[發(fā)明專利]一種基于目標(biāo)分解的Camshift跟蹤方法

有效

• 申請?zhí)枺?/td>: 201510024097.4
• 申請日: 2015-01-19
• 公開（公告）號: CN104574444B
• 公開（公告）日: 2017-06-09
• 發(fā)明（設(shè)計）人: 修春波;魏世安;萬蓉鳳
• 申請（專利權(quán)）人: 天津工業(yè)大學(xué)
• 主分類號: G06T7/215
• 分類號: G06T7/215
• 代理公司: 暫無信息
• 代理人: 暫無信息

1.一種基于目標(biāo)分解的Camshift跟蹤方法，其特征在于，將被跟蹤的目標(biāo)分解為多個子目標(biāo)，對每個子目標(biāo)分別進(jìn)行目標(biāo)跟蹤，利用子目標(biāo)之間位置信息的相對不變性判斷各子目標(biāo)跟蹤結(jié)果的正確性，對于錯誤定位的子目標(biāo)進(jìn)行校正，根據(jù)校正后的子目標(biāo)集判斷被跟蹤目標(biāo)的準(zhǔn)確位置；設(shè)被跟蹤目標(biāo)為A，在被跟蹤目標(biāo)區(qū)域內(nèi)選取n個具有不同顯著特征的區(qū)域，每個特征區(qū)域均確定為一個被跟蹤的子目標(biāo)，所有的子目標(biāo)構(gòu)成目標(biāo)子集U，這樣，被跟蹤目標(biāo)可由目標(biāo)子集U來描述，目標(biāo)子集中的一個點(diǎn)代表一個子目標(biāo)的中心，記目標(biāo)子集中第i個目標(biāo)的空間坐標(biāo)為(x_i，y_i)，則目標(biāo)子集U可表示為：

U_n＝[(x₁，y₁)，(x₂，y₂)，…，(x_n，y_n)]^T (1)

目標(biāo)子集U中的目標(biāo)i與目標(biāo)j之間的距離定義為：

d_ij＝sqrt[(x_i-x_j)²+(y_i-y_j)²] (2)

其中(x_i，y_i)和(x_j，y_j)分別為目標(biāo)子集U中目標(biāo)i和目標(biāo)j的坐標(biāo)；

由此可建立目標(biāo)子集U的子目標(biāo)距離關(guān)聯(lián)矩陣D_n：

在HSV顏色空間內(nèi)對每個子目標(biāo)建立色調(diào)(hue)直方圖模型，采用CamShift方法對目標(biāo)子集中的各個子目標(biāo)分別進(jìn)行定位跟蹤，具體步驟如下：

Step1.設(shè)子目標(biāo)k區(qū)域內(nèi)各個像素的位置為其中i＝1，2，...，s_k；目標(biāo)k的中心位置為(x_k，y_k)，利用像素的色調(diào)特征構(gòu)建子目標(biāo)k的顏色特征直方圖模型為：

${\hat{q}}_k=\left\{{\hat{q}}_u^k\right\},u=1,2,...,n---\left(4\right)$

${\hat{q}}_u^k=C_{qk}\underset{i=1}{\overset{s_k}{\mathrm{\Σ}}}K\left(\left|\right|\frac{\left(x_i^k,y_i^k\right)-\left(x_k,y_k\right)}{h}\left|\right|\right)\mathrm{\δ}\[b\left(x_i^k,y_i^k\right)-u\]---\left(5\right)$

其中，u為子目標(biāo)k的搜索窗中像素點(diǎn)的色調(diào)特征值，色調(diào)特征劃分為n個等級，為顏色概率分布，函數(shù)表示像素量化后的特征值，C_qk為歸一化系數(shù)：

$C_{qk}=1/\underset{i=1}{\overset{s_k}{\mathrm{\Σ}}}K\left(\left|\right|\frac{\left(x_i^k,y_i^k\right)-\left(x_k,y_k\right)}{h}\left|\right|\right)---\left(6\right)$

δ為Kronecker函數(shù)，即：

$\mathrm{\δ}\[b\left(x_i^k,y_i^k\right)-u\]=\left\{\begin{array}{c}1,if\left(b\left(x_i^k,y_i^k\right)=u\right)\\ 0,else\end{array}\right.---\left(7\right)$

K為無參高斯核函數(shù)，即：

$K\left(\right|\left|\frac{(x_i^k,y_i^k)-(x_k,y_k)}{h}\right||=e^{-{\left(\frac{\sqrt{{(x_i^k-x_k)}^2+{(y_i^k-y_k)}^2}}{h}\right)}^2}---\left(8\right)$

其中，h為核函數(shù)的帶寬；

Step2.根據(jù)所建子目標(biāo)模型進(jìn)行反向投影，建立起各子目標(biāo)的搜索窗的概率投影圖；設(shè)子目標(biāo)k的搜索窗中像素點(diǎn)的色調(diào)特征值為u，則該像素點(diǎn)的色調(diào)概率投影圖的像素值為：

其中為取整操作，概率分布圖中取值越大的像素表明該像素為目標(biāo)像素的可能性越大；

Step3.計算搜索窗k的零階矩和一階矩：

$M_{00}^k=\underset{x_i^k}{\Σ}\underset{y_i^k}{\Σ}I(x_i^k,y_i^k)---\left(10\right)$

$M_{10}^k=\underset{x_i^k}{\Σ}\underset{y_i^k}{\Σ}{x}_i^{k}I(x_i^k,y_i^k)---\left(11\right)$

$M_{01}^k=\underset{x_i^k}{\mathrm{\Σ}}\underset{y_i^k}{\mathrm{\Σ}}{y}_i^{k}I\left(x_i^k,y_i^k\right)---\left(12\right)$

Step4.計算搜索窗k的質(zhì)心

$x_c^k=\frac{M_{10}^k}{M_{00}^k}---\left(13\right)$

$y_c^k=\frac{M_{01}^k}{M_{00}^k}---\left(14\right)$

Step5.自適應(yīng)調(diào)整搜索窗口的邊長：

$s_k=2\sqrt{M_{00}^k/256}---\left(15\right)$

移動子目標(biāo)k的搜索窗的中心到質(zhì)心，如果移動距離大于預(yù)設(shè)的固定閾值，則重復(fù)Step2-Step5，直到搜索窗k的中心與質(zhì)心間的移動距離小于預(yù)設(shè)的閾值；

Step6.判斷子目標(biāo)的正確性：

設(shè)子目標(biāo)i在跟蹤圖像中確定的目標(biāo)位置為(x′_i，y′_i)，根據(jù)各個子目標(biāo)跟蹤結(jié)果，建立跟蹤圖像中目標(biāo)子集U′_n：

U′_n＝[(x′₁，y′₁)，(x′₂，y′₂)…(x′_n，y′_n)]^T (16)

建立跟蹤圖像中子目標(biāo)距離關(guān)聯(lián)矩陣D′_n：

根據(jù)被跟蹤目標(biāo)模板的子目標(biāo)距離關(guān)聯(lián)矩陣D_n和跟蹤圖像中子目標(biāo)距離關(guān)聯(lián)矩陣D′_n的比較結(jié)果，判斷各子目標(biāo)跟蹤結(jié)果是否正確；

根據(jù)D_n和D′_n，求取個核心{c_ij，i＝1，2，3，...，n-1；j＝1，2，3，...，n；且i＜j}，其中：

c_ij＝d′_ij/d_ij (18)

以上述核心為中心，建立個核函數(shù)：

上述核函數(shù)的和為：

$G=\underset{i,j}{\Σ}{g}_{ij}---\left(20\right)$

函數(shù)G最大值所在位置確定為核中心c_g，并建立判斷矩陣E：

其中，

$e_{ij}=e_{ji}=\left\{\begin{array}{c}1,if|c_{ij}-c_g|\<\mathrm{\η}\\ 0,else\end{array}\right.---\left(22\right)$

其中，η為中心閾值，對于判斷矩陣E，如果存在全零行，即e_ij＝0，j＝1，2，...，n，則可判斷為第i個子目標(biāo)定位錯誤；

Step7.錯誤定位子目標(biāo)的校正：

如果存在錯誤定位的子目標(biāo)，則利用正確定位的子目標(biāo)對錯誤定位的子目標(biāo)進(jìn)行校正；設(shè)正確定位的子目標(biāo)有m個，第j個子目標(biāo)的中心坐標(biāo)為(x′_j，y′_j)，其中j＝1，2，...，m；而第i個錯誤定位子目標(biāo)中心校正位置為則二者之間的距離定義為：

$d_{ij}^{\′\′}=sqrt\[{({\hat{x}}_i-x_j^{\′})}^2+{({\hat{y}}_i-y_j^{\′})}^2\]---\left(23\right)$

定義目標(biāo)函數(shù)J為：

$J=\underset{j=1}{\overset{m}{\Σ}}{(d_{ij}^{\′\′}/d_{ij}-c_g)}^2---\left(24\right)$

將上述目標(biāo)函數(shù)取最小值所對應(yīng)的位置確定為子目標(biāo)i的校正位置；

Step8.對未作校正的子目標(biāo)進(jìn)行方向角和尺寸大小的更新：

設(shè)子目標(biāo)k的搜索窗的二階矩定義為：

$M_{11}^k=\underset{x_i^k}{\Σ}\underset{y_i^k}{\Σ}{x}_i^k{y}_i^{k}I(x_i^k,y_i^k)---\left(25\right)$

$M_{20}^k=\underset{x_i^k}{\mathrm{\Σ}}\underset{y_i^k}{\mathrm{\Σ}}{\left(x_i^k\right)}^{2}I\left(x_i^k,y_i^k\right)---\left(26\right)$

$M_{02}^k=\underset{x_i^k}{\Σ}\underset{y_i^k}{\Σ}{\left(y_i^k\right)}^{2}I(x_i^k,y_i^k)---\left(27\right)$

設(shè)：

$a_k=\frac{M_{20}^k}{M_{00}^k}-{\left(x_c^k\right)}^2---\left(28\right)$

$b_k=\frac{M_{11}^k}{M_{00}^k}-x_c^k{y}_c^k---\left(29\right)$

$c_k=\frac{M_{02}^k}{M_{00}^k}-{\left(y_c^k\right)}^2---\left(30\right)$

更新跟蹤目標(biāo)區(qū)的長軸：

$L_k=\left\{\begin{array}{cc}{L}_k^{\′},& if\frac{|L_k-L_k^{\′}|}{L_k}\<\mathrm{\ϵ}\\ {\mathrm{\αL}}_k+\left(1-\mathrm{\α}\right)L_k^{\′},& else\end{array}\right.---\left(31\right)$

其中

$L_k^{\′}=\sqrt{\frac{(a_k+c_k)+\sqrt{b_k^2+{(a_k-c_k)}^2}}{2}}---\left(32\right)$

更新跟蹤目標(biāo)區(qū)的短軸：

$W_k=\left\{\begin{array}{cc}{W}_k^{\′},& if\frac{|W_k-W_k^{\′}|}{W_k}\<\mathrm{\ϵ}\\ {\mathrm{\αW}}_k+(1-\mathrm{\α})W_k^{\′},& else\end{array}\right.---\left(33\right)$

其中

$W_k^{\′}=\sqrt{\frac{(a_k+c_k)-\sqrt{{b_k}^2+{(a_k-c_k)}^2}}{2}}---\left(34\right)$

更新目標(biāo)k運(yùn)動方向與水平方向夾角θ_k：

${\mathrm{\θ}}_k=\left\{\begin{array}{cc}{\mathrm{\θ}}_k^{\′},& if\frac{|{\mathrm{\θ}}_k-{\mathrm{\θ}}_k^{\′}|}{{\mathrm{\θ}}_k}\<\mathrm{\ϵ}\\ {\mathrm{\α\θ}}_k+(1-\mathrm{\α}){\mathrm{\θ}}_k^{\′},& else\end{array}\right.---\left(35\right)$

其中

${\mathrm{\θ}}_k^{\′}=\frac{1}{2}\arctan \left(\frac{b_k}{a_k-c_k}\right)---\left(36\right)$

經(jīng)過校正的子目標(biāo)不進(jìn)行大小和方向的更新；

Step8.返回Step1繼續(xù)進(jìn)行下一幀圖像中目標(biāo)子集的定位與跟蹤。