[發(fā)明專利]基于多細(xì)胞塊狀態(tài)融合的對象跟蹤方法

有效

• 申請?zhí)枺?/td>: 201410633195.3
• 申請日: 2014-11-11
• 公開（公告）號: CN104392437A
• 公開（公告）日: 2015-03-04
• 發(fā)明（設(shè)計(jì)）人: 權(quán)偉;陳錦雄;張衛(wèi)華;江永全;何武
• 申請（專利權(quán)）人: 西南交通大學(xué)
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06T7/20
• 代理公司: 成都宏順專利代理事務(wù)所(普通合伙) 51227
• 代理人: 李玉興

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺對象跟蹤技術(shù)領(lǐng)域，特別涉及計(jì)算機(jī)圖形圖像處理技術(shù)領(lǐng)域。

背景技術(shù)

視覺對象跟蹤是許多計(jì)算機(jī)視覺應(yīng)用的基本和關(guān)鍵問題，如視頻分析，智能監(jiān)控，人機(jī)交互，行為識別等，盡管研究人員對此做出了大量的工作，但要在復(fù)雜的環(huán)境中實(shí)現(xiàn)實(shí)時穩(wěn)定的對象跟蹤仍然是極具挑戰(zhàn)性的任務(wù)。

目前依賴檢測或者學(xué)習(xí)的對象跟蹤方法(如TLD,Tracking-Learning-Detection)受到越來越廣泛的關(guān)注。這些方法通過學(xué)習(xí)某種分類器，如支持向量機(jī)、自舉、隨機(jī)森林，或者隨機(jī)蕨等來發(fā)掘未知的數(shù)據(jù)和信息，進(jìn)而增強(qiáng)其對目標(biāo)及其場景變化的適應(yīng)能力。在基礎(chǔ)(短時)跟蹤(如KLT、均值漂移、粒子濾波等)失敗時，這些分類器則被用作檢測器進(jìn)行目標(biāo)檢測，以達(dá)到恢復(fù)跟蹤的目的。為了保證分類器學(xué)習(xí)的準(zhǔn)確性，同時又能盡可能的適應(yīng)目標(biāo)的變化，Babenko等提出了袋學(xué)習(xí)的思想和OMB方法(Online-MILBoost)，Kalal等提出了P-N(Positive-Negative)正負(fù)樣例學(xué)習(xí)的方法。然而，這些方法仍然難以處理非剛性運(yùn)動變化以及遮擋等問題。對此，霍夫森林提供了一種可能的解決方法?；舴蛏质且环N融合霍夫變換的隨機(jī)森林，它由多個決策樹組成，每棵樹將圖像或者視頻中的局部表觀映射到它的葉節(jié)點(diǎn)中，而每個葉節(jié)點(diǎn)則包含在霍夫空間中的概率投票。由此，對象的定位或者檢測被看作是尋求在霍夫圖像中的概率極大值點(diǎn)。然而這樣的檢測過程十分耗時，因此基于霍夫森林的對象跟蹤方法在實(shí)時性上遠(yuǎn)不及基于隨機(jī)蕨的方法。此外，基于稀疏表示和學(xué)習(xí)的對象跟蹤方法，由于其較穩(wěn)定的跟蹤性能受到越來越多的關(guān)注和研究，然而這些方法十分依賴樣例模板，同樣存在不小的失敗風(fēng)險，且計(jì)算結(jié)構(gòu)復(fù)雜而難以滿足實(shí)際實(shí)時性的要求。

一般情況下，場景越復(fù)雜，跟蹤或者檢測就變得越困難，由于計(jì)算資源的局限和效率的要求，對象表觀模型不能過于復(fù)雜。實(shí)際上，除了目標(biāo)本身以外，背景信息也是十分有用且重要的信息。Yang等采用圖像分割融合方法，通過時空分析發(fā)掘輔助對象作為跟蹤協(xié)助，其對應(yīng)實(shí)現(xiàn)的CAT跟蹤系統(tǒng)表現(xiàn)出較穩(wěn)定的跟蹤結(jié)果。然而該輔助對象的獲取基于一定的運(yùn)動假設(shè)，因而難以適應(yīng)更復(fù)雜的跟蹤環(huán)境，且計(jì)算效率有待進(jìn)一步的提高。Grabner等提出通過獲取目標(biāo)周圍有價值的特征點(diǎn)，借此預(yù)測目標(biāo)的位置，增強(qiáng)了跟蹤的穩(wěn)定性，然而檢測和匹配所有這些局部特征點(diǎn)的方法在計(jì)算上十分耗時。Thang等通過將PNT作為基礎(chǔ)跟蹤和同時增加對誤匹配項(xiàng)的跟蹤來改進(jìn)Grabner等的算法，能夠在一定程度上區(qū)分與目標(biāo)相似的對象，從而表現(xiàn)出更好的跟蹤性能。Fan等提出學(xué)習(xí)具有較強(qiáng)區(qū)別性的關(guān)注區(qū)域用以輔助跟蹤，然而在場景出現(xiàn)劇烈運(yùn)動時，受這些局部區(qū)域的限制，其計(jì)算效率依然不高。Godec等通過對場景進(jìn)行聚類學(xué)習(xí)，將背景分類為多個虛擬的類型，取得了較為滿意的跟蹤效果，但是該方法假設(shè)背景只是逐步而細(xì)微的改變，這在很多跟蹤場合并不成立，因此其應(yīng)用有限。

因此，本發(fā)明提出一種基于多細(xì)胞塊狀態(tài)融合的對象跟蹤方法。該方法根據(jù)目標(biāo)對象設(shè)置多個細(xì)胞塊，每個細(xì)胞塊具有其獨(dú)立的運(yùn)動狀態(tài)，所有細(xì)胞塊的一種狀態(tài)構(gòu)成一個配置，即通過配置將這些細(xì)胞塊的狀態(tài)信息進(jìn)行融合，而一個配置對應(yīng)了一種可能的目標(biāo)狀態(tài)。該方法通過產(chǎn)生多個配置，并計(jì)算其中最優(yōu)的配置(置信度最高)進(jìn)而估計(jì)得到目標(biāo)狀態(tài)，從而實(shí)現(xiàn)目標(biāo)定位。由于目標(biāo)狀態(tài)估計(jì)不依賴其整體表觀，構(gòu)成目標(biāo)的各個細(xì)胞塊獨(dú)立運(yùn)動，且配置的置信度計(jì)算簡單、快速，因此本發(fā)明方法可實(shí)現(xiàn)實(shí)時穩(wěn)定的對象跟蹤，能夠處理目標(biāo)旋轉(zhuǎn)、扭曲、縮放等非剛性運(yùn)動變化以及遮擋等問題。此外，本發(fā)明方法不僅可以用于單目標(biāo)跟蹤，通過在配置中包含多個目標(biāo)的細(xì)胞塊，還可以擴(kuò)展用于多目標(biāo)的跟蹤。

發(fā)明內(nèi)容

本發(fā)明的目的是提供一種基于多細(xì)胞塊狀態(tài)融合的對象跟蹤方法，它能有效地實(shí)現(xiàn)實(shí)時穩(wěn)定的對象跟蹤，解決對象旋轉(zhuǎn)、扭曲、縮放等非剛性運(yùn)動變化以及遮擋下的跟蹤問題。

本發(fā)明的目的通過以下技術(shù)方案來實(shí)現(xiàn)：該技術(shù)方案包括如下步驟：

(1)目標(biāo)選取

從初始圖像中選擇并確定要跟蹤的目標(biāo)對象。目標(biāo)選取過程可以通過運(yùn)動目標(biāo)檢測方法自動提取，也可以通過人機(jī)交互方法手動指定。

(2)設(shè)置目標(biāo)細(xì)胞塊