[發(fā)明專利]基于物體整體性和局部性識(shí)別的跟蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201310317400.0
• 申請(qǐng)日: 2013-07-25
• 公開（公告）號(hào): CN103413120A
• 公開（公告）日: 2013-11-27
• 發(fā)明（設(shè)計(jì)）人: 梁云;王美華;劉福明
• 申請(qǐng)（專利權(quán)）人: 華南農(nóng)業(yè)大學(xué)
• 主分類號(hào): G06K9/00
• 分類號(hào): G06K9/00
• 代理公司: 廣州粵高專利商標(biāo)代理有限公司 44102
• 代理人: 林麗明

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺領(lǐng)域，更具體地，涉及到一種基于物體整體性和局部性識(shí)別的跟蹤方法。

背景技術(shù)

物體跟蹤是計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要研究?jī)?nèi)容,近年來已引起人們的廣泛關(guān)注,成為當(dāng)前的研究熱點(diǎn)。該技術(shù)具有廣闊的應(yīng)用前景,在多個(gè)領(lǐng)域起著重要作用,如安全監(jiān)控、人機(jī)交互、醫(yī)療診斷和車輛流量監(jiān)控等等。盡管人們已經(jīng)提出了大量的物體跟蹤方法,但在光照和物體外形變化較大或有嚴(yán)重遮擋的情況下,這些方法經(jīng)常不能提供理想的跟蹤結(jié)果,常無法追蹤到目標(biāo)物體。因此,提出一種有效的物體跟蹤方法具有重要的應(yīng)用價(jià)值和現(xiàn)實(shí)意義。

當(dāng)前，雖然很多成功的物體跟蹤算法已經(jīng)被提出，但是要開發(fā)一個(gè)能處理復(fù)雜的、動(dòng)態(tài)的場(chǎng)景的健壯算法仍然是一個(gè)具有挑戰(zhàn)性的問題。因?yàn)楣庹瞻l(fā)生變化、鏡頭發(fā)生移動(dòng)、物體發(fā)生形變、目標(biāo)物體發(fā)生部分或全部遮擋等等會(huì)導(dǎo)致場(chǎng)景的外觀發(fā)生很大的變化。這些變化只能通過能夠增量更新它們的表達(dá)的自適應(yīng)方法進(jìn)行處理。因此，能夠不斷學(xué)習(xí)的在線更新對(duì)跟蹤物體表觀的表達(dá)對(duì)于跟蹤任務(wù)而言是很有必要的。基于局部性信息的識(shí)別把模板劃分為若干部分，通過在線更新各部分的權(quán)值，根據(jù)各局部表征的相似度量，計(jì)算目標(biāo)物體的位置?；诰植啃孕畔⒌淖R(shí)別方法在目標(biāo)物體發(fā)生局部遮擋或發(fā)生非剛性變化情況下的跟蹤有不錯(cuò)的效果，然而，缺乏對(duì)目標(biāo)物體整體性的識(shí)別，容易導(dǎo)致偏移和只識(shí)別目標(biāo)物體的部分情況。

物體性度量在圖像識(shí)別中廣泛運(yùn)用，以顯著性、顏色、邊緣和超像素等作為物體性度量的線索，并給出各自的評(píng)分規(guī)則，結(jié)合線索對(duì)感興趣區(qū)域中所有檢測(cè)窗口進(jìn)行評(píng)分，根據(jù)評(píng)分確定最有可能覆蓋目標(biāo)的檢測(cè)窗口。物體性度量使檢測(cè)窗口能很好地收斂于標(biāo)物體，既盡可能使檢測(cè)窗口覆蓋目標(biāo)物體，又使得檢測(cè)窗口中背景內(nèi)容盡量少。

發(fā)明內(nèi)容

為了克服現(xiàn)有技術(shù)的不足，本發(fā)明提出一種基于物體整體性和局部性識(shí)別的跟蹤方法，該方法是在搜索機(jī)制中結(jié)合物體整體性和局部性識(shí)別，通過線性組合邊緣密度、顏色對(duì)比度、超像素跨界程度和候選目標(biāo)置信度，以其值確定目標(biāo)區(qū)域位置，旨在增強(qiáng)搜索機(jī)制對(duì)確定目標(biāo)區(qū)域的準(zhǔn)確率和穩(wěn)定性。

為了實(shí)現(xiàn)上述目的，本發(fā)明的技術(shù)方案為：

一種基于物體整體性和局部性識(shí)別的跟蹤方法，包括以下步驟：

S1.跟蹤前m幀圖像，以第一幀目標(biāo)區(qū)域?yàn)槟０?，?jì)算新幀的候選目標(biāo)區(qū)域與模板進(jìn)行相似度量，以相似度最高的為新幀的目標(biāo)區(qū)域，并記錄每幀的目標(biāo)區(qū)域；

S2.針對(duì)前m幀圖像以其目標(biāo)區(qū)域?yàn)橹行南蛩闹軘U(kuò)展得到擴(kuò)展區(qū)域，超像素分割每個(gè)擴(kuò)展區(qū)域，以超像素記錄目標(biāo)物體部件信息，作為物體的局部表征，提取各超像素的特征，并收集所有幀的特征構(gòu)建特征池；

S3.基于特征池中的特征集來計(jì)算物體的局部表征的權(quán)值；

S4.設(shè)已完成前t幀圖像的跟蹤,t≥m，計(jì)算第t+1幀圖像的擴(kuò)展區(qū)域、候選目標(biāo)區(qū)域、及其擴(kuò)展區(qū)域內(nèi)超像素的特征集，并根據(jù)特征池中與擴(kuò)展區(qū)域內(nèi)的超像素的相似度計(jì)算擴(kuò)展區(qū)域內(nèi)的物體局部表征的置信度；

S5.計(jì)算各候選目標(biāo)區(qū)域的置信值、各候選目標(biāo)區(qū)域邊界附近的邊緣密度、各候選目標(biāo)區(qū)域與它直接相鄰的包圍區(qū)域的顏色對(duì)比度以及各候選目標(biāo)區(qū)域的超像素跨界程度；

S6.結(jié)合候選目標(biāo)區(qū)域置信值、邊緣密度、顏色對(duì)比度和超像素跨界程度計(jì)算當(dāng)前幀的目標(biāo)區(qū)域；

S7.更新特征池的特征集；

S8.若滿足更新物體局部表征的權(quán)值條件，根據(jù)更新后的特征池內(nèi)的物體局部表征的權(quán)值，實(shí)現(xiàn)其權(quán)值的更新；

S9.執(zhí)行程序結(jié)束判斷，當(dāng)跟蹤完所有幀，則結(jié)束程序；否則，轉(zhuǎn)到步驟S3進(jìn)入下一幀圖像的跟蹤，直到完成整個(gè)視頻圖像序列的跟蹤為止。

更進(jìn)一步的，所述步驟S1中跟蹤前m幀圖像，計(jì)算其目標(biāo)區(qū)域的具體實(shí)現(xiàn)方式為：

給定第一幀圖像Frame₁中目標(biāo)區(qū)域，包括中心點(diǎn)和區(qū)域大?。换谇癿幀目標(biāo)表觀變化小，以第一幀圖像的目標(biāo)區(qū)域?yàn)槟０澹?/p>

在上一幀目標(biāo)區(qū)域周圍隨機(jī)采樣，作為當(dāng)前幀的候選目標(biāo)區(qū)域；

計(jì)算新幀的候選目標(biāo)區(qū)域與模板進(jìn)行相似度量，相似度最高的為新幀的目標(biāo)區(qū)域，如此迭代計(jì)算Frame₂，……，F(xiàn)rame_m的目標(biāo)區(qū)域，并記錄各幀的目標(biāo)區(qū)域。

更進(jìn)一步的，所述步驟S2中的收集物體局部表征，構(gòu)建局部表征特征池的具體實(shí)現(xiàn)為：