專利名稱:基于粒子動(dòng)態(tài)采樣模型的紅外人體目標(biāo)跟蹤系統(tǒng)的制作方法
技術(shù)領(lǐng)域:
本發(fā)明涉及人體目標(biāo)的跟蹤系統(tǒng),具體涉及一種基于粒子動(dòng)態(tài)采樣模型和面向?qū)ο蠓椒ǖ募t外人體目標(biāo)跟蹤技術(shù)。
背景技術(shù):
與可見(jiàn)光成像相比,紅外成像的優(yōu)勢(shì)不言而喻不需要輔助光源,幾乎可在任何氣象條件和環(huán)境下進(jìn)行全天候工作。隨著紅外器件制造技術(shù)特別是非制冷焦平面的紅外CCD制造技術(shù)的發(fā)展和價(jià)格的下降,紅外成像系統(tǒng)的應(yīng)用領(lǐng)域得到迅速的擴(kuò)展。
人體目標(biāo)是場(chǎng)景中最活躍和最有價(jià)值的要素,因此對(duì)紅外圖像中人體目標(biāo)等復(fù)雜非剛體目標(biāo)的跟蹤技術(shù)應(yīng)用的領(lǐng)域非常廣泛。主要的應(yīng)用領(lǐng)域包括紅外瞄準(zhǔn)系統(tǒng)、紅外導(dǎo)航系統(tǒng)、紅外救生系統(tǒng)、邊防警戒系統(tǒng)、智能監(jiān)控系統(tǒng)、汽車夜間輔助駕駛系統(tǒng)、消防救災(zāi)及公眾安全、夜間巡邏執(zhí)法輔助系統(tǒng)、智能人機(jī)接口系統(tǒng)、智能機(jī)器人導(dǎo)航系統(tǒng)等各個(gè)方面。然而,由于人體是非剛體,姿態(tài)的復(fù)雜多變,運(yùn)動(dòng)主觀隨意性強(qiáng),無(wú)固定運(yùn)動(dòng)規(guī)律可循,使得即使在可見(jiàn)光條件下對(duì)場(chǎng)景中的人體目標(biāo)進(jìn)行跟蹤也非常困難。紅外視頻中的人體目標(biāo)的跟蹤同時(shí)還要受紅外圖像本身缺陷的制約紅外圖像是灰度圖像,成像質(zhì)量差,分辨率低,目標(biāo)模糊,紋理細(xì)節(jié)少,使得一些可見(jiàn)光中的人體跟蹤算法無(wú)法用于紅外跟蹤。
總結(jié)采用紅外成像技術(shù)對(duì)人體目標(biāo)跟蹤的主要困難,包括以下幾個(gè)方面 (1)人體是非剛體目標(biāo),具有姿態(tài)復(fù)雜性和多變性 眾所周知,人體目標(biāo)和汽車、飛行器等剛體目標(biāo)性質(zhì)有所不同對(duì)于剛體目標(biāo),目標(biāo)的自身形狀不會(huì)發(fā)生變化,當(dāng)目標(biāo)相對(duì)于觀測(cè)者視角發(fā)生改變時(shí),即姿態(tài)發(fā)生改變時(shí),可以通過(guò)一個(gè)確定的仿射映射方程來(lái)確定這一變化,目標(biāo)的特征點(diǎn),如邊緣角點(diǎn)、紋理特征點(diǎn)仍然保持其穩(wěn)定性,可以用這些特征區(qū)域來(lái)對(duì)目標(biāo)進(jìn)行跟蹤。如經(jīng)典的光流法跟蹤,通過(guò)解光流方程,確定目標(biāo)的運(yùn)動(dòng)軌跡。對(duì)于人體目標(biāo),情況就復(fù)雜的多。首先,人體目標(biāo)姿態(tài)具有多樣性,無(wú)法用固定的模板來(lái)刻畫所有的人體目標(biāo),特征點(diǎn)和特征區(qū)域的描述不具有統(tǒng)一性;其次,人體目標(biāo)除了參與基于周圍環(huán)境的運(yùn)動(dòng)外還伴隨著自己姿態(tài)的改變,即使是同一目標(biāo),當(dāng)前時(shí)刻和前一時(shí)刻目標(biāo)的大小、形貌、姿態(tài)可能完全不相同,因此,很多情況下對(duì)同一目標(biāo)也無(wú)法在不同的時(shí)刻,使用特征點(diǎn)匹配的方法確定目標(biāo)前后狀態(tài)的映射,使得傳統(tǒng)的基于剛體目標(biāo)的跟蹤方法光流法受到限制不具備實(shí)現(xiàn)的基本條件。
(2)人體目標(biāo)的運(yùn)動(dòng)主觀隨意性 由于人體目標(biāo)的高度主觀隨意性,目標(biāo)可能隨時(shí)會(huì)在觀測(cè)者無(wú)法預(yù)料的情況下隨時(shí)改變運(yùn)動(dòng)速度、運(yùn)動(dòng)方向、運(yùn)動(dòng)形式和運(yùn)動(dòng)路徑,不能建立一個(gè)合理運(yùn)動(dòng)模型來(lái)概括人的這種行為,也就是多數(shù)情況下,人體目標(biāo)的運(yùn)動(dòng)無(wú)任何規(guī)律可循,不能使用具有固定動(dòng)力系統(tǒng)的運(yùn)動(dòng)模型來(lái)刻畫人體的運(yùn)動(dòng)規(guī)律。這就使得一些基于運(yùn)動(dòng)規(guī)律假設(shè)的跟蹤方法,如卡爾曼濾波方法不能有效地對(duì)人體目標(biāo)進(jìn)行跟蹤。
(3)紅外成像自身的缺陷 由于紅外圖像為灰度圖像,沒(méi)有目標(biāo)的顏色信息,可見(jiàn)光圖像中廣泛應(yīng)用的基于膚色衣著等顏色特征的跟蹤方法無(wú)法使用;由于紅外圖像中人體目標(biāo)紋理細(xì)節(jié)較少,目標(biāo)的局部紋理表達(dá)不具有良好的可辨識(shí)性,可見(jiàn)光圖像目標(biāo)跟蹤方法中一些靠紋理相似性計(jì)算的非剛體目標(biāo)跟蹤方法,如傳統(tǒng)的Mean Shift跟蹤方法,通過(guò)前后兩個(gè)區(qū)域的Bhattacharyya系數(shù)進(jìn)行相似性分析,將Bhattacharyya系數(shù)最大的跟蹤窗口區(qū)域作為匹配區(qū)域作為匹配區(qū)域,在紅外人體目標(biāo)跟蹤過(guò)程中并不適用,這是因?yàn)椴煌繕?biāo)的灰度直方圖特征都很接近,用于判斷不同目標(biāo)之間的區(qū)別的特征量較少,使用灰度直方圖的Bhattacharyya系數(shù)進(jìn)行相似匹配出現(xiàn)誤匹配的可能性很大。
(4)人體目標(biāo)檢測(cè)算法的不可依賴性 由于人體目標(biāo)除了自身的姿態(tài)復(fù)雜變化引起的檢測(cè)算法的不可靠外,人體目標(biāo)圖像由于受背景的干擾,目標(biāo)圖像經(jīng)常出現(xiàn)殘缺和破碎現(xiàn)象,已經(jīng)完全失去了人體目標(biāo)的基本特征,即使檢測(cè)算法百分之百可靠,此時(shí)也無(wú)法將人體目標(biāo)識(shí)別出來(lái),因此完全基于檢測(cè)算法的跟蹤方案是不可行的。
國(guó)內(nèi)外對(duì)紅外人體目標(biāo)的跟蹤都是建立在對(duì)目標(biāo)的狀態(tài)進(jìn)行假設(shè)的基礎(chǔ)上如假定目標(biāo)做勻速運(yùn)動(dòng),假定目標(biāo)的姿態(tài)為直立狀態(tài)(行人)、假定攝像機(jī)靜止等,使用卡爾曼濾波、粒子濾波或Mean Shift方法進(jìn)行基于狀態(tài)預(yù)測(cè)方法和相似性分析的跟蹤,應(yīng)用場(chǎng)合非常有限且跟蹤結(jié)果不理想。
發(fā)明內(nèi)容
針對(duì)現(xiàn)有紅外人體目標(biāo)跟蹤技術(shù)存在的上述不足,本發(fā)明的目的是提供一種基于粒子動(dòng)態(tài)采樣模型和面向?qū)ο蠓椒?,提高跟蹤可靠性的紅外人體目標(biāo)跟蹤系統(tǒng)。
本發(fā)明的目的是這樣實(shí)現(xiàn)的基于粒子動(dòng)態(tài)采樣模型的紅外人體目標(biāo)跟蹤系統(tǒng),該系統(tǒng)包括紅外熱像儀、圖像采集裝置、中央處理器和視頻顯示裝置;圖像采集裝置采集紅外熱像儀的視頻數(shù)據(jù)流并送給中央處理器,中央處理器將紅外視頻數(shù)據(jù)流組成連續(xù)圖像序列并對(duì)圖像序列進(jìn)行處理;本系統(tǒng)通過(guò)隨機(jī)粒子采樣和遷移控制實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤,以各個(gè)人體目標(biāo)為對(duì)象,根據(jù)各目標(biāo)的觀測(cè)粒子集,重新產(chǎn)生隨機(jī)采樣粒子,并且根據(jù)設(shè)定的無(wú)效采樣粒子的判斷規(guī)則,去除多余的粒子;對(duì)跟蹤池內(nèi)的目標(biāo)進(jìn)行狀態(tài)判定,實(shí)現(xiàn)對(duì)圖像序列中的人體目標(biāo)進(jìn)行準(zhǔn)確跟蹤;跟蹤結(jié)果送入視頻顯示裝置進(jìn)行顯示,該中央處理器實(shí)現(xiàn)人體目標(biāo)跟蹤的步驟如下 (1)目標(biāo)檢測(cè)監(jiān)測(cè)視頻數(shù)據(jù)流,判斷是否需要調(diào)用靜態(tài)人體目標(biāo)檢測(cè)算法,捕捉進(jìn)入視場(chǎng)的目標(biāo),并檢查目標(biāo)和跟蹤池內(nèi)的跟蹤標(biāo)識(shí)的匹配狀況,若不需要調(diào)用靜態(tài)人體目標(biāo)檢測(cè)算法,則轉(zhuǎn)入步驟(10); (2)通過(guò)調(diào)用靜態(tài)人體目標(biāo)檢測(cè)方法對(duì)人體目標(biāo)進(jìn)行檢測(cè); (3)檢測(cè)當(dāng)前時(shí)刻是否包含新目標(biāo),若未發(fā)現(xiàn)新目標(biāo)則轉(zhuǎn)入步驟(10); (4)目標(biāo)跟蹤初始化利用人體目標(biāo)的動(dòng)態(tài)粒子建模技術(shù)對(duì)人體目標(biāo)進(jìn)行跟蹤初始化,該技術(shù)在檢測(cè)到的人體目標(biāo)對(duì)應(yīng)圖像區(qū)域范圍內(nèi)布撒隨機(jī)粒子進(jìn)行采樣,通過(guò)粒子Mean Shift遷移完成對(duì)目標(biāo)的建模,產(chǎn)生觀測(cè)粒子集,完成目標(biāo)跟蹤初始化; (5)添加跟蹤標(biāo)識(shí)給初始化后的新目標(biāo)添加跟蹤標(biāo)識(shí),并保存新目標(biāo)特征屬性; (6)新目標(biāo)加入到跟蹤池,設(shè)置新目標(biāo)的狀態(tài)機(jī); (7)跟蹤池內(nèi)目標(biāo)狀態(tài)檢查更新在下一跟蹤時(shí)刻,以各個(gè)人體目標(biāo)為對(duì)象,根據(jù)各目標(biāo)的觀測(cè)粒子,重新產(chǎn)生隨機(jī)采樣粒子,并且根據(jù)設(shè)定的無(wú)效采樣粒子的判斷規(guī)則,利用無(wú)效粒子的剔除方法去除無(wú)效的跟蹤粒子;目標(biāo)狀態(tài)判斷采用目標(biāo)狀態(tài)機(jī)的判斷方法對(duì)跟蹤池內(nèi)的目標(biāo)進(jìn)行狀態(tài)判斷,目標(biāo)主要的狀態(tài)有目標(biāo)正常、目標(biāo)隱藏、目標(biāo)消失和目標(biāo)互相遮擋粘連; (8)獲取目標(biāo)當(dāng)前狀態(tài); (9)根據(jù)當(dāng)前狀態(tài)進(jìn)行視頻顯示,再轉(zhuǎn)入步驟(1); (10)檢測(cè)跟蹤池是否為空,若跟蹤池為空,轉(zhuǎn)入步驟(9); (11)對(duì)跟蹤池內(nèi)的各目標(biāo)進(jìn)行跟蹤,轉(zhuǎn)入步驟(7); 所述步驟(7)中的無(wú)效粒子的剔除方法是根據(jù)前一時(shí)刻觀測(cè)粒子位置對(duì)應(yīng)的像素灰度分布狀態(tài)確定有效粒子最小灰度閾值,將當(dāng)前時(shí)刻隨機(jī)粒子位置對(duì)于灰度值低于這一閾值的粒子剔除,保證大部分采用粒子都落在目標(biāo)上。
所述步驟(7)中的目標(biāo)狀態(tài)機(jī)的判斷方法包括 目標(biāo)隱藏和目標(biāo)消失的判斷根據(jù)前后時(shí)刻觀測(cè)粒子位置對(duì)應(yīng)圖像灰度差異決定;當(dāng)灰度差異大于設(shè)定閾值時(shí),目標(biāo)被認(rèn)為轉(zhuǎn)入隱藏狀態(tài);隱藏狀態(tài)連續(xù)持續(xù)一定時(shí)間或目標(biāo)在視場(chǎng)邊界附近轉(zhuǎn)入隱藏狀態(tài)時(shí)認(rèn)為目標(biāo)已經(jīng)消失; 目標(biāo)遮擋粘連的判斷目標(biāo)被背景遮擋的狀況標(biāo)記為隱藏;當(dāng)兩個(gè)或多個(gè)跟蹤標(biāo)記落在同一個(gè)目標(biāo)上時(shí)才確定目標(biāo)完全互相遮擋。
目標(biāo)正常的判斷為缺省狀態(tài); 相比現(xiàn)有技術(shù),本發(fā)明具有如下優(yōu)點(diǎn) (1)本發(fā)明借鑒了傳統(tǒng)粒子濾波算法的思想,使用隨機(jī)粒子采樣技術(shù)來(lái)獲取目標(biāo)的模型,但與傳統(tǒng)的基于預(yù)測(cè)的粒子濾波跟蹤算法不同,本發(fā)明不是通過(guò)目標(biāo)模型的后驗(yàn)相似關(guān)系實(shí)現(xiàn)目標(biāo)的匹配跟蹤,而是通過(guò)控制采樣粒子的實(shí)際遷移過(guò)程來(lái)實(shí)現(xiàn)對(duì)目標(biāo)跟蹤。實(shí)驗(yàn)證明,本發(fā)明只采用少數(shù)采用粒子即可實(shí)現(xiàn)對(duì)目標(biāo)的可靠跟蹤,計(jì)算量小,跟蹤可實(shí)時(shí)進(jìn)行,避免了傳統(tǒng)粒子濾波算法為避免粒子退化和粒子耗盡而采用大量采樣粒子來(lái)計(jì)算目標(biāo)的后驗(yàn)分布概率,使得系統(tǒng)的計(jì)算量過(guò)重而實(shí)時(shí)性差。
(2)采取隨機(jī)采樣技術(shù)動(dòng)態(tài)建立目標(biāo)模型,可以在全局跟蹤狀態(tài)和局部跟蹤狀態(tài)之間進(jìn)行自動(dòng)轉(zhuǎn)換。當(dāng)目標(biāo)被部分遮擋失去目標(biāo)的完整外形特征時(shí)仍可進(jìn)行可靠跟蹤。
(3)跟蹤方法針對(duì)每個(gè)目標(biāo)進(jìn)行操作,采取面向?qū)ο蠹夹g(shù)進(jìn)行封裝突出跟蹤問(wèn)題的本質(zhì);所提出的方法與目標(biāo)的運(yùn)動(dòng)規(guī)律無(wú)關(guān),解決了由于目標(biāo)運(yùn)動(dòng)的主觀隨意性而使得卡爾曼濾波等基于運(yùn)動(dòng)規(guī)律假設(shè)的傳統(tǒng)跟蹤算法失效的問(wèn)題;所提出的方法與目標(biāo)的運(yùn)動(dòng)狀態(tài)及背景是否變化無(wú)關(guān),在任意狀況下都可以對(duì)目標(biāo)進(jìn)行可靠跟蹤,解決了基于運(yùn)動(dòng)分割跟蹤目標(biāo)無(wú)法用于動(dòng)態(tài)背景和對(duì)靜止行人跟蹤的問(wèn)題。
(4)引入有限狀態(tài)機(jī)技術(shù),解決了因目標(biāo)姿態(tài)多變或遮擋隱藏而造成目標(biāo)檢測(cè)失敗,基于目標(biāo)檢測(cè)跟蹤算法不可靠問(wèn)題,提高了跟蹤系統(tǒng)的魯棒性。
(5)該方法可廣泛應(yīng)用于軍事、安全、智能監(jiān)控、輔助駕駛、消防救災(zāi)、人機(jī)接口和智能機(jī)器人導(dǎo)航等領(lǐng)域,潛在經(jīng)濟(jì)價(jià)值和社會(huì)價(jià)值很大。
圖1是本發(fā)明方法運(yùn)行過(guò)程的主要流程圖; 圖2是建立跟蹤模型的實(shí)施例圖; 其中,(a)目標(biāo)圖像,(b)狀態(tài)模型,(c)量測(cè)模型,(d)軌跡中心; 圖3是采用本發(fā)明目標(biāo)遮擋過(guò)程中跟蹤標(biāo)記的變化過(guò)程; 圖4是根據(jù)跟蹤標(biāo)記的位置關(guān)系判定是否發(fā)生目標(biāo)遮擋的方法; 其中,(a)未遮擋,(b)發(fā)生遮擋; 圖5是目標(biāo)和跟蹤標(biāo)記的匹配關(guān)系。
具體實(shí)施例方式 本發(fā)明從面向?qū)ο蟮慕嵌瘸霭l(fā),檢測(cè)出人體目標(biāo)后,采用目標(biāo)區(qū)域動(dòng)態(tài)隨機(jī)采樣粒子遷移的收斂狀態(tài)對(duì)目標(biāo)進(jìn)行觀測(cè)的方法,實(shí)現(xiàn)了對(duì)紅外視頻中人體目標(biāo)的跟蹤。
參見(jiàn)圖1,本發(fā)明基于粒子動(dòng)態(tài)采樣模型的紅外人體目標(biāo)跟蹤系統(tǒng),該系統(tǒng)包括紅外熱像儀、圖像采集裝置、中央處理器和視頻顯示裝置;圖像采集裝置采集紅外熱像儀的視頻數(shù)據(jù)流并送給中央處理器,中央處理器將紅外視頻數(shù)據(jù)流組成連續(xù)圖像序列并對(duì)圖像序列進(jìn)行處理;本系統(tǒng)通過(guò)隨機(jī)粒子采樣和遷移控制實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤,以各個(gè)人體目標(biāo)為對(duì)象,根據(jù)各目標(biāo)的觀測(cè)粒子集,重新產(chǎn)生隨機(jī)采樣粒子,并且根據(jù)設(shè)定的無(wú)效采樣粒子的判斷規(guī)則,去除多余的粒子;對(duì)跟蹤池內(nèi)的目標(biāo)進(jìn)行狀態(tài)判定,實(shí)現(xiàn)對(duì)圖像序列中的人體目標(biāo)進(jìn)行可靠跟蹤;跟蹤結(jié)果送入視頻顯示裝置進(jìn)行顯示,該中央處理器實(shí)現(xiàn)人體目標(biāo)跟蹤的步驟如下 (1)目標(biāo)檢測(cè)監(jiān)測(cè)視頻數(shù)據(jù)流,判斷是否需要調(diào)用靜態(tài)人體目標(biāo)檢測(cè)算法,捕捉進(jìn)入視場(chǎng)的目標(biāo),并檢查目標(biāo)和跟蹤池內(nèi)的跟蹤標(biāo)識(shí)的匹配狀況,若不需要調(diào)用靜態(tài)人體目標(biāo)檢測(cè)算法,則轉(zhuǎn)入步驟(10); (2)通過(guò)靜態(tài)人體目標(biāo)檢測(cè)方法對(duì)人體目標(biāo)進(jìn)行檢測(cè); (3)檢測(cè)當(dāng)前時(shí)刻是否包含新目標(biāo),若未發(fā)現(xiàn)新目標(biāo)則轉(zhuǎn)入步驟(10); (4)目標(biāo)跟蹤初始化利用人體目標(biāo)的動(dòng)態(tài)粒子建模技術(shù)對(duì)人體目標(biāo)進(jìn)行跟蹤初始化,該技術(shù)在檢測(cè)到的人體目標(biāo)對(duì)應(yīng)圖像區(qū)域范圍內(nèi)布撒隨機(jī)粒子進(jìn)行采樣,通過(guò)粒子Mean Shift遷移完成對(duì)目標(biāo)的建模,產(chǎn)生觀測(cè)粒子集,完成目標(biāo)跟蹤初始化; (5)添加跟蹤標(biāo)識(shí)給初始化后的新目標(biāo)添加跟蹤標(biāo)識(shí),即給新目標(biāo)添加ID號(hào),并保存新目標(biāo)特征屬性; (6)新目標(biāo)加入到跟蹤池,設(shè)置新目標(biāo)的狀態(tài)機(jī); (7)跟蹤池內(nèi)目標(biāo)狀態(tài)檢查更新在下一跟蹤時(shí)刻(該跟蹤時(shí)間最小間隔,可以是一幀圖像的時(shí)間,也可以是設(shè)定的時(shí)間),以各個(gè)人體目標(biāo)為對(duì)象,根據(jù)各目標(biāo)的觀測(cè)粒子,重新產(chǎn)生隨機(jī)采樣粒子,并且根據(jù)設(shè)定的無(wú)效采樣粒子的判斷規(guī)則,利用無(wú)效粒子的剔除方法去除無(wú)效的跟蹤粒子;目標(biāo)狀態(tài)判斷采用目標(biāo)狀態(tài)機(jī)的判斷方法對(duì)跟蹤池內(nèi)的目標(biāo)進(jìn)行狀態(tài)判斷,目標(biāo)主要的狀態(tài)有目標(biāo)正常、目標(biāo)隱藏、目標(biāo)消失和目標(biāo)互相遮擋粘連; (8)獲取目標(biāo)當(dāng)前狀態(tài); (9)根據(jù)目標(biāo)當(dāng)前狀態(tài)進(jìn)行視頻顯示,再轉(zhuǎn)入步驟(1); (10)檢測(cè)跟蹤池是否為空,若跟蹤池為空,轉(zhuǎn)入步驟(9); (11)對(duì)跟蹤池內(nèi)的各目標(biāo)進(jìn)行跟蹤,轉(zhuǎn)入步驟(7); 所述步驟(7)中的無(wú)效粒子的剔除方法是根據(jù)前一時(shí)刻觀測(cè)粒子位置對(duì)應(yīng)的像素灰度分布狀態(tài),對(duì)目標(biāo)對(duì)應(yīng)的所有觀測(cè)粒子對(duì)應(yīng)的像素灰度值按照由高到低排序,按設(shè)定粒子數(shù)目或確定的百分比選取灰度較高的前面m個(gè)灰度值的平均值確定有效粒子最小灰度閾值(其中,m為自然數(shù)),以克服圖像噪聲可能對(duì)閾值選取的不利影響,將當(dāng)前時(shí)刻隨機(jī)粒子位置對(duì)應(yīng)灰度值低于這一閾值的粒子剔除,保證大部分采用粒子都落在目標(biāo)上;為保證后續(xù)跟蹤工作的順利進(jìn)行,當(dāng)所有新產(chǎn)生的跟蹤粒子都不滿足閾值限定條件時(shí),設(shè)定有效粒子集的數(shù)目下限至少為1,按照其對(duì)應(yīng)的圖像灰度值由大到小選取有效粒子。
所述步驟(7)中的目標(biāo)狀態(tài)機(jī)的判斷方法包括目標(biāo)隱藏和目標(biāo)消失的判斷根據(jù)前后時(shí)刻觀測(cè)粒子位置對(duì)應(yīng)圖像灰度差異決定;當(dāng)灰度差異大于設(shè)定閾值時(shí),目標(biāo)被認(rèn)為轉(zhuǎn)入隱藏狀態(tài);隱藏狀態(tài)連續(xù)持續(xù)一定時(shí)間(可自行設(shè)定值,也可根據(jù)采樣幀數(shù)定,或根據(jù)自己需要設(shè)定)或目標(biāo)在視場(chǎng)邊界附近轉(zhuǎn)入隱藏狀態(tài)時(shí)認(rèn)為目標(biāo)已經(jīng)消失; 目標(biāo)遮擋粘連的判斷目標(biāo)被背景遮擋的狀況標(biāo)記為隱藏;當(dāng)兩個(gè)或多個(gè)跟蹤標(biāo)記落在同一個(gè)目標(biāo)上時(shí)才確定目標(biāo)完全互相遮擋。
目標(biāo)正常的判斷為缺省狀態(tài); 本發(fā)明涉及的靜態(tài)人體目標(biāo)檢測(cè)方法采用現(xiàn)有技術(shù),如本發(fā)明人曾就此方法發(fā)表過(guò)論文。布撒隨機(jī)粒子為現(xiàn)有技術(shù),即是蒙特卡羅采樣方法。Mean Shift是均值轉(zhuǎn)移的意思,是本領(lǐng)域公知的一種算法。所述跟蹤池為對(duì)象容器,大小等同于當(dāng)前場(chǎng)景中的目標(biāo)個(gè)數(shù)。狀態(tài)機(jī)為本領(lǐng)域內(nèi)的通用名詞,即是目標(biāo)所處的狀態(tài)。
下面對(duì)本發(fā)明基于粒子動(dòng)態(tài)采樣模型的紅外人體目標(biāo)跟蹤技術(shù)作詳細(xì)說(shuō)明 1、人體目標(biāo)的動(dòng)態(tài)粒子采樣建模技術(shù) 跟蹤模型分為兩個(gè)部分狀態(tài)模型和量測(cè)模型。假定初始目標(biāo)所在的區(qū)域在圖像中的位置為S=I[ulx,uly;lrx,lry],對(duì)于較小目標(biāo),目標(biāo)區(qū)域每個(gè)像素放置一個(gè)粒子;對(duì)于較大的目標(biāo),在目標(biāo)區(qū)域按一定概率密度布撒M個(gè)隨機(jī)粒子,相當(dāng)于對(duì)目標(biāo)的灰度分布進(jìn)行抽樣采樣,樣本數(shù)為M,降低計(jì)算量。
記采樣粒子集合對(duì)每個(gè)粒子使用其所在圖像位置的灰度值作為特征值,使用Uniform核函數(shù),進(jìn)行Mean Shift收斂分析。粒子在兩軸向上Mean Shift位移向量 式中w、h分別為所用核函數(shù)的帶寬,I(x,y)為圖像(x,y)坐標(biāo)位置像素對(duì)應(yīng)的灰度值,(xpi,ypi)為粒子集中第i個(gè)粒子的坐標(biāo)位置,mx(xpi,ypi)和my(xpi,ypi)分別為粒子在兩軸向上Mean Shift位移向量。之所以采用Uniform核,是因?yàn)閷?duì)于較大的目標(biāo)圖像可以通過(guò)積分圖像加速M(fèi)ean Shift算法的執(zhí)行。當(dāng)mx(xpi,ypi),my(xpi,ypi)小于設(shè)定閾值時(shí),記錄收斂位置。由于紅外圖像中人體目標(biāo)的亮度比背景亮度要高,由Mean Shift算法的收斂特性可知,所有的粒子都向附近灰度概率密度函數(shù)的局部極大值遷移,即由背景向圖像中的人體目標(biāo)亮度較高的位置移動(dòng)。各粒子的最終收斂位置由目標(biāo)的灰度分布和所選取的帶寬函數(shù)決定。
假定所有粒子的最終收斂位置集合為即目標(biāo)的灰度密度函數(shù)的局部極大值所在位置可以用N個(gè)粒子進(jìn)行表達(dá)。當(dāng)選取合理的帶寬函數(shù)時(shí),粒子最終收斂位置并不完全依賴于目標(biāo)的外形輪廓,使用這種狀態(tài)模型,對(duì)于人體等非剛體目標(biāo)具有非常好的魯棒性,當(dāng)目標(biāo)局部被背景遮擋時(shí),狀態(tài)模型仍然有效,只是對(duì)目標(biāo)整體狀態(tài)的刻畫轉(zhuǎn)化為對(duì)目標(biāo)局部狀態(tài)的刻畫,對(duì)跟蹤而言,只是由目標(biāo)整體跟蹤轉(zhuǎn)化為局部跟蹤。
對(duì)于目標(biāo)狀態(tài)的量測(cè)通過(guò)對(duì)表達(dá)目標(biāo)狀態(tài)的所有粒子的按空間相對(duì)位置聚類分析實(shí)現(xiàn)。使用復(fù)數(shù)向量表達(dá)每個(gè)粒子的坐標(biāo)使用其位置坐標(biāo)作為特征值,對(duì)所有的粒子按空間相對(duì)位置進(jìn)行Mean Shift非監(jiān)督聚類,兩軸方向的Mean Shift向量m(Pj)為 式中g(shù)(.)為核函數(shù)的表達(dá)形式,h為核函數(shù)的半徑。當(dāng)m(Pj)為零時(shí),聚類完成。假定聚類后各類別收斂位置和包含的粒子數(shù)目{(vi,wi)}i=1L,則粒子位置的量測(cè)值為各粒子量測(cè)值的權(quán)重系數(shù)wi由其對(duì)應(yīng)類別所包含的粒子數(shù)目歸一化決定 式中L為所有的觀測(cè)粒子數(shù)。使用所有量測(cè)粒子坐標(biāo)位置的加權(quán)平均值作為運(yùn)動(dòng)軌跡點(diǎn)坐標(biāo)位置 Trajctory(x,y)=(real(vi*wi),imag(vi*wi)) 參見(jiàn)圖2(a)、(b)、(c)和(d)為建立跟蹤模型的實(shí)例。
2、隨機(jī)粒子的產(chǎn)生控制方法 以量測(cè)粒子為例,所產(chǎn)生的傳播粒子集為 {PropagateParticles}={Δdx*random(-1,1)+(xj+ΔVx) +i(Δdy*random(-1,1)+(yj+ΔVy))}repeat(M) 式中Δdx,Δdy為采樣區(qū)域控制范圍,決定了探測(cè)窗口的大小,由當(dāng)前量測(cè)粒子與其最鄰近的量測(cè)粒子之間的距離決定,并使用目標(biāo)的大小進(jìn)行寬松的約束。ΔVx,ΔVy為目標(biāo)在兩軸方向上的單步移動(dòng)距離估計(jì),M為產(chǎn)生粒子的數(shù)目。
傳播粒子的數(shù)目M由該量測(cè)粒子的傳播系數(shù)決定。在假定目標(biāo)運(yùn)動(dòng)連續(xù)性的基礎(chǔ)上,可以認(rèn)為前后兩幀圖像中目標(biāo)的加權(quán)中心位置偏移不會(huì)太大。因此,給予上一幀量測(cè)粒子加權(quán)中心位置的粒子更大的權(quán)系數(shù)。比較可靠的方法是直接將量測(cè)粒子加權(quán)中心位置作為一個(gè)新的量測(cè)粒子并賦予較大的傳播系數(shù),剩余的權(quán)系數(shù)按照其與加權(quán)中心的距離的倒數(shù)進(jìn)行分配。假定量測(cè)加權(quán)中心位置坐標(biāo)為Pc,量測(cè)粒子Pi,則權(quán)系數(shù)的分配規(guī)則可為 式中d(.)為距離函數(shù),wsc為中心采樣粒子權(quán)系數(shù),wsi為其余量測(cè)粒子中第i個(gè)采樣粒子Pi權(quán)系數(shù)。一般情況下,C取值可設(shè)置在0.3~0.7范圍內(nèi),當(dāng)目標(biāo)較小時(shí),我們甚至不需要考慮其余的量測(cè)粒子,將全部的系數(shù)權(quán)值都分配給處于加權(quán)中心位置的量測(cè)粒子,即C=1。
3、無(wú)效粒子的剔除方法 對(duì)觀測(cè)粒子對(duì)應(yīng)的圖像像素灰度值按照由大到小進(jìn)行排序,對(duì)排序好的灰度值數(shù)組按粒子總數(shù)的一定百分比或設(shè)定的最小閾值選取前面m個(gè)粒子對(duì)應(yīng)灰度值取平均作為基礎(chǔ)閾值,所有隨機(jī)粒子中對(duì)應(yīng)像素灰度值大于此值或與此值相差在一定正負(fù)百分比誤差范圍內(nèi)的粒子為有效粒子,其余的為無(wú)效粒子,(其中,m為自然數(shù))。
為使得算法的順利執(zhí)行,粒子的最小數(shù)目必須保證,用于后續(xù)算法目標(biāo)狀態(tài)機(jī)的判斷。
4、目標(biāo)屬性、操作方法及相關(guān)消息事件的定義 4.1人體目標(biāo)屬性 4.1.1的標(biāo)識(shí)目標(biāo)在整個(gè)系統(tǒng)中的唯一標(biāo)識(shí) 4.1.2目標(biāo)在某時(shí)刻的大小、位置、形狀、特征描述向量、量測(cè)粒子信息、運(yùn)動(dòng)軌跡等基本要素; 4.1.3目標(biāo)在某時(shí)刻所處的狀態(tài)機(jī)。
4.1.4狀態(tài)指針記錄目標(biāo)自出現(xiàn)至消失整個(gè)跟蹤周期的狀態(tài),為目標(biāo)屬性維護(hù)提供指針。
4.2人體屬性的操作方法 操作方法主要實(shí)現(xiàn)對(duì)目標(biāo)屬性的設(shè)置和更新方法,主要包括 4.2.1目標(biāo)跟蹤狀態(tài)維護(hù)完成參數(shù)初始化,目標(biāo)屬性的修改等工作; 4.2.2目標(biāo)跟蹤狀態(tài)顯示等方法決定要顯示的跟蹤結(jié)果的內(nèi)容及顯示方式。
4.3消息事件 人體目標(biāo)類別需要響應(yīng)兩個(gè)事件 4.3.1目標(biāo)屬性更新事件根據(jù)跟蹤池觸發(fā)的屬性更新事件,維護(hù)目標(biāo)狀態(tài); 4.3.2跟蹤結(jié)果顯示事件根據(jù)跟蹤池觸發(fā)的跟蹤結(jié)果顯示事件,對(duì)目標(biāo)的當(dāng)前跟蹤狀態(tài)進(jìn)行顯示。
4.4跟蹤池作為當(dāng)前場(chǎng)景中的所有目標(biāo)(包括被隱藏狀態(tài)的目標(biāo))的容器,其屬性定義為 4.4.1跟蹤標(biāo)識(shí)列表(Tracker List)每個(gè)目標(biāo)的跟蹤標(biāo)識(shí)號(hào) 4.4.2跟蹤標(biāo)識(shí)游標(biāo)(Tracker ID Cursor)記錄從跟蹤開(kāi)始以來(lái)所有的目標(biāo)的個(gè)數(shù); 4.4.3幀計(jì)數(shù)器(Frame Counter)記錄當(dāng)前處理圖像的信息。
4.4.4狀態(tài)事件記錄變量記錄發(fā)生隱藏和遮擋現(xiàn)象的目標(biāo)跟蹤標(biāo)識(shí)。
4.5操作方法定義 由于主要的跟蹤過(guò)程在跟蹤池類內(nèi)實(shí)現(xiàn),因此操作方法定義比較復(fù)雜 4.5.1跟蹤列表維護(hù)負(fù)責(zé)跟蹤池的建立和維護(hù)工作。
4.5.2目標(biāo)狀態(tài)機(jī)檢查對(duì)目標(biāo)的狀態(tài)機(jī)進(jìn)行檢查,判斷目標(biāo)隱藏、遮擋、消失等事件; 4.5.3狀態(tài)機(jī)處理;當(dāng)目標(biāo)的狀態(tài)機(jī)事件更新發(fā)生的處理方法。
4.5.4目標(biāo)檢測(cè)對(duì)當(dāng)前幀圖像中的目標(biāo)進(jìn)行重新檢測(cè)。
4.6消息事件定義 4.6.1狀態(tài)更新事件根據(jù)狀態(tài)檢查的結(jié)果,通知相應(yīng)的對(duì)象實(shí)體進(jìn)行狀態(tài)更新。
4.6.2跟蹤結(jié)果顯示事件通知相應(yīng)對(duì)象進(jìn)行跟蹤結(jié)果顯示。
5、目標(biāo)狀態(tài)機(jī)的判斷 對(duì)于隱藏狀態(tài)的判斷,根據(jù)觀測(cè)粒子位置對(duì)應(yīng)的圖像灰度值決定,比較方法與前面提及的無(wú)效粒子剔除方法相同,按固定百分比選出前后相鄰時(shí)刻各自有效粒子閾值,通過(guò)各自有效粒子集的灰度差異是否超過(guò)臨界閾值來(lái)判定目標(biāo)是否隱藏。
對(duì)于遮擋目標(biāo)的判斷采用一種非常簡(jiǎn)單的方法。首先了解一下什么時(shí)候發(fā)生了遮擋,如圖3所示; 當(dāng)兩個(gè)跟蹤標(biāo)記都指向同一個(gè)目標(biāo)時(shí)圖(C)認(rèn)作發(fā)生了遮擋。目標(biāo)將要發(fā)生遮擋時(shí),可根據(jù)如下簡(jiǎn)單方法判斷參見(jiàn)圖4(a)、(b)。
對(duì)兩個(gè)跟蹤標(biāo)記Tracker A和Tracker B所包圍的圖像區(qū)域進(jìn)行二值化,對(duì)二值化后的結(jié)果進(jìn)行連通區(qū)域標(biāo)注,若兩個(gè)Tracker屬于同一個(gè)連通區(qū)域,則認(rèn)為目標(biāo)發(fā)生了遮擋。
6、目標(biāo)匹配檢查 當(dāng)目標(biāo)出現(xiàn)隱藏、遮擋狀態(tài)或目標(biāo)消失時(shí)需要對(duì)跟蹤結(jié)果進(jìn)行校正。對(duì)于消失的目標(biāo),直接將其在跟蹤池列表中剔除,對(duì)于目標(biāo)隱藏和遮擋狀態(tài)時(shí),則需要調(diào)用結(jié)合目標(biāo)檢測(cè)的結(jié)果進(jìn)行校正。這里需要解決兩個(gè)問(wèn)題(1)什么時(shí)候調(diào)用目標(biāo)檢測(cè)算法;(2)如何通過(guò)目標(biāo)檢測(cè)結(jié)果校正跟蹤結(jié)果。
對(duì)于第一個(gè)問(wèn)題,設(shè)計(jì)兩種策略 (1)定時(shí)觸發(fā)當(dāng)連續(xù)跟蹤持續(xù)一定的時(shí)間時(shí),觸發(fā)目標(biāo)檢測(cè)事件,對(duì)跟蹤結(jié)果進(jìn)行校正并發(fā)現(xiàn)新出現(xiàn)的目標(biāo)。
(2)主動(dòng)觸發(fā)主動(dòng)觸發(fā)根據(jù)跟蹤池內(nèi)Tracker列表中目標(biāo)的狀態(tài)機(jī)和Tracker之間的位置關(guān)系決定。當(dāng)Tracker列表中存在隱藏目標(biāo)或某幾個(gè)Tracker之間的位置距離小于設(shè)定閾值,可能存在目標(biāo)相互遮擋時(shí),應(yīng)觸發(fā)目標(biāo)檢測(cè)事件,對(duì)跟蹤結(jié)果進(jìn)行校正。
在調(diào)用目標(biāo)檢測(cè)方法后,首先按照空間距離準(zhǔn)則對(duì)檢測(cè)到的目標(biāo)區(qū)域和Tracker位置相匹配,正常情況時(shí)Tracker和目標(biāo)是一一對(duì)應(yīng)關(guān)系。當(dāng)按照空間位置匹配后若Tracker數(shù)目還有多余并且Tracker之間的距離大于設(shè)定的最小安全距離時(shí),則可能是由于有些人體目標(biāo)被背景或其它人體目標(biāo)部分遮擋所致,跟蹤仍能正常持續(xù),只需要對(duì)匹配好的目標(biāo)的基本信息使用檢測(cè)結(jié)果更新即可,其余可以按照跟蹤結(jié)果自行更新。比較復(fù)雜的是出現(xiàn)未被Tracker匹配的目標(biāo)或目標(biāo)同時(shí)被多個(gè)Tracker匹配的情況或者兩種情況同時(shí)發(fā)生,分析出現(xiàn)這種不均衡匹配的可能的原因如圖4所示。
對(duì)于未被Tracker匹配的目標(biāo),通過(guò)看其周圍是否有隱藏目標(biāo)及遮擋目標(biāo)以及目標(biāo)出現(xiàn)的位置來(lái)確定其歸屬。當(dāng)目標(biāo)從視場(chǎng)邊界進(jìn)入或其他目標(biāo)均正常跟蹤時(shí)我們才能立即斷定該目標(biāo)是新進(jìn)入場(chǎng)景的目標(biāo),其他情況下必須完成是否為隱藏目標(biāo)重現(xiàn)或遮擋目標(biāo)分離這些檢查后才能確定目標(biāo)的Tracker歸屬。
當(dāng)兩個(gè)目標(biāo)相交分離后發(fā)生了Tracker轉(zhuǎn)移現(xiàn)象或目標(biāo)從隱藏到恢復(fù)時(shí),通過(guò)保存的目標(biāo)的歷史特征量進(jìn)行匹配,為提高匹配的準(zhǔn)確率,選用目標(biāo)的大小、空間位置、特征描述向量等特征進(jìn)行聯(lián)合決策。
圖5表明目標(biāo)和跟蹤標(biāo)記的匹配關(guān)系。
本發(fā)明創(chuàng)新主要表現(xiàn)在 (a)人體目標(biāo)的動(dòng)態(tài)粒子建模技術(shù) 通過(guò)動(dòng)態(tài)采樣模型建立目標(biāo)的跟蹤模型,通過(guò)特殊的Mean Shift方法控制粒子遷移方向,完成對(duì)目標(biāo)的動(dòng)態(tài)建模。
(b)無(wú)效粒子的剔除方法 由于隨機(jī)粒子是基于上一時(shí)刻目標(biāo)的觀測(cè)粒子產(chǎn)生,因此難免有些新產(chǎn)生的隨機(jī)粒子跑到目標(biāo)之外,本發(fā)明根據(jù)前一時(shí)刻觀測(cè)粒子位置對(duì)應(yīng)的像素灰度分布確定有效粒子最小灰度閾值,將當(dāng)前時(shí)刻隨機(jī)粒子位置對(duì)于灰度值低于這一閾值的粒子剔除,保證大部分采用粒子都落在目標(biāo)上。
(c)目標(biāo)狀態(tài)機(jī)的判斷方法 隱藏目標(biāo)和消失目標(biāo)判斷根據(jù)前后時(shí)刻觀測(cè)粒子位置對(duì)應(yīng)圖像灰度差異決定。當(dāng)灰度差異大于設(shè)定閾值時(shí),目標(biāo)被認(rèn)為轉(zhuǎn)入隱藏狀態(tài)。隱藏狀態(tài)連續(xù)持續(xù)一定時(shí)間或目標(biāo)在視場(chǎng)邊界附近轉(zhuǎn)入隱藏狀態(tài)時(shí)認(rèn)為目標(biāo)已經(jīng)消失。
遮擋目標(biāo)的判斷這里的遮擋目標(biāo)指目標(biāo)之間的互相遮擋。目標(biāo)被背景遮擋的狀況標(biāo)記為隱藏。由于每個(gè)跟蹤標(biāo)記對(duì)于一個(gè)目標(biāo),因此目標(biāo)互相遮擋時(shí)各個(gè)目標(biāo)對(duì)于的跟蹤標(biāo)識(shí)依然存在。本發(fā)明算法只有兩個(gè)或多個(gè)跟蹤標(biāo)記落在同一個(gè)目標(biāo)上時(shí)才確定目標(biāo)完全互相遮擋。
本發(fā)明基于面向?qū)ο蟮乃枷?,以?chǎng)景中的每個(gè)人體為基本對(duì)象;建立一個(gè)容器——跟蹤池,用于容納當(dāng)前場(chǎng)景中所有的人體目標(biāo)(包括被背景完全遮擋的目標(biāo));引入有限狀態(tài)機(jī)技術(shù),實(shí)現(xiàn)對(duì)場(chǎng)景中處于各種復(fù)雜狀況人體目標(biāo)的可靠跟蹤。本發(fā)明基于粒子濾波的基本思想,與傳統(tǒng)的粒子濾波算法不同,不進(jìn)行相關(guān)的預(yù)測(cè),不需要相似函數(shù)的計(jì)算,而是通過(guò)粒子遷移過(guò)程完成對(duì)目標(biāo)的可靠跟蹤。
權(quán)利要求
1、基于粒子動(dòng)態(tài)采樣模型的紅外人體目標(biāo)跟蹤系統(tǒng),該系統(tǒng)包括紅外熱像儀、圖像采集裝置、中央處理器和視頻顯示裝置;圖像采集裝置采集紅外熱像儀的視頻數(shù)據(jù)流并送給中央處理器,中央處理器將紅外視頻數(shù)據(jù)流組成連續(xù)的圖像序列并對(duì)圖像序列進(jìn)行處理;其特征在于本系統(tǒng)通過(guò)隨機(jī)粒子采樣和遷移控制實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤,以各個(gè)人體目標(biāo)為對(duì)象,根據(jù)各目標(biāo)的觀測(cè)粒子,重新產(chǎn)生隨機(jī)采樣粒子,并且根據(jù)設(shè)定的無(wú)效采樣粒子的判斷規(guī)則,去除多余的粒子;對(duì)跟蹤池內(nèi)的目標(biāo)進(jìn)行狀態(tài)判定,實(shí)現(xiàn)對(duì)圖像序列中的人體目標(biāo)進(jìn)行準(zhǔn)確跟蹤;跟蹤結(jié)果送入視頻顯示裝置進(jìn)行顯示,所述中央處理器實(shí)現(xiàn)人體目標(biāo)跟蹤的步驟如下
(1)目標(biāo)檢測(cè)監(jiān)測(cè)視頻數(shù)據(jù)流,判斷是否需要調(diào)用靜態(tài)人體目標(biāo)檢測(cè)算法,捕捉進(jìn)入視場(chǎng)的目標(biāo),并檢查目標(biāo)和跟蹤池內(nèi)的跟蹤標(biāo)識(shí)的匹配狀況,若不需要調(diào)用靜態(tài)人體目標(biāo)檢測(cè)算法,則轉(zhuǎn)入步驟(10);
(2)通過(guò)靜態(tài)人體目標(biāo)檢測(cè)方法對(duì)人體目標(biāo)進(jìn)行檢測(cè);
(3)檢測(cè)當(dāng)前時(shí)刻是否包含新目標(biāo),若未發(fā)現(xiàn)新目標(biāo)則轉(zhuǎn)入步驟(10);
(4)目標(biāo)跟蹤初始化利用人體目標(biāo)的動(dòng)態(tài)粒子建模技術(shù)對(duì)人體目標(biāo)進(jìn)行跟蹤初始化,該技術(shù)在檢測(cè)到的人體目標(biāo)對(duì)應(yīng)圖像區(qū)域范圍內(nèi)布撒隨機(jī)粒子進(jìn)行采樣,通過(guò)粒子Mean Shift遷移完成對(duì)目標(biāo)的建模,產(chǎn)生觀測(cè)粒子集,完成目標(biāo)跟蹤初始化;
(5)添加跟蹤標(biāo)識(shí)給初始化后的新目標(biāo)添加跟蹤標(biāo)識(shí),并保存新目標(biāo)特征屬性;
(6)新目標(biāo)加入到跟蹤池,設(shè)置新目標(biāo)的狀態(tài)機(jī);
(7)跟蹤池內(nèi)目標(biāo)狀態(tài)檢查更新在下一跟蹤時(shí)刻,以各個(gè)人體目標(biāo)為對(duì)象,根據(jù)各目標(biāo)的觀測(cè)粒子,重新產(chǎn)生隨機(jī)采樣粒子,并且根據(jù)設(shè)定的無(wú)效采樣粒子的判斷規(guī)則,利用無(wú)效粒子的剔除方法去除無(wú)效的跟蹤粒子;目標(biāo)狀態(tài)判斷采用目標(biāo)狀態(tài)機(jī)的判斷方法對(duì)跟蹤池內(nèi)的目標(biāo)進(jìn)行狀態(tài)判斷,目標(biāo)主要的狀態(tài)有目標(biāo)正常、目標(biāo)隱藏、目標(biāo)消失和目標(biāo)互相遮擋粘連;
(8)獲取目標(biāo)當(dāng)前狀態(tài);
(9)根據(jù)目標(biāo)當(dāng)前狀態(tài)進(jìn)行視頻顯示,再轉(zhuǎn)入步驟(1);
(10)檢測(cè)跟蹤池是否為空,若跟蹤池為空,轉(zhuǎn)入步驟(9);
(11)對(duì)跟蹤池內(nèi)的各目標(biāo)進(jìn)行跟蹤,轉(zhuǎn)入步驟(7)。
2、根據(jù)權(quán)利要求1所述的基于粒子動(dòng)態(tài)采樣模型的紅外人體目標(biāo)跟蹤系統(tǒng),其特征在于所述步驟(7)中的無(wú)效粒子的剔除方法是根據(jù)前一時(shí)刻觀測(cè)粒子位置對(duì)應(yīng)的像素灰度分布狀態(tài),對(duì)目標(biāo)對(duì)應(yīng)的所有觀測(cè)粒子對(duì)應(yīng)的像素灰度值按照由高到低排序,按設(shè)定粒子數(shù)目或確定的百分比選取灰度較高的前面m個(gè)灰度值的平均值確定有效粒子最小灰度閾值,以克服圖像噪聲可能對(duì)閾值選取的不利影響,將當(dāng)前時(shí)刻隨機(jī)粒子位置對(duì)應(yīng)灰度值低于這一閾值的粒子剔除,保證大部分采用粒子都落在目標(biāo)上;當(dāng)所有新產(chǎn)生的跟蹤粒子都不滿足閾值限定條件時(shí),設(shè)定有效粒子集的數(shù)目下限至少為1,按照其對(duì)應(yīng)的圖像灰度值由大到小選取有效粒子。
3、根據(jù)權(quán)利要求1所述的基于粒子動(dòng)態(tài)采樣模型的紅外人體目標(biāo)跟蹤系統(tǒng),其特征在于所述步驟(7)中的目標(biāo)狀態(tài)機(jī)的判斷方法包括
目標(biāo)隱藏和目標(biāo)消失的判斷根據(jù)前后時(shí)刻觀測(cè)粒子位置對(duì)應(yīng)圖像灰度差異決定;當(dāng)有效粒子集的灰度平均值差異大于設(shè)定閾值時(shí),目標(biāo)被認(rèn)為轉(zhuǎn)入隱藏狀態(tài);隱藏狀態(tài)連續(xù)持續(xù)一定時(shí)間或目標(biāo)在視場(chǎng)邊界附近轉(zhuǎn)入隱藏狀態(tài)時(shí)認(rèn)為目標(biāo)已經(jīng)消失;
目標(biāo)遮擋粘連的判斷目標(biāo)被背景遮擋的狀況標(biāo)記為隱藏;當(dāng)兩個(gè)或多個(gè)跟蹤標(biāo)記落在同一個(gè)目標(biāo)上時(shí)才確定目標(biāo)進(jìn)入互相遮擋狀態(tài)。
目標(biāo)正常的判斷為缺省狀態(tài)。
全文摘要
本發(fā)明提供一種基于粒子動(dòng)態(tài)采樣模型的紅外人體目標(biāo)跟蹤系統(tǒng),該系統(tǒng)包括紅外熱像儀、圖像采集裝置、中央處理器和視頻顯示裝置;圖像采集裝置采集紅外熱像儀的視頻數(shù)據(jù)流并送給中央處理器,中央處理器將紅外視頻數(shù)據(jù)組成連續(xù)圖像序列并對(duì)圖像序列進(jìn)行跟蹤。跟蹤方法通過(guò)隨機(jī)粒子采樣和遷移控制實(shí)現(xiàn),以各個(gè)人體目標(biāo)為對(duì)象,根據(jù)各目標(biāo)的觀測(cè)粒子,重新產(chǎn)生隨機(jī)采樣粒子,并且根據(jù)設(shè)定的無(wú)效采樣粒子的判斷規(guī)則,去除多余的粒子;對(duì)跟蹤池內(nèi)的目標(biāo)進(jìn)行狀態(tài)判定;經(jīng)中央處理器處理后的跟蹤結(jié)果送入視頻顯示裝置進(jìn)行顯示;采用面向?qū)ο蟮募夹g(shù)對(duì)人體的復(fù)雜目標(biāo)狀態(tài)進(jìn)行封裝,克服了傳統(tǒng)目標(biāo)跟蹤方法無(wú)法實(shí)現(xiàn)對(duì)紅外圖像序列中人體目標(biāo)的可靠跟蹤問(wèn)題。
文檔編號(hào)G06K9/00GK101303726SQ200810069810
公開(kāi)日2008年11月12日 申請(qǐng)日期2008年6月6日 優(yōu)先權(quán)日2008年6月6日
發(fā)明者郭永彩, 云廷進(jìn), 潮 高 申請(qǐng)人:重慶大學(xué)