CN104637038A - 一种基于加权直方图模型的改进CamShift跟踪方法 - Google Patents
一种基于加权直方图模型的改进CamShift跟踪方法 Download PDFInfo
- Publication number
- CN104637038A CN104637038A CN201510108664.4A CN201510108664A CN104637038A CN 104637038 A CN104637038 A CN 104637038A CN 201510108664 A CN201510108664 A CN 201510108664A CN 104637038 A CN104637038 A CN 104637038A
- Authority
- CN
- China
- Prior art keywords
- mrow
- target
- msub
- chromaticity
- chroma
- 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 39
- 230000000694 effects Effects 0.000 claims abstract description 9
- 238000011156 evaluation Methods 0.000 claims description 2
- 238000012545 processing Methods 0.000 abstract description 2
- 230000006978 adaptation Effects 0.000 abstract 1
- 230000000452 restraining effect Effects 0.000 abstract 1
- 238000005303 weighing Methods 0.000 abstract 1
- 230000003044 adaptive effect Effects 0.000 description 2
- 206010034719 Personality change Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000002401 inhibitory effect Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明属于图像处理与目标跟踪领域,具体为一种基于加权直方图模型的改进CamShift跟踪方法。将目标区的色度与背景区的色度进行比较,确定出易于区分目标的显著性色度,对色度直方图模型进行加权,增强显著性色度在目标识别中的作用,从而抑制背景信息对目标识别的干扰,提高跟踪方法的适应性。本发明适用于运动目标跟踪系统中。
Description
技术领域
本发明属于图像处理与目标跟踪领域,涉及一种改进的CamShift跟踪方法,特别涉及一种基于加权直方图模型的改进CamShift跟踪方法。
背景技术
目标识别与跟踪技术一直是计算机视觉领域的热点研究问题,其可在军事、安防、监控、交通等许多领域有着重要的应用价值。由于目标运动具有复杂性,经常会发生姿态、平移、旋转、缩放等变化,另外,背景信息以及光照的不均匀性等原因都会对跟踪结果产生较大的干扰。
均值漂移(MeanShift)方法以及在此基础上提出的连续自适应的MeanShift(ContinuouslyAdaptive Mean-SHIFT,CamShift)方法由于具有快速匹配的特点得到了广泛的应用。尤其CamShift方法能够自适应调整模板,对目标的各种姿态变化具有很好的适应性。这类方法特别适用于目标与背景具有明显对比度的情况下。但当背景过于复杂时,目标与背景的对比度不够明显,背景信息就会对模板的自适应调整产生干扰,从而破坏模型的准确性,降低跟踪方法的性能。
因此,设计一种具有较强抗干扰能力的改进CamShift跟踪方法具有很好的应用价值。
发明内容
本发明所要解决的技术问题是,针对CamShift跟踪方法在复杂背景中跟踪性能下降的缺点,设计一种基于加权直方图模型的改进CamShift跟踪方法。
本发明所采用的技术方案是:一种基于加权直方图模型的改进CamShift跟踪方法,将目标区的色度与背景区的色度进行比较,确定出易于区分目标的显著性色度,对色度直方图模型进行加权,增强显著性色度在目标识别中的作用,从而抑制背景信息对目标识别的干扰,提高跟踪方法的适应性。
本发明的目的在于在现有的CamShift跟踪方法的基础上设计一种改进的CamShift跟踪方法,提高目标区中显著性色度在目标识别中的作用,抑制非显著色度的作用,提高跟踪方法的适应能力,具有很好的实用性。
附图说明
图1是传统CamShift方法跟踪效果图。
图2是本发明方法跟踪效果图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
