CN103646407A - 一种基于成分距离关系图的视频目标跟踪方法 - Google Patents
一种基于成分距离关系图的视频目标跟踪方法 Download PDFInfo
- Publication number
- CN103646407A CN103646407A CN201310739297.9A CN201310739297A CN103646407A CN 103646407 A CN103646407 A CN 103646407A CN 201310739297 A CN201310739297 A CN 201310739297A CN 103646407 A CN103646407 A CN 103646407A
- Authority
- CN
- China
- Prior art keywords
- target
- centerdot
- candidate
- evaluation
- apparent
- 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
- 238000000034 method Methods 0.000 title claims abstract description 33
- 239000004615 ingredient Substances 0.000 title abstract 4
- 239000002245 particle Substances 0.000 claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 239000013598 vector Substances 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 10
- 238000005070 sampling Methods 0.000 claims abstract description 8
- 230000004069 differentiation Effects 0.000 claims description 8
- 230000004807 localization Effects 0.000 claims description 8
- 238000004321 preservation Methods 0.000 claims description 6
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- 238000001914 filtration Methods 0.000 abstract description 3
- 238000000513 principal component analysis Methods 0.000 abstract 3
- 238000004519 manufacturing process Methods 0.000 description 5
- 239000000470 constituent Substances 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005286 illumination Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000903 blocking effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000005352 clarification Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Landscapes
- Image Analysis (AREA)
Abstract
本发明公开了一种基于成分距离关系图特征的目标跟踪方法,其包括:步骤1、对于待跟踪目标所在的视频,采用粒子滤波方法采样一定数目的粒子,作为候选目标状态;步骤2、对于每个所述候选目标状态对应的表观,构建成分距离关系图特征向量;步骤3、根据所述成分距离关系图特征向量得到表示整个待跟踪目标表观的矩阵,并计算所述表示整个待跟踪目标表观的矩阵到2D PCA(二维主成分分析)子空间的距离;步骤4、根据所述距离获得每个候选目标状态的评价值,将最大评价值对应的候选目标状态作为目标的跟踪状态;步骤5、更新2D PCA子空间,并进行下一帧目标的跟踪。
Description
技术领域
本发明涉及计算机视觉领域,特别涉及一种基于成分距离关系图的视频目标跟踪(Visual Object Tracking)方法。
背景技术
作为计算机视觉的一个重要研究领域,目标跟踪在一段视频上对目标的特征采用一定的模型来进行描述,并通过一定的搜索策略来对目标状态进行搜索。一般来讲,目标跟踪的结果是得到目标在各个时刻的状态。目标跟踪在计算机视觉的许多方面都有重大的应用,比如行为理解和人机交互等。
