CN104036526A

CN104036526A - 一种基于自适应窗的灰度目标跟踪方法

Info

Publication number: CN104036526A
Application number: CN201410289881.3A
Authority: CN
Inventors: 蔡延光; 向周; 蔡颢
Original assignee: Guangdong University of Technology
Current assignee: Guangdong University of Technology
Priority date: 2014-06-26
Filing date: 2014-06-26
Publication date: 2014-09-10

Abstract

本发明是一种基于自适应窗的灰度目标跟踪方法，主要解决实时自适应目标大小变化问题。该方法包括以下步骤：(1)确定目标模板；(2)混合直方图特征提取；(3)初始化粒子点集：设定采样的粒子数N和初始化粒子权值；(4)更新粒子点集的状态；(5)观测粒子点集；(6)目标状态估计；(7)跟踪窗口调整；(8)重采样。在粒子滤波跟踪框架下，确定运动目标模板，建立运动目标的状态转移方程，初始化粒子集合目标窗口，预测下一时刻的粒子集，计算似然函数的权值，计算大权值粒子到粒子集中心的平局距离，根据d线性调整窗口尺寸。实现跟踪窗口自适应调整，与同类方法相比，具有计算简单，速度快，效果好的优势。

Description

一种基于自适应窗的灰度目标跟踪方法

技术领域

本发明涉及视频目标跟踪技术领域，具体是一种基于自适应窗的灰度目标跟踪方法。

背景技术

目标跟踪问题是机器视觉研究中的一个重要分支，是高级机器视觉研究的基础，有着广泛的应用，如军事制导、道路交通监控，工业自动化生产监控，客流量统计等。在人们提出的诸多跟踪算法中，基于粒子滤波和 Mean-Shift 算法是研究的热点。在这两种算法中，目标跟踪窗口是由跟踪目标的初始大小决定的，在整个跟踪过程中，跟踪窗口的大小保持不变。然而，当运动目标尺寸越来越小时，如果跟踪窗口固定不变，则在跟踪窗口内包含目标区域的同时混入了一些背景噪声，最终导致运动目标跟踪不准确。当运动目标尺寸越来越大时，大到超出跟踪窗口的范围，固定不变的窗口常常会导致运动目标的跟踪失败。

近几年，针对基于Mean-Shift的跟踪算法人们提出了一些改变核窗口大小的算法。文献[见：Comaniciu D, Ramesh V, Meer P. Kernel-based object tracking[J]. Pattern Analysis and Machine Intelligence, IEEE Transactions on, 2003, 25(5): 564-577.]提出了一种±10%增量的核窗口修正方法。该方法需要分别计算当前帧中原始核窗口以及±10%核窗口的Bhattacharyya系数，选出最大的Bhattacharyya系数所对应的窗口为最佳核窗宽。当目标尺寸变小时，该方法可以得到比较好的跟踪效果，但当目标尺寸变大时，由于Bhattacharyya系数的相似性度量常常会在较小的核窗口内达到局部最大，所以跟踪窗口的尺寸很难扩大，经常是越来越小。

对目标进行跟踪，选择可靠的目标特征，以及对目标特征的描述特别重要，它直接影响到跟踪算法的精度．图像有很多种特征，例如图像亮度、图像颜色、图像轮廓、梯度、频率域等[见：张成．基于图像序列的运动目标识别与跟踪方法研究[D]．天津：天津理工大学，2008]。由于图像彩色信息占有内存多，而且人眼对彩色信息敏感度不如人眼对图像亮度的敏感度高，在很多领域人们都采集图像的亮度信息即图像的灰度信息。

本发明针对利用了灰度图像的灰度直方图和梯度直方图，结合两个特征加强算法的鲁棒性，自适应窗的引入，使算法能适应目标大小的变化，且不增加算法的复杂度，实验仿真证明该方法的优越性。

发明内容

本发明的目的是克服现有技术中的不足，提供一种基于自适应窗的灰度目标跟踪方法，该方法针对利用了灰度图像的灰度直方图和梯度直方图，结合两个特征加强算法的鲁棒性，自适应窗的引入，使算法能适应目标大小的变化，且不增加算法的复杂度。

为实现上述目的，本发明所采用的技术方案是：

一种基于自适应窗的灰度目标跟踪方法，包括下述步骤：

(1) 确定得到目标模板：初始化跟踪目标的位置和跟踪窗口的大小，本文中用矩形表示目标模板，目标状态表示为：。其中分别表示目标中心在图像中x，y方向的速度；

(2) 混合直方图特征提取：通过计算目标区域目标的灰度直方图以及梯度直方图，然后把两种特征加权混合就可以计算出目标的特征值；

(3) 初始化粒子点集：设定采样的粒子数N和初始化粒子权值；

(4) 更新粒子点集的状态：根据状态转移方程预测k时刻粒子集；

(5) 观测粒子点集：计算每个粒子的似然函数值，计算每个粒子的权值，并归一化权值；

(6) 目标状态估计：用粒子加权平均近似目标状态；

(7) 跟踪窗口调整：计算粒子到粒子集中心的平均距离，跟踪窗口的长和宽；

(8) 重采样：计算有效粒子数，累计概率并复制粒子。

作为本发明的进一步改进，所述步骤(2)具体为：

灰度值作为灰度图像最直观的信息，用向量表示图像灰度直方图，N为图像灰度的区间数，图像处理中有很多相对空域的处理方法用来突出图像的细节信息。其中常用的方法有梯度法等。如下所示，在图像处理中利用离散点的差分形式来代替相关微分运算。

式中，图像中像素点的灰度用函数表示，矢量灰度图的梯度则用标量函数表示。

目标的像素点的坐标位置用表示，像素点的梯度模值由下式可得：

公式中，坐标处像素点的灰度用来表示。由上式可知梯度值空间，将梯度值空间划分为M层数据区间，这样有利于统计梯度直方图，方便像素点属于哪个区间的概率计算，特征向量用表示，通过加权归并特征向量X、Y，形成新的特征向量用，显然梯度特征的权重，这样就可以通过调节的大小来调节多特征的比重。混合特征向量，K=N+M。

作为本发明的进一步改进，所述步骤(3)具体为：

根据目标的初始窗口的大小和位置，利用高斯分布产生k-1时刻初始化粒子集，i为粒子序号，表示粒子状态，权值初始化为；根据初始化粒子集计算粒子到粒子集中心的平均距离。

作为本发明的进一步改进，所述步骤(7)具体为：

计算权值较大粒子到粒子集中心的平均距离；

计算跟踪窗口的长和宽：

。

本发明的有益效果：采用上述的方法，实现了跟踪窗口的自适应调整，与同类方法相比，具有计算简单，速度快，效果好的优势。

附图说明

下面结合附图和具体实施方式对本发明作进一步详细说明：

图1为本发明的结构示意图。

具体实施方式

如图1所示，一种基于自适应窗的灰度目标跟踪方法，包括下述步骤：

(1) 确定得到目标模板：

初始化跟踪目标的位置和跟踪窗口的大小。本文中用矩形表示目标模板，目标状态表示为：，其中，分别表示目标中心在图像中x，y方向的速度；

(2) 混合直方图特征提取：

灰度值作为灰度图像最直观的信息，用向量表示图像灰度直方图，N为图像灰度的区间数。

图像处理中有很多相对空域的处理方法用来突出图像的细节信息。其中常用的方法有梯度法等。如下所示，在图像处理中利用离散点的差分形式来代替相关微分运算。

公式中，坐标处像素点的灰度用来表示。由上式可知梯度值空间，将梯度值空间划分为M层数据区间，这样有利于统计梯度直方图，方便像素点属于哪个区间的概率计算，特征向量用表示，通过加权归并特征向量X、Y，形成新的特征向量用，显然梯度特征的权重，这样就可以通过调节的大小来调节多特征的比重。混合特征向量，L=N+M。

假设目标状态为X，目标区域中心为，跟踪窗口大小为，区域总像素为i，则目标特征模板为

其中为Delta函数；为混合特征级，为权值函数。

根据下式来传递，得到新的粒子。

式中，为采样周期，为高斯白噪声。

目标模板的特征向量p，混合直方图特征向量ｑ。

，L为特征数目。

。

特征数目为N，目标模板与粒子之间的Bhatta-charyya距离用ｄ表示。

计算每个粒子的权值：

归一化权值

(6) 目标状态估计：用粒子加权平均近似目标状态；

用粒子加权平均作为目标状态估计，粒子加权平均

(7) 跟踪窗口调整。计算粒子到粒子集中心的平均距离，跟踪窗口的长和宽；

目标中心坐标，粒子位置为该粒子的权值，，M为权值大于某一阀值T的粒子数目，则粒子与目标中心距离d为：

通常如果粒子数为N则将阀值T=1/N。

计算跟踪窗口的长和宽：

(8) 重采样：

计算有效粒子数，当小于或等于设定门限时，重采样。

计算累计概率，选取均匀分布的随机数，找到一个使得最小的j，复制粒子。重采样后粒子权值置为1/N。

以上所述是本发明的优选实施方式而已，当然不能以此来限定本发明之权利范围，应当指出，对于本技术领域的普通技术人员来说，对本发明的技术方案进行修改或者等同替换，都不脱离本发明技术方案的保护范围。

Claims

1.一种基于自适应窗的灰度目标跟踪方法，其特征在于，包括以下步骤：

(1) 确定目标模板:初始化跟踪目标的位置和跟踪窗口的大小；用矩形表示目标模板，目标状态表示为：，其中，分别表示目标中心在图像中x，y方向的速度；

(6) 目标状态估计：用粒子加权平均近似目标状态；

(8) 重采样：计算有效粒子数，累计概率并复制粒子。

2.根据权利要求1所述的一种基于自适应窗的灰度目标跟踪方法，其特征在于：所述步骤(2)的具体计算过程为：灰度值作为灰度图像最直观的信息，用向量表示图像灰度直方图，N为图像灰度的区间数；

在图像处理中利用离散点的差分形式来代替相关微分运算：

式中，图像中像素点的灰度用函数表示，矢量灰度图的梯度则用标量函数表示；

公式中，坐标处像素点的灰度用来表示，由上式可知梯度值空间，将梯度值空间划分为M层数据区间，特征向量用表示，通过加权归并特征向量X、Y，形成新的特征向量用，显然梯度特征的权重，通过调节的大小来调节多特征的比重；混合特征向量，K=N+M。

3.根据权利要求1所述的一种基于自适应窗的灰度目标跟踪方法，其特征在于：所述步骤(3)具体为：根据目标的初始窗口的大小和位置，利用高斯分布产生k-1时刻初始化粒子集，i为粒子序号，表示粒子状态，权值初始化为；根据初始化粒子集计算粒子到粒子集中心的平均距离。

4.根据权利要求1所述的一种基于自适应窗的灰度目标跟踪方法，其特征在于：所述步骤(7)具体为：

计算权值较大粒子到粒子集中心的平均距离；

计算跟踪窗口的长和宽：

，其中和分别为前一帧和当前帧粒子到粒子集中心的平均距离。