在HSV颜色空间内对目标进行建模,目标采用色度(Hue)直方图进行描述。设目标中的第i个像素的坐标位置为{(xi,yi)},像素的色度特征等级划分为m级,设目标中的第i个像素的色度特征等级值为b(xi,yi),则基本目标的色度直方图模型可建立为q={qu},u=1,2,...,m:
传统CamShift跟踪方法根据基本目标色度直方图模型,利用反向投影建立当前帧图像的概率投影图。设当前帧图像中位置为(x,y)处的像素的色度特征等级值为u,则该点在概率投影图中的灰度值p(x,y)可定义为:
其中,为取整操作符。
上述建立的概率投影图中,所有的色度特征所起的作用是相同的。但通常情况下,目标中所包含的色度值有一些是与背景中的色度值是相似的,称之为非显著性色度值,有一些色度值则是与背景中的色度值差异很大。这些差异大的色度值称之为显著性色度值。显著性色度值很容易将目标从背景中区分出来,而非显著性色度值容易造成背景对目标识别产生较大干扰。
设初始帧为第0帧,在初始帧中选择被跟踪目标,按照式(1)建立目标色度直方图模型,当前帧为第k帧,k从1开始取值,k为整数,跟踪问题是要在当前帧中确定出目标位置。
本发明方法为了能够有效地将目标从背景中识别出来,采用加权直方图模型来增强显著性色度值的作用。
在当前帧的上一帧图像中以目标所在位置为中心,确定出一个扩展区,扩展区的长和宽是目标区的1.2至1.5倍。扩展区中像素的色度等级的划分与目标区中的相同。设扩展区中第i个像素的色度特征等级值为b′(xi,yi),这样,扩展区的色度直方图模型可建立为:
目标区中色度等级值u的显著性差异评价值e(u)计算为:
e(u)=qu(y)/q′u(y),u=1....m (4)
如果色度等级值u是一个显著性色度值,也就是背景中包含很少的色度等级值为u的像素,则e(u)的值为1或者接近于1。设T为给定的显著性阈值,目标色度直方图建立为:
其中,w1是一个大的权值,而w2是一个小的权值。e(u)>T意味着色度等级值u是一个显著性的色度等级值,所以,该色度等级的直方图应增强;而e(u)≤T意味着色度等级值u是一个非显著性的色度等级值,所以,该色度等级的直方图应减弱。这样,当前帧图像的概率投影图中坐标位置为(x,y)点处的像素的灰度值p(x,y)定义为:
其中,为取整操作符。
改进的CamShift跟踪方法描述如下:
Step1.按照式(5)建立目标的色度直方图模型。
Step2.按照式(6)建立当前帧图像的概率投影图。
Step3.计算当前帧图像中搜索窗的零阶矩和一阶矩:
初始的搜索窗是在当前帧中以上一帧目标位置为中心,确定出的搜索目标的区域,搜索窗初始大小与上一帧中目标区相同。
Step4.确定搜索窗的质心位置(xc,yc):
Step5.自适应调整搜索窗的边长:
将搜索窗的中心位置漂移到搜索窗的质心位置上。重复Step2至Step 5直到漂移距离小于给定阈值。
Step 6.计算搜索窗的二阶矩:
更新目标的尺寸和方向:
这里,W是目标区的短轴,L是目标区的长轴,θ是目标移动方向与水平方向的夹角。
Step 7.返回Step1,继续在下一帧图像中进行目标跟踪。
与传统CamShift方法相比,本发明所设计的改进方法增强了显著性色度在目标识别中的作用,有利于抑制背景信息对目标识别的影响。提高了跟踪方法的适应能力。
图1是传统CamShift方法跟踪效果图,图2是本发明方法跟踪效果图。由对比跟踪实验可见,背景中存在与目标相似的色度区域,传统的CamShift跟踪方法受到背景信息的影响,无法准确实现目标的定位跟踪。而本发明方法由于能够突出显著性色度在目标识别中的作用,因此在整个跟踪过程中跟踪结果始终正确,并具有较高的定位精度。
本发明的优点在于,通过加强显著性色度在目标识别中的作用来提高目标跟踪的定位精度。本发明适用于运动目标跟踪系统中。
Claims (2)
1.一种基于加权直方图模型的改进CamShift跟踪方法,其特征在于,将目标区的色度与背景区的色度进行比较,确定出易于区分目标的显著性色度,对色度直方图模型进行加权,增强显著性色度在目标识别中的作用,从而抑制背景信息对目标识别的干扰。
2.根据权利要求1所述的一种基于加权直方图模型的改进CamShift跟踪方法,其特征在于,在HSV颜色空间内对目标进行建模,目标采用色度(Hue)直方图进行描述,设目标中的第i个像素的坐标位置为{(xi,yi)},像素的色度特征等级划分为m级,设目标中的第i个像素的色度特征等级值为b(xi,yi),则基本目标的色度直方图模型可建立为q={qu},u=1,2,...,m:
在当前帧的上一帧图像中以目标所在位置为中心,确定出一个扩展区,扩展区的长和宽是目标区的1.2至1.5倍;扩展区中像素的色度等级的划分与目标区中的相同;设扩展区中第i个像素的色度特征等级值为b′(xi,yi),这样,扩展区的色度直方图模型可建立为:
目标区中色度等级值u的显著性差异评价值e(u)计算为:
e(u)=qu(y)/q′u(y),u=1....m (3)
设T为给定的显著性阈值,目标色度直方图建立为:
其中,w1是一个大的权值,而w2是一个小的权值;当前帧图像的概率投影图中坐标位置为(x,y)点处的像素的灰度值p(x,y)定义为:
