CN109410235B - 融合边缘特征的目标跟踪方法 - Google Patents

Abstract

本发明属于图像处理与目标跟踪领域，具体为一种融合边缘特征的目标跟踪方法。将R‑L分数阶微分边缘检测算子与Laplacian边缘检测算子进行融合，构造出混合边缘检测算子，实现目标模板及场景图像的边缘特征信息检测。基于目标色度特征和边缘特征两种直方图模型，建立自适应融合的反向概率投影图，提高跟踪方法对不确定环境变化信息的适应性。本发明可应用于实时监控系统中。

Description

融合边缘特征的目标跟踪方法

技术领域

本发明属于图像处理与目标跟踪领域，涉及一种运动目标跟踪方法，特别涉及一种融合分数阶微分边缘特征的运动目标跟踪方法。

背景技术

运动目标的识别与跟踪在各种工业、军事、民用等领域中有着广泛的应用。通常，目标跟踪对跟踪方法的实时性和准确性同时提出了要求，即跟踪方法要在较小的运算时间内完成目标的准确定位和跟踪。现有跟踪方法中，当目标与背景具有较大差异时，Camshift跟踪方法具有较好的跟踪性能，Camshift跟踪方法根据目标的色度特征进行识别，当目标与背景颜色差异不大时，Camshift跟踪方法的跟踪性能将会出现明显下降。

因此，设计一种通过融合其他特征信息来提高相似背景下目标识别性能的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，为提高运动目标跟踪性能，设计一种融合分数阶微分边缘特征的跟踪方法，提高相似背景下目标跟踪性能。

本发明所采用的技术方案是：一种融合边缘特征的目标跟踪方法，将R-L分数阶微分边缘检测算子与Laplacian边缘检测算子进行融合，构造出对高、中频信息提升，而对低频信息能够非线性保留的混合边缘检测算子，并利用其实现目标模板及场景图像的边缘特征信息检测。基于目标色度特征和边缘特征两种直方图模型，分别建立场景图像的反向概率投影值，根据背景信息的动态变化，以抑制背景干扰信息为目的，建立自适应融合的反向概率投影图，提高跟踪方法对不确定环境变化信息的鲁棒性。

本发明的目的在于构造一种能够提高跟踪系统对复杂跟踪场景适应能力的运动目标跟踪方法，具有很好的实用性。

附图说明

图1是3×3的分数阶微分边缘检测算子模板。

具体实施方式

下面结合附图对本发明作进一步详细说明。

边缘特征是图像的一个固有特征，与颜色特征相比，边缘特征对图像整体的光照变化具有更好的不变性，同时，边缘特征能够体现目标的形状和细节信息，可作为目标区别于背景的重要特征使用。不过，传统的整数阶边缘检测算子虽然对图像高频信号能够进行很大的提升，但对中、低频信号确有明显的削弱作用。而采用分数阶微分构建边缘检测算子，即可对高频信号进行提升，又可对中频信号进行一定程度的加强，同时对低频信号进行非线性保留。这种优势有利于描述目标图像的细节信息。为此，本发明基于R-L分数阶微分定义，构建边缘特征检测算子，实现边缘信息的提取。函数f(t)的R-L分数阶微分定义为：

其中，Γ(·)是第二类Euler积分-Gamma函数，τ为积分变量，算子

中，下标a，t表示积分上下限，上标α表示要进行分数α次微分，α＞0且n-1≤α≤n，t＞a。

根据离散傅里叶变换的定义，可将连续的分数阶梯度算子离散化：

根据式(1)和式(2)可得到分数阶微分边缘检测模板的系数为：

分数阶微分边缘检测模板系数按层排列，为使模板系数的和为0，R₀选取为：

过大的模板会增加检测时间，为了保证算法的实时性，选择模板大小为3×3，此时R-L分数阶微分边缘检测算子模板如图1所示。

当α＝0.5时，图1中的R₁＝-0.0997，R₀＝0.7976。

与整数阶微分边缘检测算子相比，分数阶微分边缘检测算子对高频信号的提升有限，为了进一步增加高频信号的提升作用，边缘检测值采用分数阶微分边缘检测和Laplacian边缘检测加权融合的方式求取，即：

e(x，y)＝λe₁(x，y)+(1-λ)e₂(x，y) (5)

其中，(x，y)为像素点坐标，e₁(x，y)和e₂(x，y)分别为采用分数阶微分边缘检测算子和Laplacian边缘检测算子求得的边缘值，e(x，y)为二者加权融合值，λ为加权融合系数，取λ＝0.9。Laplacian边缘检测算子为二阶微分算子，其对高频信号有更强的提升作用，但同时对中低频信号也有更强的削弱作用。采用分数阶微分边缘检测算子和Laplacian边缘检测算子进行加权融合，可达到对高频信号显著提升、中频信号加强、低频信号非线性保留的效果。

本发明采用边缘和色度两种特征来对目标进行描述，将色度和边缘特征分别划分为m个等级，设{(x_i，y_i)}，i＝1，2，...，s，为目标区的各个像素的位置，s为目标区中所包含的像素点的数量。b₁(x_i，y_i)和b₂(x_i，y_i)分别为(x_i，y_i)位置处像素所对应的色度和边缘特征等级值，则目标的色度特征直方图模型q₁＝{q_1u，u＝1，2，...，m}和边缘直方图模型q₂＝{q_2v，v＝1，2，...，m}分别建立为：

函数δ(·)定义为：

其中，t为函数δ(·)的自变量，θ为边缘特征等级阈值，对于低于θ的边缘等级，其边缘特征不明显，即不含有边缘特征信息，因此在建立直方图模型时去掉这部分冗余像素点。

根据目标直方图模型可建立起场景图像的反向概率投影图。设跟踪场景图像中像素点(x，y)的色度特征值为u，边缘特征值为v，则该像素点利用目标的色度直方图模型和边缘直方图模型可分别计算其色度反向投影概率值p₁(x，y)和边缘反向投影概率值p₂(x，y)为：

其中，

为取整操作。

将上述两种反向投影概率值进行融合，得到场景图像的综合反向投影概率值p(x，y)：

p(x，y)＝γ₁p₁(x，y)+γ₂p₂(x，y) (11)

其中，γ₁为色度融合系数，γ₂为边缘融合系数。

通常，在进行上述融合过程中，可根据目标模板的色度和边缘两种特征与上一帧场景图像目标区的色度和边缘两种特征的相似性来确定加权值系数。也就是，如果目标区与模板的色度特征相似度大于边缘特征相似度，则色度特征在目标识别中的作用增强，此时γ₁的比重增加；相反，如果如果边缘特征相似度大于色度特征的相似度，则边缘特征在目标识别中的作用增强，γ₂的比重增加。这种自适应调整准则是从目标自身的角度出发来进行加权系数的调整，由于目标自身的色度和边缘相对稳定，因此在跟踪过程中，融合系数调节幅度很小。

而实际上，影响目标识别性能的主要因素来自于背景信息的干扰。也就是，随着目标的移动，目标所处的背景信息在不断变化，当背景特征与目标特征十分相似时，目标将湮没在背景中，这对目标识别与定位造成极大困难。为此，本发明提出基于背景信息自适应的融合系数调整策略。

将上一帧场景图像中确定出的目标区向四周扩展出一定的区域，称为背景区，设背景区的像素数量为s′，按m个等级分别建立背景区的色度特征直方图模型q′₁＝{q′_1u，u＝1，2，...，m}和边缘直方图模型q₂＝{q′_2v，v＝1，2，...，m}为：

采用Bhattacharyya系数计算背景区与目标模板的色度特征的相似度系数ρ₁以及背景区域目标模板的边缘特征的相似度系数ρ₂：

则色度融合系数γ₁和边缘融合系数γ₂可确定为：

采用上述的融合策略，可突出目标与背景差异大的特征信息在目标识别中的作用，由此可有效抑制背景信息对目标识别与定位的干扰，提高目标识别和定位的准确性。

采用上述融合特征实现目标跟踪的算法流程如下：

Step 1.初始化m、γ₁、γ₂、ρ₁、ρ₂等参数。

Step 2.利用式(6)和式(7)建立目标色度和边缘的直方图模型；

Step 3.根据式(11)建立场景图像的反向概率投影图。

Step 4.按照Camshift跟踪方法确定目标区域。

Step 5.按照式(16)和式(17)更新融合系数。

Step 6.获取下一帧场景图像，返回Step3继续跟踪。

采用本发明方法进行目标跟踪时，即使光照变化明显或者背景颜色与目标相似，也能够在复杂背景下提取出非显著性目标的特征信息，进行有效跟踪，提高跟踪结果的稳定性。

本发明的优点在于，通过构造融合了分数阶微分的混合边缘检测算子，能够在提升图像高、中频信息的同时，保留更多的低频信息，改善了图像边缘提取效果。结合色度特征，采用自适应融合的方式，抑制背景动态信息的干扰，实现目标的稳定跟踪。

Claims (3)

1.一种融合边缘特征的目标跟踪方法，其特征在于，将R-L分数阶微分边缘检测算子与Laplacian边缘检测算子进行融合，构造出混合边缘检测算子，并利用其实现目标模板及场景图像的边缘特征信息检测；基于目标色度特征和边缘特征两种直方图模型，分别建立场景图像的反向概率投影值，根据背景信息的动态变化，以抑制背景干扰信息为目的，建立自适应融合的反向概率投影图，提高跟踪方法对不确定环境变化信息的鲁棒性。

2.根据权利要求1所述的一种融合边缘特征的目标跟踪方法，其特征在于，边缘检测值采用分数阶微分边缘检测和Laplacian边缘检测加权融合的方式求取，即：

e(x，y)＝λe₁(x，y)+(1-λ)e₂(x，y) (1)

其中，(x，y)为像素点坐标，e₁(x，y)和e₂(x，y)分别为采用分数阶微分边缘检测算子和Laplacian边缘检测算子求得的边缘值，e(x，y)为二者加权融合值，λ为加权融合系数。

3.根据权利要求1所述的一种融合边缘特征的目标跟踪方法，其特征在于，将色度和边缘特征分别划分为m个等级，设{(x_i，y_i)}，i＝1，2，...，s，为目标区的各个像素的位置，s为目标区中所包含的像素点的数量，b₁(x_i，y_i)和b₂(x_i，y_i)分别为(x_i，y_i)位置处像素所对应的色度和边缘特征等级值，则目标的色度特征直方图模型q₁＝{q_1u，u＝1，2，...，m}和边缘直方图模型q₂＝{q_2v，v＝1，2，...，m}分别建立为：

函数δ(·)定义为：

其中，t为函数δ(·)的自变量，θ为边缘特征等级阈值，对于低于θ的边缘等级，其边缘特征不明显，即不含有边缘特征信息，因此在建立直方图模型时去掉这部分冗余像素点；设跟踪场景图像中像素点(x，y)的色度特征值为u，边缘特征值为v，则该像素点利用目标的色度直方图模型和边缘直方图模型可分别计算其色度反向投影概率值p₁(x，y)和边缘反向投影概率值p₂(x，y)为：

其中，

为取整操作，将上述两种反向投影概率值进行融合，得到场景图像的综合反向投影概率值p(x，y)：

p(x，y)＝γ₁p₁(x，y)+γ₂p₂(x，y) (7)

其中，γ₁为色度融合系数，γ₂为边缘融合系数。

Images