CN106846365A - 基于his空间的目标跟踪方法 - Google Patents

Abstract

本发明提供一种基于HIS空间的目标跟踪方法，首先对色调特征矢量进行模糊增强，降低噪声对其干扰；然后利用饱和度阈值方法进一步抑制噪声干扰，把低于饱和度阈值的点作为一类新的特征，将其量化到色调的一个新的指定区间，有效抑制噪声对色调特征的干扰；同时提出跟踪过程中窗宽自适应调整中新的度量函数，有效提高跟踪窗自适应变化的准确性，本发明应用于安防系统中的监控与视频分析中，得到了鲁棒性更强的目标跟踪结果。

Description

基于HIS空间的目标跟踪方法

技术领域

本发明涉及安防系统技术领域，特别是涉及一种基于HIS空间的目标跟踪方法。

背景技术

在视频监控的物体识别领域中，需要对各种复杂的环境下的运功目标进行有效跟踪。现有的目标跟踪方法有很多种，其中Mean shift是一种基于密度梯度的无参数估计方法，Mean Shift算法一般是指一个迭代的步骤，即先算出当前点的偏移均值，移动该点到其偏移均值，然后以此为新的起始点，继续移动，直到满足一定的条件结束，目标最终会在数次的迭代计算后收敛到真实位置，从而达到跟踪的目的。该方法实时性较好，利于跟踪。在不同的特征空间中，由于其特征信息的不同，视频目标跟踪的结果也相差较大；选择一个合适的特征空间也非常重要，由于HSI彩色空间具有与人类视觉感知过程类似的原理，三个分量独立不相关，且对色调的计算过程和空间坐标表示形式简单，计算量相对较小，所以很多研究人员都选择在HSI彩色空间下，对视频目标进行跟踪。

但是，在HSI彩色空间下的跟踪过程中发现一些问题，当目标区域饱和度很低时，抗噪声干扰能力较差，跟踪目标很容易丢失；且Mean shift算法一般依据目标初始大小采用固定的窗宽，当目标存在明显尺度变化，尤其是当目标尺寸逐渐增大以至超出带宽范围，固定不变的窗宽常常会导致目标的丢失。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于HIS空间的目标跟踪方法，用于解决HSI空间中噪声对低饱和度时的色调特征矢量影响较大、导致跟踪失效的问题。

为实现上述目的，本发明采用以下方案：一种基于HIS空间的目标跟踪方法，包括以下步骤：步骤1)，选择HIS为特征空间，用特征空间中特征概率表示目标，其中，以色调H、饱和度S和强度I三个分量作为目标子特征，并计算饱和度S和强度I子特征概率；步骤2)，选定模糊隶属函数对色调H特征矢量进行模糊增强，并设定饱和度阈值，定义一个模糊集“白色”来描述饱和度小于阈值的色调H特征，定义模糊集“彩色”为“白色”的补集；步骤3)，逐点判断目标区域的饱和度是否小于设定的饱和度阈值，若是，则将饱和度小于阈值的色调H单独作为一类特征统计，并计算色调H子特征概率，再采用Mean Shift算法进行目标定位；若否，则直接采用Mean Shift算法进行目标定位。

作为本发明的基于HIS空间的目标跟踪方法的一种优选方案，在步骤1)中，计算饱和度S和强度I子特征概率包括以下步骤：步骤1-1)，将每个子特征色调H、饱和度S和强度I化分为U份(u＝1,...U)，目标模型子特征第u个特征值概率表示为：其中，X表示所选的子特征色调H、饱和度S和强度I，x₀,x_i分别表示选定目标区域的中心坐标和目标区域内的任意点；h为窗函数带宽，k(x)是窗函数K(x)的剖面函数，其中，K(x)＝k(||x||²)；δ[b(x_i)-u]为一维delta函数，判断目标区域中像素点x_i在子特征空间量化的对应值b(x_i)是否为u，若是，则为1，若否，则为0，C为标准化常量系数，使得即：步骤1-2)，计算目标区域特征概率，也即为相应各子特征的概率乘积：

作为本发明的基于HIS空间的目标跟踪方法的一种优选方案，在步骤2)中选定的模糊隶属函数为：其中，式中x即当前点的饱和度；设定饱和度阈值为0.1；α,β的取值分别为0.01和0.1；所述模糊集“彩色”可以表示为：color(x)＝1-s(x)。

作为本发明的基于HIS空间的目标跟踪方法的一种优选方案，采用模糊增强后的目标模型色调H子特征概率为：

作为本发明的基于HIS空间的目标跟踪方法的一种优选方案，在步骤3)中，当目标区域中点的饱和度小于阈值时，将饱和度小于阈值的色调H单独作为一类特征统计，并计算色调H子特征概率，包括步骤：步骤3-1)，将饱和度小于阈值的点划分到色调H分量，并设原有色调H分量的取值范围是0-1，共有U个区间；步骤3-2)，新增第U+1个区间，并将饱和度低于阈值的这些特征点统计到第U+1区间；步骤3-3)，计算色调H分量的第U+1个特征值的概率：

作为本发明的基于HIS空间的目标跟踪方法的一种优选方案，在步骤3)中，采用MeanShift算法进行目标定位的步骤包括：步骤3-4)，利用“巴氏系数”作为相似度函数来描述目标模型与候选模型的相似程度，也即寻找最优的y，使得p_u(y)与最相似，所述“巴氏系数”表示为：其中，p_u(y)为候选目标模型的概率密度，为目标模型的概率密度；步骤3-5)，在当前帧的目标候选区域计算其相似系数，选择取得最大相似数的点为该帧的目标中心，从而可以推导出核从当前位置移向新位置获得Mean Shift向量，即目标在当前帧中的偏移量，如式：

其中，g(x)＝-k′(x)，w_i为权重，步骤3-6)，通过数次迭代计算的值，当前后两次迭代值小于某一个阈值时即可确定跟踪目标在当前帧的位置。

作为本发明的基于HIS空间的目标跟踪方法的一种优选方案，候选目标模型的概率密度p_u(y)表示为：其中，y,x_i分别表示候选区域的中心坐标和候选区域内的任意点。

作为本发明的基于HIS空间的目标跟踪方法的一种优选方案，所述目标跟踪方法还包括对跟踪目标窗口尺度的自适应调整。

作为本发明的基于HIS空间的目标跟踪方法的一种优选方案，所述跟踪目标窗口尺度的自适应调整选取新的度量函数，也即绝对值误差累计系数ρ，所述ρ表述为：

作为本发明的基于HIS空间的目标跟踪方法的一种优选方案，所述跟踪目标窗口尺度的自适应调整步骤包括：步骤a)，取Δh＝0.05h_pre，计算h＝h_pre和h＝h_pre±Δh时对应的系数ρ，其中，h为当前窗宽，h_pre为是前一帧的窗宽；步骤b)，计算h＝h_pre±2Δh时对应的系数ρ；步骤c)，对比五种窗宽下对应的系数，并选取误差系数最小的窗宽作为当前窗宽。

如上所述，本发明的基于HIS空间的目标跟踪方法，具有以下有益效果：

1、对HSI空间中色调特征矢量进行模糊增强，降低噪声对其干扰；

2、利用饱和度阈值方法进一步抑制噪声干扰，把低于饱和度阈值的点作为一类新的特征，将其量化到色调的一个新的指定区间，有效抑制噪声对色调特征的干扰；

3、提出跟踪过程中窗宽自适应调整中新的度量函数，有效提高跟踪窗自适应变化的准确性，并应用于安防系统中的监控与视频分析中，得到了鲁棒性更强的目标跟踪结果。

附图说明

图1显示为本发明基于HIS空间的目标跟踪方法于一实施例中的流程示意图。

图2显示为本发明基于HIS空间的目标跟踪方法于一实施例中采用Mean Shift算法进行目标定位的流程示意图。

图3显示为本发明基于HIS空间的目标跟踪方法于一实施例中跟踪目标窗口尺度自适应调整的流程示意图。

元件标号说明

S11～S15 步骤

S131～S133 步骤

S151～S153 步骤

S21～S23 步骤

具体实施方式

以下通过特定的具体实例说明本发明的实施方式，本领域技术人员可由本说明书所揭露的内容轻易地了解本发明的其他优点与功效。本发明还可以通过另外不同的具体实施方式加以实施或应用，本说明书中的各项细节也可以基于不同观点与应用，在没有背离本发明的精神下进行各种修饰或改变。需说明的是，在不冲突的情况下，以下实施例及实施例中的特征可以相互组合。

需要说明的是，以下实施例中所提供的图示仅以示意方式说明本发明的基本构想，虽图示中仅显示与本发明中有关的组件而非按照实际实施时的组件数目、形状及尺寸绘制，其实际实施时各组件的型态、数量及比例可为一种随意的改变，且其组件布局型态也可能更为复杂。

请参阅图1，为本发明基于HIS空间的目标跟踪方法于一实施例中的流程示意图，本发明提供一种基于HIS空间的目标跟踪方法，所述目标跟踪方法包括以下步骤：

S11，选择HIS为特征空间，用特征空间中特征概率表示目标，其中，以色调H、饱和度S和强度I三个分量作为目标子特征，并计算饱和度S和强度I子特征概率；

S12，选定模糊隶属函数对色调H特征矢量进行模糊增强，并设定饱和度阈值，定义一个模糊集“白色”来描述饱和度小于阈值的色调H特征，定义模糊集“彩色”为“白色”的补集；

S13，逐点判断目标区域的饱和度是否小于设定的饱和度阈值，若是，进入步骤S14，则将饱和度小于阈值的色调H单独作为一类特征统计，并计算色调H子特征概率，再进行步骤S15，采用Mean Shift算法进行目标定位；若否，则直接进行步骤S15，采用MeanShift算法进行目标定位。

需要说明的是，由于噪声的干扰，色调特征变化较大，所以在HSI彩色空间中，噪声对色调特征的影响使得目标匹配时出现错误进而导致跟踪目标丢失。本发明的方案是将目标区域中饱和度很低(饱和度小于阈值的色调H特征)的点划分到白色这一类，通过增强处理使其更稳定，并将其作为目标区域的一个新特征，这样则能增强其鲁棒性，降低误匹配，也就解决了由于噪声对色调特征的干扰导致丢失目标的问题。

作为示例，在S11中，进行目标特征提取，具体是计算饱和度S和强度I子特征概率：

首先，将每个子特征色调H、饱和度S和强度I化分为U份(u＝1,...U)，则目标模型子特征第u个特征值概率表示为：

式(1)中，X表示所选的子特征色调H、饱和度S或强度I，x₀,x_i分别表示选定目标区域的中心坐标和目标区域内的任意点；h为窗函数带宽，k(x)是窗函数K(x)的剖面函数，其中，K(x)＝k(||x||²)；δ[b(x_i)-u]为一维delta函数，判断目标区域中像素点x_i在子特征空间量化的对应值b(x_i)是否为u，若是，则为1，若否，则为0，C为标准化常量系数，使得即：

然后，计算目标区域特征概率，由于目标跟踪中用的是特征色调H、饱和度S和强度I三个子特征，因为这三个分量独立不相关，所以目标区域特征概率为相应子特征的概率乘积：也即为相应各子特征的概率乘积：

由于饱和度越小，越趋于白色，作为示例，在S12中选择了如下模糊隶属函数：

需要注意的是，这里的参数α,β的取值是根据实验所得的经验值，通过大量的试验分析发现，当饱和度低于0.1时噪声对色调的影响较大，当饱和度小于0.01时影响非常大，因此本发明中设定饱和度阈值为0.1，此处α,β的取值分别为0.01和0.1，该参数是依据噪声对不同饱和度下的色调干扰程度的不同设定，有普遍适用性；上式中x即当前点的饱和度。定义模糊集“彩色”为“白色”的补集，即所述模糊集“彩色”表示为：

color(x)＝1-s(x)。 (5)

作为示例，采用模糊增强后的目标模型色调H子特征概率为：

作为示例，在S13中，当目标区域中点的饱和度小于阈值时，将饱和度小于阈值的色调H单独作为一类特征统计，并计算色调H子特征概率，包括以下具体步骤：

S131，逐点判断目标区域的饱和度，将饱和度小于阈值的点作为单独的一类新特征，为了能在实验中更方便处理，将这些点划分到色调H分量，并设原有色调H分量的取值范围是0-1，共有U个区间。

S132，新增一个区间即第U+1个区间，并将饱和度低于阈值的这些特征点统计到第U+1区间，这样就不会影响原有H分量的统计。

S133，计算色调H分量的第U+1个特征值的概率：

综上所述，选定目标区域后，用公式(1)计算S和I子特征概率；判断当前点饱和度是否小于阈值，如果小于用公式(7)计算H子特征概率，否则用公式(6)计算；再用公式(2)计算特征概率。

作为示例，请参阅图2，在S15中，采用Mean Shift算法进行目标定位的步骤包括：

S151，利用“巴氏系数”作为相似度函数来描述目标模型与候选模型的相似程度，也即寻找最优的y，使得p_u(y)与最相似，所述“巴氏系数”表示为：

式(8)中，p_u(y)为候选目标模型的概率密度，为目标模型的概率密度；需要注意的是，这里采用与目标模型的概率密度相同的方法计算候选模型特征概率，则可以得到候选目标模型的概率密度，p_u(y)表示为：

式(9)中，y,x_i分别表示候选区域的中心坐标和候选区域内的任意点。

S152，根据式(8)在当前帧的目标候选区域计算其相似系数，选择取得最大相似数的点为该帧的目标中心，从而可以推导出核从当前位置移向新位置获得Mean Shift向量，即目标在当前帧中的偏移量，表示如下：

式(10)中，g(x)＝-k′(x)，w_i为权重，

S153，根据式(10)，通过数次迭代计算的值，当前后两次迭代值小于某一个阈值时即可确定跟踪目标在当前帧的位置。

作为示例，所述目标跟踪方法还包括对跟踪目标窗口尺度的自适应调整。

作为示例，所述跟踪目标窗口尺度的自适应调整选取新的度量函数，也即是绝对值误差累计系数ρ，所述ρ表示为：

请参阅图3，作为示例，所述跟踪目标窗口尺度的自适应调整步骤包括：

步骤a)，为了计算的更为精确，取Δh＝0.05h_pre，计算h＝h_pre和h＝h_pre±Δh时对应的系数ρ，其中，h为当前窗宽，h_pre为是前一帧的窗宽，Δh为窗宽的位移量；

步骤b)，计算h＝h_pre±2Δh时对应的系数ρ；

步骤c)，对比五种窗宽下对应的系数，并选取误差系数最小的窗宽作为当前窗宽。

当每次目标窗口尺度的自适应调整后，继续进行上述目标跟踪的步骤。

综上所述，本发明的基于HIS空间的目标跟踪方法，首先对色调特征矢量进行模糊增强，降低噪声对其干扰；然后利用饱和度阈值方法进一步抑制噪声干扰，把低于饱和度阈值的点作为一类新的特征，将其量化到色调的一个新的指定区间，有效抑制噪声对色调特征的干扰；同时提出跟踪过程中窗宽自适应调整中新的度量函数，有效提高跟踪窗自适应变化的准确性，并应用于安防系统中的监控与视频分析中。

上述实施例仅例示性说明本发明的原理及其功效，而非用于限制本发明。任何熟悉此技术的人士皆可在不违背本发明的精神及范畴下，对上述实施例进行修饰或改变。因此，举凡所属技术领域中具有通常知识者在未脱离本发明所揭示的精神与技术思想下所完成的一切等效修饰或改变，仍应由本发明的权利要求所涵盖。

Claims (10)

1.一种基于HIS空间的目标跟踪方法，其特征在于，所述目标跟踪方法包括步骤：

步骤1)，选择HIS为特征空间，用特征空间中特征概率表示目标，其中，以色调H、饱和度S和强度I三个分量作为目标子特征，并计算饱和度S和强度I子特征概率；

步骤2)，选定模糊隶属函数对色调H特征矢量进行模糊增强，并设定饱和度阈值，定义一个模糊集“白色”来描述饱和度小于阈值的色调H特征，定义模糊集“彩色”为“白色”的补集；

步骤3)，逐点判断目标区域的饱和度是否小于设定的饱和度阈值，若是，则将饱和度小于阈值的色调H单独作为一类特征统计，并计算色调H子特征概率，再采用Mean Shift算法进行目标定位；若否，则直接采用Mean Shift算法进行目标定位。

2.根据权利要求1所述的基于HIS空间的目标跟踪方法，其特征在于，在步骤1)中，计算饱和度S和强度I子特征概率包括步骤：

步骤1-1)，将每个子特征色调H、饱和度S和强度I化分为U份(u＝1,...U)，目标模型子特征第u个特征值概率表示为：

$q_u^X\left(x_0\right)=C\underset{i=1}{\overset{n}{\mathrm{\Σ}}}k\left(\right|\left|\frac{x_0-x_i}{h}\right|{|}^2)\mathrm{\δ}\[b\left(x_i\right)-u\]$

其中，X表示所选的子特征色调H、饱和度S和强度I，x₀,x_i分别表示选定目标区域的中心坐标和目标区域内的任意点；h为窗函数带宽，k(x)是窗函数K(x)的剖面函数，其中，K(x)＝k(||x||²)；δ[b(x_i)-u]为一维delta函数，判断目标区域中像素点x_i在子特征空间量化的对应值b(x_i)是否为u，若是，则为1，若否，则为0，C为标准化常量系数，使得即：

步骤1-2)，计算目标区域特征概率，也即为相应各子特征的概率乘积：

$q_u\left(x_0\right)=q_u^H\left(x_0\right)*q_u^S\left(x_0\right)*q_u^I\left(x_0\right).$

3.根据权利要求2所述的基于HIS空间的目标跟踪方法，其特征在于，在步骤2)中选定的模糊隶属函数为：

$s\left(x\right)=\left\{\begin{array}{cc}1& x\&le;\mathrm{\&alpha;}\\ 1-2{\left(\frac{x-\mathrm{\&alpha;}}{\mathrm{\&beta;}-\mathrm{\&alpha;}}\right)}^2& \mathrm{\&alpha;}<x\&le;\frac{\mathrm{\&alpha;}+\mathrm{\&beta;}}{2}\\ 2{\left(\frac{x-\mathrm{\&beta;}}{\mathrm{\&beta;}-\mathrm{\&alpha;}}\right)}^2& \frac{\mathrm{\&alpha;}+\mathrm{\&beta;}}{2}<x\&le;\mathrm{\&beta;}\\ 0& x>\mathrm{\&beta;}\end{array}\right.$

其中，式中x即当前点的饱和度；设定饱和度阈值为0.1；α,β的取值分别为0.01和0.1；所述模糊集“彩色”表示为：color(x)＝1-s(x)。

4.根据权利要求3所述的基于HIS空间的目标跟踪方法，其特征在于，采用模糊增强后的目标模型色调H子特征概率为：

$q_u^H\left(x_0\right)=C\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}k\left(\right|\left|\frac{x_0-x_i}{h}\right|{|}^2)\mathrm{\&delta;}\&lsqb;H\left(x_i\right)-u\&rsqb;*color\left(x\right).$

5.根据权利要求4所述的基于HIS空间的目标跟踪方法，其特征在于，在步骤3)中，当目标区域中点的饱和度小于阈值时，将饱和度小于阈值的色调H单独作为一类特征统计，并计算色调H子特征概率，包括步骤：

步骤3-1)，将饱和度小于阈值的点划分到色调H分量，并设原有色调H分量的取值范围是0-1，共有U个区间；

步骤3-2)，新增第U+1个区间，并将饱和度低于阈值的这些特征点统计到第U+1区间；

步骤3-3)，计算色调H分量的第U+1个特征值的概率：

$q_{U+1}^H\left(x_0\right)=C\underset{i=1}{\overset{n}{\&Sigma;}}k\left(\right|\left|\frac{x_0-x_i}{h}\right|{|}^2)*color\left(x\right).$

6.根据权利要求1所述的基于HIS空间的目标跟踪方法，其特征在于，在步骤3)中，采用Mean Shift算法进行目标定位的步骤包括：

步骤3-4)，利用“巴氏系数”作为相似度函数来描述目标模型与候选模型的相似程度，也即寻找最优的y，使得p_u(y)与最相似，所述“巴氏系数”表示为：

$\mathrm{\&rho;}\left(y\right)=\mathrm{\&rho;}\&lsqb;p\left(y\right),\hat{q}\&rsqb;=\underset{u=1}{\overset{m}{\&Sigma;}}\sqrt{p_u\left(y\right){\hat{q}}_u}$

其中，p_u(y)为候选目标模型的概率密度，为目标模型的概率密度；

步骤3-5)，在当前帧的目标候选区域计算其相似系数，选择取得最大相似数的点为该帧的目标中心，从而可以推导出核从当前位置移向新位置获得Mean Shift向量，即目标在当前帧中的偏移量，如式：

${\hat{y}}_1=\frac{\underset{i=1}{\overset{n_h}{\&Sigma;}}{x}_i{w}_{i}g\left(\right|\left|\frac{{\hat{y}}_0-x_i}{h}\right|{|}^2)}{\underset{i=1}{\overset{n_h}{\&Sigma;}}{w}_{i}g\left(\right|\left|\frac{{\hat{y}}_0-x_i}{h}\right|{|}^2)}$

其中，g(x)＝-k′(x)，w_i为权重，

步骤3-6)，通过数次迭代计算的值，当前后两次迭代值小于某一个阈值时即可确定跟踪目标在当前帧的位置。

7.根据权利要求6所述的基于HIS空间的目标跟踪方法，其特征在于，候选目标模型的概率密度p_u(y)表示为：

$p_u\left(y\right)=C\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}k\left(\right|\left|\frac{x_i-y}{h}\right|{|}^2)\mathrm{\&delta;}\&lsqb;b\left(x_i\right)-u\&rsqb;$

其中，y,x_i分别表示候选区域的中心坐标和候选区域内的任意点。

8.根据权利要求1所述的基于HIS空间的目标跟踪方法，其特征在于，所述目标跟踪方法还包括对跟踪目标窗口尺度的自适应调整。

9.根据权利要求8所述的基于HIS空间的目标跟踪方法，其特征在于，所述跟踪目标窗口尺度的自适应调整选取新的度量函数，也即绝对值误差累计系数ρ，所述ρ表述为：

$\mathrm{\&rho;}=1-\underset{i=1}{\overset{u}{\&Sigma;}}\left(abs\right(p_u-{\hat{q}}_u\left)\right).$

10.根据权利要求8所述的基于HIS空间的目标跟踪方法，其特征在于，所述跟踪目标窗口尺度的自适应调整步骤包括：

步骤a)，取Δh＝0.05h_pre，计算h＝h_pre和h＝h_pre±Δh时对应的系数ρ，其中，h为当前窗宽，h_pre为是前一帧的窗宽；

步骤b)，计算h＝h_pre±2Δh时对应的系数ρ；

步骤c)，对比五种窗宽下对应的系数，并选取误差系数最小的窗宽作为当前窗宽。