其中,为取整操作。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510108664.4A CN104637038B (zh) | 2015-03-11 | 2015-03-11 | 一种基于加权直方图模型的改进CamShift跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510108664.4A CN104637038B (zh) | 2015-03-11 | 2015-03-11 | 一种基于加权直方图模型的改进CamShift跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104637038A true CN104637038A (zh) | 2015-05-20 |
CN104637038B CN104637038B (zh) | 2017-06-09 |
Family
ID=53215745
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510108664.4A Expired - Fee Related CN104637038B (zh) | 2015-03-11 | 2015-03-11 | 一种基于加权直方图模型的改进CamShift跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104637038B (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225250A (zh) * | 2015-09-09 | 2016-01-06 | 天津工业大学 | 基于显著性直方图模型的粒子滤波跟踪方法 |
CN107609571A (zh) * | 2017-08-02 | 2018-01-19 | 南京理工大学 | 一种基于lark特征的自适应目标跟踪方法 |
CN108445882A (zh) * | 2018-03-26 | 2018-08-24 | 北京智山机器人科技有限责任公司 | 具有跟踪功能的自动导引车 |
CN110276781A (zh) * | 2018-03-13 | 2019-09-24 | 天津工业大学 | 运动目标跟踪方法 |
CN111476065A (zh) * | 2019-01-23 | 2020-07-31 | 北京奇虎科技有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332425A1 (en) * | 2009-06-30 | 2010-12-30 | Cuneyt Oncel Tuzel | Method for Clustering Samples with Weakly Supervised Kernel Mean Shift Matrices |
CN102568006A (zh) * | 2011-03-02 | 2012-07-11 | 上海大学 | 一种基于视频中物体运动特征的视觉显著性算法 |
CN103116896A (zh) * | 2013-03-07 | 2013-05-22 | 中国科学院光电技术研究所 | 一种基于视觉显著性模型的自动检测跟踪方法 |
CN103745203A (zh) * | 2014-01-15 | 2014-04-23 | 南京理工大学 | 基于视觉注意和均值漂移的目标检测与跟踪方法 |
-
2015
- 2015-03-11 CN CN201510108664.4A patent/CN104637038B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100332425A1 (en) * | 2009-06-30 | 2010-12-30 | Cuneyt Oncel Tuzel | Method for Clustering Samples with Weakly Supervised Kernel Mean Shift Matrices |
CN102568006A (zh) * | 2011-03-02 | 2012-07-11 | 上海大学 | 一种基于视频中物体运动特征的视觉显著性算法 |
CN103116896A (zh) * | 2013-03-07 | 2013-05-22 | 中国科学院光电技术研究所 | 一种基于视觉显著性模型的自动检测跟踪方法 |
CN103745203A (zh) * | 2014-01-15 | 2014-04-23 | 南京理工大学 | 基于视觉注意和均值漂移的目标检测与跟踪方法 |
Non-Patent Citations (2)
Title |
---|
修春波等: "二维联合特征模型的自适应均值漂移目标跟踪", 《光电子激光》 * |
刘翔等: "基于改进背景加权的Mean_Shift目标跟踪算法", 《电光与控制》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105225250A (zh) * | 2015-09-09 | 2016-01-06 | 天津工业大学 | 基于显著性直方图模型的粒子滤波跟踪方法 |
CN105225250B (zh) * | 2015-09-09 | 2018-01-23 | 天津工业大学 | 基于显著性直方图模型的粒子滤波跟踪方法 |
CN107609571A (zh) * | 2017-08-02 | 2018-01-19 | 南京理工大学 | 一种基于lark特征的自适应目标跟踪方法 |
CN107609571B (zh) * | 2017-08-02 | 2023-09-05 | 南京理工大学 | 一种基于lark特征的自适应目标跟踪方法 |
CN110276781A (zh) * | 2018-03-13 | 2019-09-24 | 天津工业大学 | 运动目标跟踪方法 |
CN108445882A (zh) * | 2018-03-26 | 2018-08-24 | 北京智山机器人科技有限责任公司 | 具有跟踪功能的自动导引车 |
CN111476065A (zh) * | 2019-01-23 | 2020-07-31 | 北京奇虎科技有限公司 | 目标跟踪方法、装置、计算机设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN104637038B (zh) | 2017-06-09 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104637038B (zh) | 一种基于加权直方图模型的改进CamShift跟踪方法 | |
CN110097093B (zh) | 一种异源图像精确匹配方法 | |
CN104463914B (zh) | 一种改进的Camshift目标跟踪方法 | |
CN103927764B (zh) | 一种结合目标信息和运动估计的车辆跟踪方法 | |
CN104200495B (zh) | 一种视频监控中的多目标跟踪方法 | |
CN102750708B (zh) | 基于快速鲁棒特征匹配的仿射运动目标跟踪算法 | |
CN105740804B (zh) | 一种基于图像处理的车辆自动跟踪驾驶方法 | |
Huang et al. | Lane detection based on inverse perspective transformation and Kalman filter | |
CN103077531B (zh) | 基于边缘信息的灰度目标自动跟踪方法 | |
CN108022254B (zh) | 一种基于征点辅助的时空上下文目标跟踪方法 | |
CN101916446A (zh) | 基于边缘信息和均值移位的灰度目标跟踪算法 | |
KR101191308B1 (ko) | 지능형 운송 시스템의 도로 및 차선 검출 시스템 및 방법 | |
CN102509306A (zh) | 一种基于视频的特定目标的跟踪方法 | |
CN111667506A (zh) | 一种基于orb特征点的运动估计方法 | |
CN104636724A (zh) | 一种基于目标一致性的车载相机快速行人车辆检测方法 | |
Yoon et al. | Real-time container position estimation method using stereo vision for container auto-landing system | |
Gu et al. | Car model recognition by utilizing symmetric property to overcome severe pose variation | |
CN107527370A (zh) | 一种基于camshift的目标跟踪方法 | |
Wang et al. | Lane boundary detection based on parabola model | |
CN109410235A (zh) | 融合边缘特征的目标跟踪方法 | |
CN117746343B (zh) | 基于等高轮廓图的人员流动检测方法及系统 | |
Zhao et al. | Research and implementation of license plate recognition technology | |
CN109508674B (zh) | 基于区域划分的机载下视异构图像匹配方法 | |
CN106950527B (zh) | 一种多基线干涉仪测向体制下的脉冲信号分选方法 | |
CN103996207A (zh) | 一种物体跟踪方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170609 Termination date: 20210311 |
|
CF01 | Termination of patent right due to non-payment of annual fee |