(y|x);可利用如下公式得出:
p(xt|y1:t)=[p(yt|xt)p(xt,y1:t-1)]/p(yt,y1:t-1);
x,y均为状态变量,xt、yt为在时刻t的状态变量。状态变量在t=0时刻的值称为系统的初始状态或起始状态。
p(xt|y1:t)为xt与y1:t的相似度;
p(yt|xt)为yt与xt的相似度;
p(xt,y1:t-1)为xt与y1:t-1的相似度;
p(yt,y1:t-1)为yt与y1:t-1的相似度;
S432、用粒子滤波器的粒子去搜索目标;
S433、重复步骤S431和S432,更新粒子。
优选的,步骤S5的具体过程如下:
S51、根据步骤3得出的模糊的角度θ与长度l,将其综合,得出新的模糊模板T'(θ,l);
S52、利用模糊模板的颜色直方图,利用均值偏移跟踪算法来匹配;
S53、利用模糊模板来跟踪运动,在跟踪的过程中,将目标的模糊模板用以匹配均值偏移跟踪,从而完成对含有运动模糊的图像进行目标跟踪。
优选的,步骤S3中,所述相似函数包括:Bhattacharyya函数,另外可以采用的函数有Correl函数、Chisqr函数或Intersect函数。
本发明相对于现有技术具有如下的优点及效果:
1、本发明处理有运动模糊的图像中,不需要去模糊,而是利用从运动模糊中得到的信息,就能够完成对目标的跟踪。
2、本发明利用运动模糊中所包含的信息,完成对目标的跟踪,对运动模糊的处理过程实现简化,提高了视觉跟踪的鲁棒性。
附图说明
图1是本发明基于运动模糊信息的目标跟踪方法流程图。
图2是本发明中粒子滤波方法的流程图。
具体实施方式
下面结合实施例及附图对本发明作进一步详细的描述,但本发明的实施方式不限于此。
实施例
如图1、图2所示,本实施例基于运动模糊信息的目标跟踪方法,包括下述步骤:
步骤1:
1)采集多帧图像;
2)输入采集到的多帧图像。
步骤2:
对每一个图像帧,利用均值偏移(mean-shift)跟踪对其进行跟踪;
1)对第一帧图像,取RGB向量(也可取像素灰度值)作为目标模型的特征值。
然后给定目标的初始位置和尺寸,计算目标在图像中的直方图;
2)输入新图像,也即第一帧图像之后的图像;匹配对象与目标模型的相似程度(利用相似函数);(其中相似函数可采用Bhattacharyya函数,另外可以采用的函数有Correl函数、Chisqr函数、Intersect函数)
3)采用梯度下降法寻找相似函数最大值,其具体步骤如下:
①在选定的窗口下计算均值移动向量;
②将窗口按此向量平移,得到新窗口位置;
③重复①、②至过程收敛。
步骤3:
步骤2的第2)步中进行了相似程度的计算,根据相似函数Bhattacharyya计算的相似程度来判断:
①若相似程度小于阈值Thr,则说明均值偏移(mean-shift)跟踪不能较好地匹配对象与目标图像的直方图,则跳转至步骤4;
②若相似程度大于阈值Thr,则说明能够较好地跟踪,则跳转至步骤6。
本实施例中,阈值Thr是根据实际情况去设定,参考阈值为0.2-0.3之间,本实施例中优选为0.25。
步骤4:
使用粒子滤波器(particle filter)来进行跟踪算法:
1)当t=0时,初始化模板Ta和Tb;
其中Ta=[t1,...,tna]∈Rd×na,包含na标准模板;
Tb=[t1,1,...,t1,n1,t2,1,...,t2,n1,...,tn,1,...,tn,n1],包含nb模糊模板;
t1,...tna为初始化模板Ta各个方向的分量;
t1,1,...,tn,m为初始化模板Tb各个方向的分量。
标准模板Ta从清晰物体图像中获取,具体是从第一帧图像中手动选取;模糊模板Tb是在Ta的基础上,加上不同模糊对其产生的影响,进而生成出来。
2)初始化
用颜色直方图作为目标区域的特征;
3)进行粒子滤波,其过程如图2所示:
其具体步骤如下:
①预测(prediction)
计算每个粒子与目标的相似度(observation likelihood)也即p(y|x);可利用公式p(xt|y1:t)=[p(yt|xt)p(xt,y1:t-1)]/p(yt,y1:t-1)得出;
p(xt|y1:t)为xt与y1:t的相似度;
p(yt|xt)为yt与xt的相似度;
p(xt,y1:t-1)为xt与y1:t-1的相似度;
p(yt,y1:t-1)为yt与y1:t-1的相似度.
②粒子滤波器的粒子去搜索目标
③更新粒子;重复①、②过程。
4)根据最大似然估计(maximum likelihood estimation)定位目标;
5)得出目标的模糊系数b,并根据模糊系数估计模糊(包括模糊的角度θ和模糊的长度l)
6)重采样(resample particles)
步骤5:
1)根据步骤3得出的模糊的角度θ与长度l,将其综合,得出模糊模板T'(θ,l)(与前文提到的模糊模板Tb作区分);
2)利用模糊模板的颜色直方图,利用均值偏移(mean-shift)跟踪算法来匹配;
3)利用模糊模板来跟踪运动。在跟踪的过程中,将目标的模糊模板用以匹配均值偏移(mean-shift)跟踪。从而完成对含有运动模糊的图像进行目标跟踪。
步骤6:输出跟踪的结果。
上述实施例为本发明较佳的实施方式,但本发明的实施方式并不受上述实施例的限制,其他的任何未背离本发明的精神实质与原理下所作的改变、修饰、替代、组合、简化,均应为等效的置换方式,都包含在本发明的保护范围之内。
Claims (7)
1.一种基于运动模糊信息的目标跟踪方法,其特征在于,包括下述步骤:
S1、采集多帧图像,输入采集到的多帧图像;
S2、对采集到的每个图像帧,采用均值偏移跟踪方法对其进行跟踪;
S3、根据相似函数计算的相似程度来判断与阈值Thr的关系,若相似程度小于阈值Thr,则说明均值偏移跟踪不能较好地匹配对象与目标图像的直方图,则跳转至步骤S4,若相似程度大于阈值Thr,则说明能够较好地跟踪,则跳转至步骤S6;
S4、使用粒子滤波器来进行跟踪计算;
S5、利用模糊模板来跟踪运动,在跟踪的过程中,将目标的模糊模板用以匹配均值偏移跟踪,完成对含有运动模糊的图像进行目标跟踪;
S6、输出跟踪结果。
2.根据权利要求1所述一种基于运动模糊信息的目标跟踪方法,其特征在于,步骤S2的具体方法为:
S21、对第一帧图像,取RGB向量或像素灰度值作为目标模型的特征值,然后给定目标的初始位置和尺寸,计算目标在图像中的直方图;
S22、输入新图像,也即第一帧图像之后的图像,利用相似函数匹配对象与目标模型的相似程度;
S23、采用梯度下降法寻找相似函数的最大值。
3.根据权利要求2所述一种基于运动模糊信息的目标跟踪方法,其特征在于,步骤S3中,设置的阈值Thr为0.2-0.3。
4.根据权利要求1所述一种基于运动模糊信息的目标跟踪方法,其特征在于,步骤S4中,利用粒子滤波器来进行跟踪的具体方法如下:
S41、当t=0时,初始化模板Ta和Tb;
其中Ta=[t1,...,tna]∈Rd×na,包含na标准模板;
Tb=[t1,1,...,t1,n1,t2,1,...,t2,n1,...,tn,1,...,tn,n1],包含nb模糊模板;标准模板Ta从清晰物体图像中获取,具体是从第一帧图像中手动选取;模糊模板Tb是在Ta的基础上,加上不同模糊对其产生的影响,进而生成出来;
S42、初始化,用颜色直方图作为目标区域的特征;
S43、进行粒子滤波
S44、根据最大似然估计定位目标;
S45、得出目标的模糊系数b,并根据模糊系数估计模糊,所述模糊系数包括模糊的角度θ和模糊的长度l;
S46、重采样。
5.根据权利要求4所述一种基于运动模糊信息的目标跟踪方法,其特征在于,步骤S43中,粒子滤波的具体过程如下:
S431、计算每个粒子与目标的相似度也即p(y|x);可利用如下公式得出:
p(xt|y1:t)=[p(yt|xt)p(xt,y1:t-1)]/p(yt,y1:t-1);
x,y均为状态变量,xt、yt为在时刻t的状态变量,状态变量在t=0时刻的值称为系统的初始状态或起始状态,
p(xt|y1:t)为xt与y1:t的相似度;
p(yt|xt)为yt与xt的相似度;
p(xt,y1:t-1)为xt与y1:t-1的相似度;
p(yt,y1:t-1)为yt与y1:t-1的相似度;
S432、用粒子滤波器的粒子去搜索目标;
S433、重复步骤S431和S432,更新粒子。
6.根据权利要求1所述一种基于运动模糊信息的目标跟踪方法,其特征在于,步骤S5的具体过程如下:
S51、根据步骤3得出的模糊的角度θ与长度l,将其综合,得出新的模糊模板T'(θ,l);
S52、利用模糊模板的颜色直方图,利用均值偏移跟踪算法来匹配;
S53、利用模糊模板来跟踪运动,在跟踪的过程中,将目标的模糊模板用以匹配均值偏移跟踪,从而完成对含有运动模糊的图像进行目标跟踪。
7.根据权利要求1所述所述一种基于运动模糊信息的目标跟踪方法,其特征在于,步骤S3中,所述相似函数包括:Bhattacharyya函数,另外可以采用的函数有Correl函数、Chisqr函数或Intersect函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310413819.6A CN103489201B (zh) | 2013-09-11 | 2013-09-11 | 基于运动模糊信息的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310413819.6A CN103489201B (zh) | 2013-09-11 | 2013-09-11 | 基于运动模糊信息的目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103489201A true CN103489201A (zh) | 2014-01-01 |
CN103489201B CN103489201B (zh) | 2016-10-05 |
Family
ID=49829398
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310413819.6A Active CN103489201B (zh) | 2013-09-11 | 2013-09-11 | 基于运动模糊信息的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103489201B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2016145591A1 (en) * | 2015-03-16 | 2016-09-22 | Nokia Technologies Oy | Moving object detection based on motion blur |
CN106022238A (zh) * | 2016-05-12 | 2016-10-12 | 清华大学 | 基于滑窗优化的多目标跟踪方法 |
CN104091350B (zh) * | 2014-06-20 | 2017-08-25 | 华南理工大学 | 一种利用运动模糊信息的物体跟踪方法 |
CN112767446A (zh) * | 2021-01-22 | 2021-05-07 | 西安电子科技大学 | 一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统 |
CN116128769A (zh) * | 2023-04-18 | 2023-05-16 | 聊城市金邦机械设备有限公司 | 摇摆运动机构的轨迹视觉记录系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577005A (zh) * | 2009-06-12 | 2009-11-11 | 北京中星微电子有限公司 | 一种目标跟踪方法及装置 |
US20110142282A1 (en) * | 2009-12-14 | 2011-06-16 | Indian Institute Of Technology Bombay | Visual object tracking with scale and orientation adaptation |
-
2013
- 2013-09-11 CN CN201310413819.6A patent/CN103489201B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101577005A (zh) * | 2009-06-12 | 2009-11-11 | 北京中星微电子有限公司 | 一种目标跟踪方法及装置 |
US20110142282A1 (en) * | 2009-12-14 | 2011-06-16 | Indian Institute Of Technology Bombay | Visual object tracking with scale and orientation adaptation |
Non-Patent Citations (3)
Title |
---|
文志强: ""基于均值偏移算法的运动目标跟踪技术的研究"", 《中国博士学位论文全文数据库(信息科技辑)》, no. 2, 15 February 2010 (2010-02-15) * |
李宇成等: ""运动模糊图像的参数估计与恢复"", 《计算机工程与设计》, vol. 31, no. 19, 31 October 2010 (2010-10-31), pages 4247 - 4248 * |
桂祖恒: ""基于均值偏移和粒子滤波的视频目标跟踪算法研究"", 《中国优秀硕士学位论文全文数据库(信息科技辑)》, no. 1, 15 January 2010 (2010-01-15), pages 37 - 46 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091350B (zh) * | 2014-06-20 | 2017-08-25 | 华南理工大学 | 一种利用运动模糊信息的物体跟踪方法 |
WO2016145591A1 (en) * | 2015-03-16 | 2016-09-22 | Nokia Technologies Oy | Moving object detection based on motion blur |
CN106022238A (zh) * | 2016-05-12 | 2016-10-12 | 清华大学 | 基于滑窗优化的多目标跟踪方法 |
CN106022238B (zh) * | 2016-05-12 | 2019-05-28 | 清华大学 | 基于滑窗优化的多目标跟踪方法 |
CN112767446A (zh) * | 2021-01-22 | 2021-05-07 | 西安电子科技大学 | 一种提高红外图像跟踪的目标跟踪准确率的图像跟踪系统 |
CN116128769A (zh) * | 2023-04-18 | 2023-05-16 | 聊城市金邦机械设备有限公司 | 摇摆运动机构的轨迹视觉记录系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103489201B (zh) | 2016-10-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
EP1995691B1 (en) | Method and apparatus for segmenting a motion area | |
CN110728697A (zh) | 基于卷积神经网络的红外弱小目标检测跟踪方法 | |
CN103489201A (zh) | 基于运动模糊信息的目标跟踪方法 | |
CN101179713A (zh) | 复杂背景下单个运动目标的检测方法 | |
WO2008020598A1 (fr) | Dispositif et procédé de détection d'un nombre d'objets | |
CN110689555B (zh) | 基于前景检测的kcf跟踪目标丢失检测方法及系统 | |
CN103093198A (zh) | 一种人群密度监测方法及装置 | |
KR101901487B1 (ko) | 저사양 영상 기기에서의 실시간 객체 추적 시스템 및 방법 | |
KR101684990B1 (ko) | 양방향 필터의 시그마 변수를 이용한 차량 영상 디블러 방법 | |
CN111199554A (zh) | 一种目标跟踪抗遮挡的方法及装置 | |
CN103428409A (zh) | 一种基于固定场景的视频降噪处理方法及装置 | |
Zhao et al. | Principal curvature for infrared small target detection | |
CN105608689A (zh) | 一种全景拼接消除图像特征误匹配方法及装置 | |
CN105809633A (zh) | 去除颜色噪声的方法及装置 | |
CN115272917A (zh) | 一种基于输电线路的导线舞动预警方法、装置、设备及介质 | |
CN112613564A (zh) | 一种剔除重叠框的目标检测后处理方法 | |
CN106778822B (zh) | 基于漏斗变换的图像直线检测方法 | |
CN103093481B (zh) | 一种基于分水岭分割的静态背景下运动目标检测方法 | |
JP5709255B2 (ja) | 画像処理方法および監視装置 | |
CN103473753A (zh) | 一种基于多尺度小波阈值去噪的目标检测方法 | |
Balcilar et al. | Extracting vehicle density from background estimation using Kalman filter | |
CN112200831B (zh) | 一种基于动态模板的密集连接孪生神经网络目标跟踪方法 | |
CN108171168B (zh) | 弱小目标变动智能图像检测方法及装置 | |
CN114511591B (zh) | 轨迹跟踪方法、装置、电子设备及存储介质 | |
JP2009205695A (ja) | 対象個数検出装置および対象個数検出方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant |