CN104036526A - 一种基于自适应窗的灰度目标跟踪方法 - Google Patents
一种基于自适应窗的灰度目标跟踪方法 Download PDFInfo
- Publication number
- CN104036526A CN104036526A CN201410289881.3A CN201410289881A CN104036526A CN 104036526 A CN104036526 A CN 104036526A CN 201410289881 A CN201410289881 A CN 201410289881A CN 104036526 A CN104036526 A CN 104036526A
- Authority
- CN
- China
- Prior art keywords
- particle
- target
- window
- tracking
- calculate
- 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.)
- Pending
Links
Landscapes
- Image Analysis (AREA)
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
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。
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,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。
(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;
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) 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;
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。
(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;
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 (4)
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;
(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。
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;
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,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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410289881.3A CN104036526A (zh) | 2014-06-26 | 2014-06-26 | 一种基于自适应窗的灰度目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410289881.3A CN104036526A (zh) | 2014-06-26 | 2014-06-26 | 一种基于自适应窗的灰度目标跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN104036526A true CN104036526A (zh) | 2014-09-10 |
Family
ID=51467285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410289881.3A Pending CN104036526A (zh) | 2014-06-26 | 2014-06-26 | 一种基于自适应窗的灰度目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104036526A (zh) |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139420A (zh) * | 2015-08-03 | 2015-12-09 | 山东大学 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
CN106952284A (zh) * | 2017-03-28 | 2017-07-14 | 歌尔科技有限公司 | 一种基于压缩跟踪算法的特征提取方法及其装置 |
CN107220993A (zh) * | 2017-04-25 | 2017-09-29 | 西北工业大学 | 基于Mean shift聚类的粒子滤波机动目标追踪算法 |
CN109434251A (zh) * | 2018-10-22 | 2019-03-08 | 湖北文理学院 | 一种基于粒子滤波的焊缝图像跟踪方法 |
CN111369597A (zh) * | 2020-03-09 | 2020-07-03 | 南京理工大学 | 一种基于多特征融合的粒子滤波目标跟踪方法 |
CN116453062A (zh) * | 2023-06-12 | 2023-07-18 | 青岛义龙包装机械有限公司 | 基于机器人高精度柔顺装配的包装机装配风险监控方法 |
CN117173616A (zh) * | 2023-11-03 | 2023-12-05 | 南通鑫鑫医药药材有限公司 | 一种用于药物生产过程中药瓶实时跟踪检测方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090175500A1 (en) * | 2008-01-07 | 2009-07-09 | Victor Company Of Japan, Limited | Object tracking apparatus |
CN102521844A (zh) * | 2011-11-30 | 2012-06-27 | 湖南大学 | 基于视觉注意机制的改进粒子滤波目标跟踪的方法 |
CN102930557A (zh) * | 2012-10-16 | 2013-02-13 | 苏州大学 | 跟踪窗口尺寸自适应调整的粒子滤波跟踪方法 |
-
2014
- 2014-06-26 CN CN201410289881.3A patent/CN104036526A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20090175500A1 (en) * | 2008-01-07 | 2009-07-09 | Victor Company Of Japan, Limited | Object tracking apparatus |
CN102521844A (zh) * | 2011-11-30 | 2012-06-27 | 湖南大学 | 基于视觉注意机制的改进粒子滤波目标跟踪的方法 |
CN102930557A (zh) * | 2012-10-16 | 2013-02-13 | 苏州大学 | 跟踪窗口尺寸自适应调整的粒子滤波跟踪方法 |
Non-Patent Citations (1)
Title |
---|
马燕: "图像目标跟踪算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105139420A (zh) * | 2015-08-03 | 2015-12-09 | 山东大学 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
CN105139420B (zh) * | 2015-08-03 | 2017-08-29 | 山东大学 | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 |
CN106952284A (zh) * | 2017-03-28 | 2017-07-14 | 歌尔科技有限公司 | 一种基于压缩跟踪算法的特征提取方法及其装置 |
CN107220993A (zh) * | 2017-04-25 | 2017-09-29 | 西北工业大学 | 基于Mean shift聚类的粒子滤波机动目标追踪算法 |
CN107220993B (zh) * | 2017-04-25 | 2019-11-01 | 西北工业大学 | 基于Mean shift聚类的粒子滤波机动目标追踪方法 |
CN109434251A (zh) * | 2018-10-22 | 2019-03-08 | 湖北文理学院 | 一种基于粒子滤波的焊缝图像跟踪方法 |
CN111369597A (zh) * | 2020-03-09 | 2020-07-03 | 南京理工大学 | 一种基于多特征融合的粒子滤波目标跟踪方法 |
CN116453062A (zh) * | 2023-06-12 | 2023-07-18 | 青岛义龙包装机械有限公司 | 基于机器人高精度柔顺装配的包装机装配风险监控方法 |
CN116453062B (zh) * | 2023-06-12 | 2023-08-22 | 青岛义龙包装机械有限公司 | 基于机器人高精度柔顺装配的包装机装配风险监控方法 |
CN117173616A (zh) * | 2023-11-03 | 2023-12-05 | 南通鑫鑫医药药材有限公司 | 一种用于药物生产过程中药瓶实时跟踪检测方法 |
CN117173616B (zh) * | 2023-11-03 | 2024-03-05 | 南通鑫鑫医药药材有限公司 | 一种用于药物生产过程中药瓶实时跟踪检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104036526A (zh) | 一种基于自适应窗的灰度目标跟踪方法 | |
CN110837768B (zh) | 一种面向珍稀动物保护的在线检测与识别方法 | |
CN105354791B (zh) | 一种改进的自适应混合高斯前景检测方法 | |
Xie et al. | Image de-noising algorithm based on Gaussian mixture model and adaptive threshold modeling | |
CN103530893B (zh) | 相机抖动场景下基于背景差和运动信息的前景检测方法 | |
CN106023245B (zh) | 基于中智集相似度量测的静态背景下运动目标检测方法 | |
CN103886325B (zh) | 一种分块的循环矩阵视频跟踪方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN101916446A (zh) | 基于边缘信息和均值移位的灰度目标跟踪算法 | |
CN105528794A (zh) | 基于混合高斯模型与超像素分割的运动目标检测方法 | |
KR101414670B1 (ko) | 온라인 랜덤 포레스트 및 파티클 필터를 이용한 열 영상에서의 객체 추적 방법 | |
CN105513053B (zh) | 一种用于视频分析中背景建模方法 | |
CN102142085B (zh) | 一种林区监控视频中运动火焰目标的鲁棒跟踪方法 | |
CN103984955B (zh) | 基于显著性特征和迁移增量学习的多摄像机目标识别方法 | |
CN111369597A (zh) | 一种基于多特征融合的粒子滤波目标跟踪方法 | |
CN102063727A (zh) | 一种基于协方差匹配的主动轮廓跟踪方法 | |
CN110084201A (zh) | 一种监控场景下基于特定目标跟踪的卷积神经网络的人体动作识别方法 | |
CN103237197A (zh) | 用于鲁棒跟踪的自适应多特征融合的方法 | |
CN105512622A (zh) | 一种基于图分割和监督学习的可见光遥感图像海陆分割方法 | |
CN105447488B (zh) | 基于素描线段拓扑结构的sar图像目标检测方法 | |
CN104835142B (zh) | 一种基于纹理特征的车辆排队长度检测方法 | |
CN106056078A (zh) | 一种基于多特征回归式集成学习的人群密度估计方法 | |
CN111582198A (zh) | 一种遥感图像海陆自动分割方法 | |
CN108765463B (zh) | 一种结合区域提取与改进纹理特征的运动目标检测方法 | |
CN104392466A (zh) | 一种基于视觉显著原始目标的检测跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20140910 |
|
RJ01 | Rejection of invention patent application after publication |