目标跟踪有两个比较重要的研究内容,搜索策略和表观建模。搜索策略是指给定目标的历史信息,如何搜索到新的状态或候选状态。常用的搜索策略有均值漂移、卡尔曼滤波以及粒子滤波等。其中均值漂移和卡尔曼滤波属于确定性搜索,即给定历史信息以及当前表观信息的情况下,当前的目标状态是确定的。粒子滤波属于随机性搜索,即给定历史信息以及当前表观信息,用采样的方式搜索目标可能的状态。表观建模在跟踪中也具有很重要的意义。一般表观模型可分为判别式表观模型和产生式表观模型。判别式表观模型主要考虑的是如何将前景与背景有效的分开,而产生式模型主要考虑目标自身的表观信息。根据前景与背景的差异,判别式表观模型可较好的处理漂移等问题。但是当背景变化剧烈的时候,依据判别式模型可能会得到不正确的判别信息,从而导致跟踪失败。相对于判别式表观模型,产生式表观模型受背景影响较小。通过有效利用目标自身表观的历史信息,产生式表观模型可对目标进行有效的跟踪。
在产生式表观模型中,许多方法并不计算目标各组成成分间的距离信息,而有效的利用此距离信息可更好的描述目标各组成成分间的关系,对光照变化具有较好的鲁棒性。
发明内容
(一)要解决的技术问题
本发明的目的在于提出一种新的特征,使其对跟踪中的光照问题鲁棒,同时对遮挡等问题也可较好的处理。
(二)技术方案
为了实现上述目的,本发明提出一种基于距离的表观模型,通过计算目标各组成成分之间的距离信息,对光照变化具有较好的鲁棒性。
本发明提出的一种基于成分距离关系图特征的目标跟踪方法,其包括:
步骤1、对于待跟踪目标所在的视频,采用粒子滤波方法采样一定数目的粒子,作为候选目标状态;
步骤2、对于每个所述候选目标状态对应的表观,构建成分距离关系图特征向量;
步骤3、根据所述成分距离关系图特征向量得到表示整个待跟踪目标表观的矩阵,并计算所述表示整个待跟踪目标表观的矩阵到2D PCA子空间的距离;
步骤4、根据所述距离获得每个候选目标状态的评价值,将最大评价值对应的候选目标状态作为目标的跟踪状态;
步骤5、更新2D PCA子空间,并进行下一帧目标的跟踪。
(三)有益效果
本发明所提出的基于成分距离关系图的跟踪方法,通过计算目标各部分间的距离信息可使跟踪对光照比较鲁棒。同时,所提出的基于熵的计算局部化尺度参数的方法,可得到更有判别力的特征,从而更精确得确定目标的状态。
附图说明
图1是本发明中基于成分距离关系图的视频目标跟踪方法的流程图;
图2(a)是本发明的目标状态及一个目标块的示意图;
图2(b)是图2(a)中所示目标块的基于行纹理距离得到的行之间的关系图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,以下结合具体实施例,并参照附图,对本发明作进一步的详细说明。
本发明的方法具体运行的硬件和编程语言并不受限制,用任何语言编写都可以实现本发明的方法。本发明采用一台CPU频率为2.53GHz内存为2G的电脑,并用C++语言来编程实现本发明的方法。
图1示出了本发明提供的基于成分距离关系图的视频目标跟踪方法的流程图。如图1所示,该方法包括:
步骤1:对于待跟踪目标所在的视频,采用粒子滤波方法采样一定数目的粒子。
步骤2:对各粒子对应的表观(当前观测值,即图像),构建成分距离关系图特征(描述行纹理之间的距离),并利用2D PCA进行评价。
步骤3:更新2D PCA子空间。
步骤4:选择最有判别力的特征。
下面详细给出本发明技术方案中所涉及的各个步骤。
步骤1:对于待跟踪目标所在的视频,采用粒子滤波方法采样一定数目的粒子。在粒子滤波方法中,定义Xt+1为t+1时刻目标在视频帧的图像上的位置和尺寸状态信息(如图2(a)),Ot+1为t+1时刻视频中目标所呈现的表观,表观表示当前观测值,即图像。那么给定表观序列O1:t+1,目标状态Xt+1的后验贝叶斯概率为
此处p(Ot+1|Xt+1)表示粒子Xt+1的似然值,p(Xt+1|Xt)表示基于前一时刻目标状态对当前状态预测的概率密度。根据p(Xt+1|O1:t+1)采样一定数目的粒子。其中采样得到的粒子对应待跟踪目标所在视频中的候选目标状态。
对于步骤2,对各粒子对应的表观,构建成分距离关系图特征,并利用2D PCA进行评价。包含如下步骤:
步骤2a:对候选目标状态对应的表观进行分块,此处假定分成6×6的目标块,目标块之间可互相重叠。图2(a)的白框给出了其中一个目标块。在一个目标块中,将目标块第a行的纹理ra与第b行的纹理rb的关系表示为:
其中,NR是目标块行数(此处假定为7)。幂次l∈R是一个参数,称为特征的局部化尺度参数。本方法中,假定l有3个候选值,0,1,2。最有判别力的l的候选值被选来评价候选目标状态。参数l根据步骤4所描述的内容进行更新,其初始值可以设定为上述3个候选值中的一个。考虑此目标块任意两行之间的关系,得到一个向量 此向量就是此目标块的成分距离关系图向量,其用于描述块的行纹理之间的距离。
Ml,(1)=Ml,(2)T.
使用上述两个矩阵来表示整个目标的表观。
步骤2c:计算M(1)和M(2)到相应2D PCA子空间的距离为
其中,为t时刻相应各个目标块的权重,与分别表示矩阵M(1)和M(2)直到t时刻的均值,U1和U2分别为M(1)和M(2)对应的2D PCA子空间,其是根据已知的一系列M(1)和M(2)的样本值进行训练得到的2D PCA子空间值。对候选目标状态的评价值为:
其中,最大的评价值对应的候选状态被选为目标最终的状态。
对于步骤3,更新2D PCA子空间。包含如下步骤:
步骤3a:定义标号为(i,j)的目标块的成分距离关系图向量关于直到当前帧的所有帧的均值(对所有成分距离关系图向量取平均)和方差(对各向量到均值的欧氏距离的平方取平均)分别为和υi,j。指定目标块(i,j)在时刻t时的特征为qi,j,那么此目标块在时刻t+1的权重被定义为:
此处依据最优局部化尺度参数l*来计算目标块权重。
步骤3b:对目标块(i,j),定义为当前帧最优粒子对应的目标块的成分距离关系图向量特征,如果则认为此块未污染,即未被遮挡等,此处α是一个常数。如果未污染的块数大于一个阈值,则保存当前样本,即目标的成分距离关系图向量特征。每保存五帧的样本,更新一次系统。指定为前n+1时刻的样本,即的协方差,为最近(时刻n后)保存的5帧样本的协方差,则当前样本协方差用如下增量方式计算:
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步详细说明,应理解的是,以上所述仅为本发明的具体实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种基于成分距离关系图特征的目标跟踪方法,其包括:
步骤1、对于待跟踪目标所在的视频,采用粒子滤波方法采样一定数目的粒子,作为候选目标状态;
步骤2、对于每个所述候选目标状态对应的表观,构建成分距离关系图特征向量;
步骤3、根据所述成分距离关系图特征向量得到表示整个待跟踪目标表观的矩阵,并计算所述表示整个待跟踪目标表观的矩阵到2D PCA子空间的距离;
步骤4、根据所述距离获得每个候选目标状态的评价值,将最大评价值对应的候选目标状态作为目标的跟踪状态;
步骤5、更新2D PCA子空间,并进行下一帧目标的跟踪。
5.如权利要求4所述的方法,其中,所述局部化尺度参数包括多个候选值,步骤2中采用最有判别力的局部化尺度参数评价候选目标状态。
7.如权利要求2所述的方法,其中,整个待跟踪目标表观的矩阵如下所示:
Ml,(1)=Ml,(2)T
其中, 其中,待跟踪目标被划分成F×F块,其中a和b表示每块的行号。
9.如权利要求8所述的方法,其中,每个候选目标状态的评价值如下计算:
其中,Xt为t时刻目标在视频帧的图像上的位置和尺寸状态信息,Ot为t时刻视频中目标所呈现的表观。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310739297.9A CN103646407B (zh) | 2013-12-26 | 2013-12-26 | 一种基于成分距离关系图的视频目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310739297.9A CN103646407B (zh) | 2013-12-26 | 2013-12-26 | 一种基于成分距离关系图的视频目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103646407A true CN103646407A (zh) | 2014-03-19 |
CN103646407B CN103646407B (zh) | 2016-06-22 |
Family
ID=50251617
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310739297.9A Active CN103646407B (zh) | 2013-12-26 | 2013-12-26 | 一种基于成分距离关系图的视频目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103646407B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139418A (zh) * | 2015-08-04 | 2015-12-09 | 山东大学 | 一种新型的基于分块策略的视频跟踪方法 |
CN109446942A (zh) * | 2018-10-12 | 2019-03-08 | 北京旷视科技有限公司 | 目标跟踪方法、装置和系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184551A (zh) * | 2011-05-10 | 2011-09-14 | 东北大学 | 结合多种特征匹配和粒子滤波的目标自动跟踪方法及系统 |
