專利名稱：基于霍夫森林的視頻目標(biāo)跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及視頻目標(biāo)跟蹤方法，可應(yīng)用于人機(jī)交互和目標(biāo)跟蹤等領(lǐng)域。
背景技術(shù)：
目標(biāo)跟蹤是指通過對(duì)拍攝的圖像序列進(jìn)行分析，從而計(jì)算出目標(biāo)在每幀圖像上的位置，然后得到相關(guān)的參數(shù)。目標(biāo)跟蹤是計(jì)算機(jī)視覺中一個(gè)必不可少的關(guān)鍵技術(shù)，它在機(jī)器人視覺導(dǎo)航、安全監(jiān)測(cè)、交通管制、視頻壓縮以及氣象分析等許多方面都有廣泛應(yīng)用。如軍事方面，已被成功地應(yīng)用于武器的成像制導(dǎo)、軍事偵察和監(jiān)視等。民用方面，如視覺監(jiān)控，也已被廣泛地應(yīng)用于社會(huì)生活的各方面。目標(biāo)跟蹤還可應(yīng)用于社區(qū)和重要設(shè)施的保安監(jiān)控；用于智能交通系統(tǒng)中進(jìn)行車輛的實(shí)時(shí)追蹤，從而得到車流量、車型、車速、車流密度等等許 多有價(jià)值的交通流參數(shù)，同時(shí)還可以檢測(cè)事故或故障等突發(fā)狀況。浙江工業(yè)大學(xué)提出的專利申請(qǐng)“一種基于累加直方圖粒子濾波的視頻目標(biāo)跟蹤方法”(專利申請(qǐng)?zhí)?01110101737. 9，公開號(hào)CN102184548A)公開了一種基于累加直方圖粒子濾波的視頻目標(biāo)跟蹤方法。該方法將顏色累加直方圖與粒子濾波跟蹤算法相結(jié)合，即首先根據(jù)檢測(cè)到的目標(biāo)范圍，計(jì)算目標(biāo)的顏色累加直方圖，然后初始化粒子濾波并跟蹤，得到在新的一幀中目標(biāo)的范圍，此時(shí)，以每個(gè)粒子的坐標(biāo)為中心點(diǎn)，計(jì)算得到臨時(shí)的累加直方圖和每個(gè)粒子的權(quán)重并進(jìn)行權(quán)重歸一化，并由此得到新的目標(biāo)累加直方圖，更新累加直方圖，最后采用替換選擇算法對(duì)粒子進(jìn)行重采樣。該方法雖然可以在目標(biāo)和背景顏色相似時(shí)進(jìn)行正確的跟蹤，但是，這種方法采用的是直方圖對(duì)目標(biāo)進(jìn)行描述，所以對(duì)目標(biāo)的非剛性變化不夠魯棒，很容易跟蹤失敗。蘇州大學(xué)提出的專利申請(qǐng)“基于均值漂移的視頻目標(biāo)跟蹤方法”(專利申請(qǐng)?zhí)?01010110655. 6，公開號(hào)CN101924871A)，公開了一種基于Mean Shift的視頻目標(biāo)跟蹤方法，該方法是先提取跟蹤目標(biāo)的SIFT特征，然后用Mean-Shift算法對(duì)目標(biāo)的SIFT特征進(jìn)行匹配，從而實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。這種方法雖然采用了對(duì)旋轉(zhuǎn)、尺度縮放、亮度變化保持不變性的SIFT特征，但是由于復(fù)雜度非常大，會(huì)大大降低目標(biāo)跟蹤的實(shí)時(shí)性。

發(fā)明內(nèi)容
本發(fā)明針對(duì)上述現(xiàn)有技術(shù)的不足，提出一種基于霍夫森林的視頻目標(biāo)跟蹤方法，以提高目標(biāo)跟蹤對(duì)目標(biāo)遮擋、非剛性變化的魯棒性和目標(biāo)跟蹤的實(shí)時(shí)性。實(shí)現(xiàn)本發(fā)明的技術(shù)思路是將霍夫變換與隨機(jī)森林分類器相結(jié)合作為檢測(cè)器對(duì)目標(biāo)進(jìn)行檢測(cè)，同時(shí)由Lucas-Kanade跟蹤器對(duì)目標(biāo)進(jìn)行跟蹤，將霍夫變換與隨機(jī)森林分類器結(jié)合，提高隨機(jī)森林分類器的性能，使其對(duì)目標(biāo)遮擋和目標(biāo)非剛性變化的跟蹤更加魯棒，同時(shí)通過引入的Lucas-Kanade方法調(diào)整目標(biāo)區(qū)域的尺度，進(jìn)一步確定目標(biāo)的位置，使跟蹤很好的適應(yīng)目標(biāo)的尺度變化。具體實(shí)現(xiàn)步驟包括如下(I)輸入一段視頻中的第一幀，并人工標(biāo)記出待跟蹤的目標(biāo)；
(2)從輸入的第一幀視頻圖像中，提取視頻圖像的特征，該特征包括Lab特征，梯度方向直方圖HOG特征，圖像X方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征，圖像y方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征；(3)建立并初始化霍夫森林檢測(cè)器3a)設(shè)定霍夫森林檢測(cè)器中的決策樹數(shù)目為20個(gè)，為每個(gè)決策樹隨機(jī)產(chǎn)生8對(duì)范圍在(Γ12的塊內(nèi)位置偏移量(1，s)、(p，q)，同時(shí)為每對(duì)塊內(nèi)位置偏移量I隨機(jī)選取一種特征；3b)將目標(biāo)區(qū)域作為正樣本，將目標(biāo)區(qū)域以外的區(qū)域作為負(fù)樣本，將目標(biāo)區(qū)域向四周擴(kuò)展20個(gè)像素作為樣本更新區(qū)域，在樣本更新區(qū)域內(nèi)逐個(gè)像素取12X12的圖像塊，對(duì)每個(gè)決策樹，根據(jù)8對(duì)塊內(nèi)位置偏移量(l，s)、(p，q)確定圖像塊的8個(gè)特征點(diǎn)對(duì)，提取這些特征點(diǎn)的特征i訓(xùn)練決策樹，產(chǎn)生圖像塊特征值；若圖像塊為正樣本，計(jì)算圖像塊中心與目標(biāo)中心的位置偏移量d，更新圖像塊特征值對(duì)應(yīng)的正負(fù)樣本比及該決策樹的正負(fù)樣本比，存儲(chǔ) 圖像塊特征值對(duì)應(yīng)的位置偏移量d，若圖像塊為負(fù)樣本，則只更新圖像塊編碼對(duì)應(yīng)的正負(fù)樣本比及該棵樹的正負(fù)樣本比；3c)從已經(jīng)建立的20個(gè)決策樹中，選擇正負(fù)樣本比最高的10個(gè)決策樹組成霍夫森林檢測(cè)器；(4)測(cè)目標(biāo)并進(jìn)行霍夫投票4a)載入新一幀視頻圖像，按照步驟(2)的方法提取新一幀視頻圖像的特征，并將上一幀的目標(biāo)區(qū)域擴(kuò)大一倍作為搜索區(qū)域，在搜索區(qū)域內(nèi)，以每個(gè)像素點(diǎn)為中心取12X12得圖像塊，通過隨機(jī)森林分類器中的決策樹依次對(duì)圖像塊進(jìn)行分類、計(jì)算圖像塊特征值，當(dāng)決策樹判定圖像塊屬于目標(biāo)時(shí)，根據(jù)圖像塊特征值對(duì)應(yīng)的位置偏移量d和圖像塊的中心位置計(jì)算目標(biāo)的中心位置并進(jìn)行投票；4b)取投票峰值的位置作為目標(biāo)的位置；(5) Lucas-Kanade跟蹤器跟蹤目標(biāo)，獲得目標(biāo)框大小的尺度變化s ；(6)根據(jù)霍夫森林檢測(cè)中的投票峰值和Lucas-Kanade跟蹤器的跟蹤結(jié)果，按如下規(guī)則確定目標(biāo)位置；若霍夫森林檢測(cè)中的最大投票點(diǎn)的值大于閾值1，則將檢測(cè)到的位置作為目標(biāo)在當(dāng)前幀視頻圖像中的位置，并執(zhí)行步驟(8)；若霍夫森林檢測(cè)中的最大投票點(diǎn)的值大于閾值2且小于閾值1，則當(dāng)檢測(cè)到的結(jié)果和Lucas-Kanade跟蹤得到的結(jié)果在x、y方向誤差均小于5個(gè)像素時(shí)，取檢測(cè)結(jié)果和跟蹤結(jié)果的均值作為目標(biāo)位置，且執(zhí)行步驟(8)，否則，將檢測(cè)結(jié)果作為目標(biāo)位置，執(zhí)行步驟
(7)；若霍夫森林檢測(cè)中的最大投票點(diǎn)的值大于閾值3且小于閾值2，則將檢測(cè)結(jié)果作為目標(biāo)位置，執(zhí)行步驟(7 );若霍夫森林檢測(cè)中的最大投票點(diǎn)的值小于閾值3，則將Lucas-Kanade跟蹤器的跟蹤結(jié)果作為目標(biāo)的位置，執(zhí)行步驟(7)；(7)根據(jù)目標(biāo)框大小的變化尺度s調(diào)整目標(biāo)框的寬和高，并顯示；(8)重新訓(xùn)練霍夫森林分類器8a)將目標(biāo)區(qū)域作為正樣本，將目標(biāo)區(qū)域以外的區(qū)域作為負(fù)樣本，將目標(biāo)區(qū)域擴(kuò)大20個(gè)像素，將此擴(kuò)大的區(qū)域作為更新區(qū)域；8b)在更新區(qū)域中，以每個(gè)像素點(diǎn)為中心取12X 12的圖像塊，對(duì)每個(gè)決策樹，確定該圖像塊的8對(duì)特征點(diǎn)并提取這些特征點(diǎn)的特征i訓(xùn)練決策樹，產(chǎn)生圖像塊特征值，若圖像塊為正樣本，則計(jì)算圖像塊中心與目標(biāo)中心的位置偏移量d，更新圖像塊特征值對(duì)應(yīng)的正負(fù)樣本比及該決策樹的正負(fù)樣本比，存儲(chǔ)圖像塊特征值對(duì)應(yīng)的位置偏移量d，若該圖像塊為負(fù)樣本則只更新圖像塊編碼對(duì)應(yīng)的正負(fù)樣本比以及該決策樹的正負(fù)樣本比；(9)重復(fù)步驟(4) — (8)，直到視頻結(jié)束。本發(fā)明與現(xiàn)有技術(shù)相比有以下優(yōu)點(diǎn)第一，本發(fā)明采用了霍夫投票的思想，不只對(duì)正樣本的特征進(jìn)行了學(xué)習(xí)，而且在學(xué)習(xí)過程中記錄了正樣本到目標(biāo)中心的位置偏移量，這樣即使當(dāng)目標(biāo)被部分遮擋或者發(fā)生非剛性變化時(shí)，也可以由霍夫投票得到目標(biāo)位置。 第二，本發(fā)明采用了 Lucas-Kanade跟蹤方法確定目標(biāo)的尺度變化，克服了現(xiàn)有技術(shù)中目標(biāo)框大小固定，不隨目標(biāo)大小變化的缺點(diǎn)。


圖I為本發(fā)明的流程圖；圖2為輸入的第一幀視頻圖像；圖3為在圖2中人工標(biāo)記出待跟蹤目標(biāo)的示意圖；圖4為圖2中更新區(qū)域的示意圖；圖5為輸入的新一幀視頻圖像；圖6為圖5中搜索區(qū)域的示意圖；圖7為圖5中更新區(qū)域的示意圖。具體實(shí)施措施下面結(jié)合附圖對(duì)發(fā)明做進(jìn)一步描述。參照?qǐng)DI，對(duì)本發(fā)明具體實(shí)現(xiàn)給出如下實(shí)施例步驟1，輸入一段視頻的第一幀，并人工標(biāo)記出待跟蹤的目標(biāo)。本實(shí)例輸入的一段視頻圖如圖2，它為一段人臉遮擋視頻的第一幀，圖2中的人臉為要跟蹤的目標(biāo)，即對(duì)圖2中用鼠標(biāo)框定人臉區(qū)域作為待跟蹤目標(biāo)，結(jié)果如圖3所示。步驟2，從輸入的第一幀視頻圖像中，提取視頻圖像的特征。2. I)將圖2由RGB顏色空間轉(zhuǎn)化為L(zhǎng)ab顏色空間，RGB顏色空間中R表示紅色通道、G表示綠色通道、B表示藍(lán)色通道，Lab顏色空間中L表示照度通道、a表示從紅色至綠色的通道、b表示從黃色至藍(lán)色的通道，將L通道、a通道、b通道作為提取的特征f特征3 ；2. 2)將圖2由RGB圖像轉(zhuǎn)化為灰度圖像，計(jì)算灰度圖像中每個(gè)像素點(diǎn)的梯度方向，以40°為一個(gè)區(qū)域，將各個(gè)像素點(diǎn)的梯度方向歸并量化為9個(gè)方向，統(tǒng)計(jì)各個(gè)方向的像素點(diǎn)數(shù)目，即可得到9維的梯度方向直方圖H0G，將HOG的9維向量作為特征Γ特征12 ；2. 3)對(duì)灰度圖像進(jìn)行中值濾波得到濾波后的圖像I，對(duì)圖像I的X方向求一階導(dǎo)數(shù)作為特征13，對(duì)圖像I求X方向求二階導(dǎo)數(shù)作為特征14，對(duì)圖像I求y方向求一階導(dǎo)數(shù)作為特征15，對(duì)圖像I求y方向二階導(dǎo)數(shù)作為特征16。步驟3，建立并初始化霍夫森林檢測(cè)器。
3. I)設(shè)定霍夫森林檢測(cè)器中的決策樹數(shù)目為20個(gè)，為每個(gè)決策樹隨機(jī)產(chǎn)生8對(duì)范圍在(Γ12的塊內(nèi)位置偏移3.2)將圖3所示的實(shí)線框內(nèi)的區(qū)域作為正樣本，將實(shí)線框外的區(qū)域作為負(fù)樣本，將圖3中的實(shí)線框向四周擴(kuò)展20個(gè)像素得到圖4所示的虛線框，將虛線框內(nèi)的區(qū)域作為樣本更新區(qū)域，在樣本更新區(qū)域內(nèi)逐個(gè)像素取12 X 12的圖像塊，對(duì)每個(gè)決策樹，根據(jù)8對(duì)塊內(nèi)位置偏移量(1，s)、(p，q)確定圖像塊的8個(gè)特征點(diǎn)對(duì)，提取這些特征點(diǎn)的特征i訓(xùn)練決策樹，產(chǎn)生圖像塊特征值；若圖像塊為正樣本，計(jì)算圖像塊中心與目標(biāo)中心的位置偏移量d，更新圖像塊特征值對(duì)應(yīng)的正負(fù)樣本比及該決策樹的正負(fù)樣本比，存儲(chǔ)圖像塊特征值對(duì)應(yīng)的位置偏移量d，若圖像塊為負(fù)樣本，則只更新圖像塊編碼對(duì)應(yīng)的正負(fù)樣本比及該棵樹的正負(fù)樣本比；3. 3)從已經(jīng)建立的20個(gè)決策樹中，選擇正負(fù)樣本比最高的10個(gè)決策樹組成霍夫森林檢測(cè)器。步驟4，檢測(cè)目標(biāo)并進(jìn)行霍夫投票。4. I)載入新一幀視頻圖像圖5，按照步驟2的方法提取圖5的特征，并將圖3中的目標(biāo)區(qū)域擴(kuò)大一倍的到圖6所示的虛線框內(nèi)的區(qū)域作為搜索區(qū)域，在搜索區(qū)域內(nèi)，以每個(gè)像素點(diǎn)為中心取12X12得圖像塊，通過隨機(jī)森林分類器中的決策樹依次對(duì)圖像塊進(jìn)行分類、計(jì)算圖像塊特征值，當(dāng)決策樹判定圖像塊屬于目標(biāo)時(shí)，根據(jù)圖像塊特征值對(duì)應(yīng)的位置偏移量d和圖像塊的中心位置計(jì)算目標(biāo)的中心位置并進(jìn)行投票；4. 2)取投票峰值的位置作為目標(biāo)的位置；步驟5,用Lucas-Kanade方法跟蹤目標(biāo)5. I)在圖3的目標(biāo)區(qū)域中均勻產(chǎn)生N個(gè)跟蹤點(diǎn)P1, P2. . . pN,用Lucas-Kanade跟蹤器跟蹤這些點(diǎn)，得到P1, P2. .. Pn在圖5中的對(duì)應(yīng)點(diǎn)q” q2. . . qN ；5. 2)對(duì)圖5中的點(diǎn)qi，q2. . . qN，用Lucas-Kanade跟蹤器跟蹤，得到點(diǎn)在圖3中的對(duì)應(yīng)點(diǎn) P’ I, P' 2- . . P' N ；5. 3)計(jì)算P1, P2. . . pN和p’ 1； p’ 2. . . p’ N對(duì)應(yīng)點(diǎn)之間的前向-后向誤差fb,計(jì)算Pi, P2- . . Pn和Qi, Q2- · · Qn的標(biāo)準(zhǔn)互相關(guān)系數(shù)ncc,取q” q2. . . qN中滿足以下兩個(gè)要求的點(diǎn)作為可信跟蹤點(diǎn)①前向-后向誤差fb小于前向-后向誤差中值fb_m ;②標(biāo)準(zhǔn)互相關(guān)系數(shù)ncc大于標(biāo)準(zhǔn)互相關(guān)系數(shù)中值ncc_m ；5. 4)分別計(jì)算z個(gè)可信跟蹤點(diǎn)在圖3中任意兩點(diǎn)之間的距離ai;和可信跟蹤點(diǎn)在圖5中任意兩點(diǎn)之間的距離bi;并將兩類距離之比A 二 I的均值，作為目標(biāo)框大小的變化尺
權(quán)利要求
1.一種基于霍夫森林的視頻目標(biāo)跟蹤方法，包括以下步驟 (1)輸入一段視頻的第一幀，并人工標(biāo)記出待跟蹤的目標(biāo)； (2)從輸入的第一幀視頻圖像中，提取視頻圖像的特征，該特征包括Lab特征，梯度方向直方圖HOG特征，圖像X方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征，圖像y方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征； (3)建立并初始化霍夫森林檢測(cè)器 3a)設(shè)定霍夫森林檢測(cè)器中的決策樹數(shù)目為20個(gè)，為每個(gè)決策樹隨機(jī)產(chǎn)生8對(duì)范圍在(Γ12的塊內(nèi)位置偏移量(1，s)、(p，q)，同時(shí)為每對(duì)塊內(nèi)位置偏移量I隨機(jī)選取一種特征； 3b)將目標(biāo)區(qū)域作為正樣本，將目標(biāo)區(qū)域以外的區(qū)域作為負(fù)樣本，將目標(biāo)區(qū)域向四周擴(kuò)展20個(gè)像素作為樣本更新區(qū)域，在樣本更新區(qū)域內(nèi)逐個(gè)像素取12X12的圖像塊，對(duì)每個(gè)決策樹，根據(jù)8對(duì)塊內(nèi)位置偏移量(l，s)、(p，q)確定圖像塊的8個(gè)特征點(diǎn)對(duì)，提取這些特征點(diǎn)的特征i訓(xùn)練決策樹，產(chǎn)生圖像塊特征值；若圖像塊為正樣本，計(jì)算圖像塊中心與目標(biāo)中心的位置偏移量d，更新圖像塊特征值對(duì)應(yīng)的正負(fù)樣本比及該決策樹的正負(fù)樣本比，存儲(chǔ)圖像塊特征值對(duì)應(yīng)的位置偏移量d，若圖像塊為負(fù)樣本，則只更新圖像塊編碼對(duì)應(yīng)的正負(fù)樣本比及該棵樹的正負(fù)樣本比； 3c)從已經(jīng)建立的20個(gè)決策樹中，選擇正負(fù)樣本比最高的10個(gè)決策樹組成霍夫森林檢測(cè)器； (4)檢測(cè)目標(biāo)并進(jìn)行霍夫投票 4a)載入新一幀視頻圖像，按照步驟(2)的方法提取新一幀視頻圖像的特征，并將上一幀的目標(biāo)區(qū)域擴(kuò)大一倍作為搜索區(qū)域，在搜索區(qū)域內(nèi)，以每個(gè)像素點(diǎn)為中心取12X12得圖像塊，通過隨機(jī)森林分類器中的決策樹依次對(duì)圖像塊進(jìn)行分類、計(jì)算圖像塊特征值，當(dāng)決策樹判定圖像塊屬于目標(biāo)時(shí)，根據(jù)圖像塊特征值對(duì)應(yīng)的位置偏移量d和圖像塊的中心位置計(jì)算目標(biāo)的中心位置并進(jìn)行投票； 4b)取投票峰值的位置作為目標(biāo)的位置； (5)用Lucas-Kanade跟蹤器跟蹤目標(biāo)，獲得目標(biāo)框大小的尺度變化s； (6)根據(jù)霍夫森林檢測(cè)中的投票峰值和Lucas-Kanade跟蹤器的跟蹤結(jié)果，按如下規(guī)則確定目標(biāo)位置； 若霍夫森林檢測(cè)中的投票峰值大于閾值1，則將檢測(cè)到的位置作為目標(biāo)在當(dāng)前幀視頻圖像中的位置，并執(zhí)行步驟(8); 若霍夫森林檢測(cè)中的投票峰值大于閾值2且小于閾值1，則當(dāng)檢測(cè)到的結(jié)果和Lucas-Kanade跟蹤得到的結(jié)果在x、y方向誤差均小于5個(gè)像素時(shí)，取檢測(cè)結(jié)果和跟蹤結(jié)果的均值作為目標(biāo)位置，且執(zhí)行步驟(8)，否則，將檢測(cè)結(jié)果作為目標(biāo)位置，執(zhí)行步驟(7); 若霍夫森林檢測(cè)中的投票峰值大于閾值3且小于閾值2，則將檢測(cè)結(jié)果作為目標(biāo)位置，執(zhí)行步驟(7)； 若霍夫森林檢測(cè)中的投票峰值小于閾值3，則將Lucas-Kanade跟蹤器的跟蹤結(jié)果作為目標(biāo)的位置，執(zhí)行步驟(7); (7)根據(jù)目標(biāo)框大小的變化尺度s調(diào)整目標(biāo)框的寬和高，并顯示； (8)重新訓(xùn)練霍夫森林分類器 8a)將目標(biāo)區(qū)域作為正樣本，將目標(biāo)區(qū)域以外的區(qū)域作為負(fù)樣本，將目標(biāo)區(qū)域擴(kuò)大20個(gè)像素，將此擴(kuò)大的區(qū)域作為更新區(qū)域； Sb)在更新區(qū)域中，以每個(gè)像素點(diǎn)為中心取12X12的圖像塊，對(duì)每個(gè)決策樹，確定該圖像塊的8對(duì)特征點(diǎn)并提取這些特征點(diǎn)的特征i訓(xùn)練決策樹，產(chǎn)生圖像塊特征值，若圖像塊為正樣本，則計(jì)算圖像塊中心與目標(biāo)中心的位置偏移量d，更新圖像塊特征值對(duì)應(yīng)的正負(fù)樣本比及該決策樹的正負(fù)樣本比，存儲(chǔ)圖像塊特征值對(duì)應(yīng)的位置偏移量d，若該圖像塊為負(fù)樣本則只更新圖像塊編碼對(duì)應(yīng)的正負(fù)樣本比以及該決策樹的正負(fù)樣本比； (9)重復(fù)步驟(4) — (8)，直到視頻結(jié)束。
2.根據(jù)權(quán)利要求I所述的基于霍夫森林的視頻目標(biāo)跟蹤方法，其中步驟(2)所述的從輸入的第一幀視頻圖像中，提取視頻圖像的特征，按如下步驟進(jìn)行 (2a)將視頻圖像由RGB顏色空間轉(zhuǎn)化為L(zhǎng)ab顏色空間，RGB顏色空間中R表示紅色通道、G表示綠色通道、B表示藍(lán)色通道，Lab顏色空間中L表示照度通道、a表示從紅色至綠色的通道、b表示從黃色至藍(lán)色的通道，將L通道、a通道、b通道作為提取的特征f特征3。
(2b)將視頻圖像由RGB圖像轉(zhuǎn)化為灰度圖像，計(jì)算灰度圖像中每個(gè)像素點(diǎn)的梯度方向，以40°為一個(gè)區(qū)域，將各個(gè)像素點(diǎn)的梯度方向歸并量化為9個(gè)方向，統(tǒng)計(jì)各個(gè)方向的像素點(diǎn)數(shù)目，即可得到9維的梯度方向直方圖HOG，將HOG的9維向量作為特征Γ特征12。
(2c)對(duì)灰度圖像進(jìn)行中值濾波得到濾波后的圖像I，對(duì)圖像I的X方向求一階導(dǎo)數(shù)作為特征13，對(duì)圖像I求X方向求二階導(dǎo)數(shù)作為特征14，對(duì)圖像I求y方向求一階導(dǎo)數(shù)作為特征15，對(duì)圖像I求y方向二階導(dǎo)數(shù)作為特征16。
3.根據(jù)權(quán)利要求I所述的基于霍夫森林的視頻目標(biāo)跟蹤方法，其中步驟3b)所述的根據(jù)8個(gè)塊內(nèi)位置偏移量(1 r,, Pj, Qj)確定圖像塊的8個(gè)特征點(diǎn)對(duì)，提取這些特征點(diǎn)對(duì)的特征i訓(xùn)練決策樹，產(chǎn)生圖像塊特征值，如下步驟進(jìn)行 (3a)假設(shè)圖像塊的中心位置為(x，y)，且一個(gè)特征點(diǎn)對(duì)包括特征點(diǎn)I和特征點(diǎn)2，將U，y)與第j對(duì)塊內(nèi)位置偏移量(1，s)、(P, q)相加，得到坐標(biāo)(x+1 j, y+rj)和坐標(biāo)(x+Pj, y+q」)，將坐標(biāo)(x+1」，y+rj)所對(duì)應(yīng)的像素點(diǎn)作為第j個(gè)特征點(diǎn)對(duì)的特征點(diǎn)1，將坐標(biāo)(x+lx2，y+ly2)所對(duì)應(yīng)的像素點(diǎn)作為第j個(gè)特征點(diǎn)對(duì)的特征點(diǎn)2 ； (3b)比較第j個(gè)特征點(diǎn)對(duì)的特征點(diǎn)I和特征點(diǎn)2的特征值得到第j個(gè)特征點(diǎn)對(duì)的標(biāo)識(shí)位IV若特征點(diǎn)I的特征值大于特征點(diǎn)2的特征值，則1 = 1，若特征點(diǎn)I的特征值小于特征點(diǎn)2的特征值,則mj = O ; (3c)將8個(gè)特征點(diǎn)對(duì)的標(biāo)識(shí)位Iii1 m8依次排列得到圖像塊特征值nyiyiyiyiyiyiviis。
4.根據(jù)權(quán)利要求I所述的基于霍夫森林的視頻目標(biāo)跟蹤方法，其中步驟(5)所述的用Lucas-Kanade跟蹤器跟蹤目標(biāo)，獲得目標(biāo)框大小的尺度變化S，按如下步驟進(jìn)行 (4a)在t-Ι時(shí)刻視頻圖像Il的目標(biāo)區(qū)域中均勻產(chǎn)生一系列N個(gè)跟蹤點(diǎn)P1, P2. . . pN，用Lucas-Kanade跟蹤器跟蹤這些點(diǎn)，得到P1, Pf Pn在t時(shí)刻視頻圖像12中的對(duì)應(yīng)點(diǎn)Qi 0^2· · · Qn(4b)對(duì)t時(shí)刻視頻圖像12中的點(diǎn)q” qN,用Lucas-Kanade跟蹤器跟蹤得到Q1, Q2- · · qN在t-Ι時(shí)刻視頻圖像Il中的對(duì)應(yīng)點(diǎn)P’ P’ 2· · · P’ N ; (4c)計(jì)算t-Ι時(shí)刻視頻圖像Il中跟蹤點(diǎn)P1, P2... P1^P P’!, P’ 2... P’ 1^對(duì)應(yīng)點(diǎn)之間的前向-后向誤差fb,計(jì)算P1, P2. . . Pn和q” q2. · · qN的標(biāo)準(zhǔn)互相關(guān)系數(shù)ncc,取q” q2. . . qN中滿足以下兩個(gè)要求的點(diǎn)作為可信跟蹤點(diǎn)①前向-后向誤差fb小于前向-后向誤差中值fb_m ;②標(biāo)準(zhǔn)互相關(guān)系數(shù)ncc大于標(biāo)準(zhǔn)互相關(guān)系數(shù)中值ncc_m ；(4d)分別計(jì)算z個(gè)可信跟蹤點(diǎn)在t-Ι時(shí)刻視頻圖像Il中任意兩點(diǎn)之間的距離％，和可信跟蹤點(diǎn)在t時(shí)刻視頻圖像12中任意兩點(diǎn)之間的距離bi;并將兩類距離之比 的均 值，作為目標(biāo)框大小的變化尺度s，其中i = l，2...
5.根據(jù)權(quán)利要求I所述的基于霍夫森林的視頻目標(biāo)跟蹤方法，其中步驟(7)所述的根據(jù)目標(biāo)框大小的變化尺度s調(diào)整目標(biāo)框的寬和高，是通過以下兩個(gè)公式實(shí)現(xiàn)Ws = w X shs = hX s 其中，W表示調(diào)整前的目標(biāo)框?qū)?，s表示目標(biāo)框大小的變化尺度，Ws表示調(diào)整后的目標(biāo)框?qū)?，h表示調(diào)整前的目標(biāo)框高，hs表示調(diào)整后的目標(biāo)框高。
全文摘要
本發(fā)明公開一種基于霍夫森林的視頻目標(biāo)跟蹤方法，主要解決現(xiàn)有技術(shù)中當(dāng)目標(biāo)被部分遮擋或發(fā)生非剛性變化時(shí)容易跟蹤失敗的問題。其方法步驟為(1)輸入一段視頻的第一幀，并人工標(biāo)記出待跟蹤的目標(biāo)；(2)從輸入的第一幀視頻圖像中，提取視頻圖像的特征；(3)建立并初始化霍夫森林檢測(cè)器；(4)檢測(cè)目標(biāo)并進(jìn)行霍夫投票；(5)用Lucas-Kanade跟蹤器跟蹤目標(biāo)，獲得目標(biāo)框大小的尺度變化s；(6)根據(jù)霍夫森林檢測(cè)中的投票峰值和Lucas-Kanade跟蹤器的跟蹤結(jié)果，確定目標(biāo)位置；(7)根據(jù)目標(biāo)框大小的尺度變化s調(diào)整目標(biāo)框的寬和高，并顯示；(8)重新訓(xùn)練霍夫森林檢測(cè)器；(9)重復(fù)步驟(4)—步驟(8)，直到視頻結(jié)束。本發(fā)明具有對(duì)遮擋目標(biāo)跟蹤準(zhǔn)確的優(yōu)點(diǎn)，可用于人機(jī)交互和交通監(jiān)控領(lǐng)域。
文檔編號(hào)G06T7/20GK102831618SQ20121025326
公開日2012年12月19日 申請(qǐng)日期2012年7月20日 優(yōu)先權(quán)日2012年7月20日
發(fā)明者田小林, 焦李成, 李敏敏, 張小華, 王桂婷, 朱虎明 申請(qǐng)人:西安電子科技大學(xué)