CN103473790A (zh) * | 2013-08-29 | 2013-12-25 | 西北工业大学 | 基于增量Bi-2DPCA学习和稀疏表示的在线目标跟踪方法 |
-
2013
- 2013-12-26 CN CN201310739297.9A patent/CN103646407B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102184551A (zh) * | 2011-05-10 | 2011-09-14 | 东北大学 | 结合多种特征匹配和粒子滤波的目标自动跟踪方法及系统 |
CN103473790A (zh) * | 2013-08-29 | 2013-12-25 | 西北工业大学 | 基于增量Bi-2DPCA学习和稀疏表示的在线目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
DONG WANG, HUCHUAN LU: "Object tracking via 2DPCA and l1-regularization", 《IEEE SIGNAL PROCESSING LETTERS》 * |
WANG Z等: "Camshift guided particle filter for visual tracking", 《PATTERN RECOGNITION LETTERS》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139418A (zh) * | 2015-08-04 | 2015-12-09 | 山东大学 | 一种新型的基于分块策略的视频跟踪方法 |
CN109446942A (zh) * | 2018-10-12 | 2019-03-08 | 北京旷视科技有限公司 | 目标跟踪方法、装置和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN103646407B (zh) | 2016-06-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Yuan et al. | Robust visual tracking with correlation filters and metric learning | |
CN102930539B (zh) | 基于动态图匹配的目标跟踪方法 | |
CN104574445B (zh) | 一种目标跟踪方法 | |
CN106952293B (zh) | 一种基于非参数在线聚类的目标跟踪方法 | |
CN102324030B (zh) | 一种基于图像块特征的目标跟踪方法及跟踪系统 | |
CN107689052B (zh) | 基于多模型融合和结构化深度特征的视觉目标跟踪方法 | |
CN102592112B (zh) | 基于隐马尔科夫模型判断手势运动方向的方法 | |
CN104820997B (zh) | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 | |
CN105654139A (zh) | 一种采用时间动态表观模型的实时在线多目标跟踪方法 | |
US8825586B2 (en) | Vehicle type recognition at a checkpoint using PCA and BIC | |
CN104484890B (zh) | 基于复合稀疏模型的视频目标跟踪方法 | |
CN104616318A (zh) | 一种视频序列图像中的运动目标跟踪方法 | |
CN101673403A (zh) | 复杂干扰场景下的目标跟踪方法 | |
CN103488091A (zh) | 一种数据驱动的基于动态成分分析的控制过程监控方法 | |
CN111080675A (zh) | 一种基于时空约束相关滤波的目标跟踪方法 | |
CN102148921A (zh) | 基于动态群组划分的多目标跟踪方法 | |
CN105335701A (zh) | 一种基于hog与d-s证据理论多信息融合的行人检测方法 | |
CN101908214B (zh) | 基于邻域相关的背景重构的运动目标检测方法 | |
CN103237197B (zh) | 用于鲁棒跟踪的自适应多特征融合的方法 | |
CN101470809A (zh) | 一种基于扩展混合高斯模型的运动目标检测方法 | |
CN103440512A (zh) | 一种基于张量局部保持投影的大脑认知状态的识别方法 | |
CN102779346A (zh) | 基于改进c-v模型的sar图像变化检测方法 | |
CN110781266A (zh) | 一种基于时空因果关系的城市感知数据处理方法 | |
CN108986142A (zh) | 基于置信图峰值旁瓣比优化的遮挡目标跟踪方法 | |
CN103456030A (zh) | 基于散射描述子的目标跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |