專利名稱：一種多特征融合的紅外圖像目標(biāo)實(shí)時(shí)跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明設(shè)計(jì)一種多特征融合的紅外圖像目標(biāo)跟蹤方法，特別涉及一種適合硬件實(shí)時(shí)實(shí)現(xiàn)的紅外圖像目標(biāo)跟蹤方法。
背景技術(shù)：
近年來，隨著集成電路工藝和紅外材料的發(fā)展，紅外成像技術(shù)取得了很大進(jìn)步，在國防建設(shè)和國民經(jīng)濟(jì)領(lǐng)域得到廣泛應(yīng)用。然而，與可見光圖像相比，紅外圖像信噪比相對較低，因此在進(jìn)行紅外圖像目標(biāo)檢測和跟蹤時(shí)只能提供有限的信息。由于紅外圖像中目標(biāo)特征不明顯，存在大的背景雜波等問題，導(dǎo)致紅外圖像目標(biāo)的精確跟蹤變得更加困難。目前，目標(biāo)跟蹤算法分為基于模型的跟蹤方法和基于外觀的跟蹤方法兩大類。與模型跟蹤法相比，外觀跟蹤法避免了建立模型的復(fù)雜過程，具有更廣的工程實(shí)用價(jià)值。其中，均值漂移跟蹤算法因其簡單、魯棒、實(shí)時(shí)性好的特點(diǎn)在目標(biāo)跟蹤中得到廣泛應(yīng)用。均值漂移是一種無參密度計(jì)算方法，通過多次迭代搜索與樣本分布最相似的分布模式。Comaniciu等人通過尋找目標(biāo)顏色直方圖與候選目標(biāo)顏色直方圖相似度的極大值，提出一種均值漂移目標(biāo)跟蹤算法。Chu等人將Kalman濾波器用于預(yù)測Mean Shift的初始迭代位置，但是當(dāng)目標(biāo)被嚴(yán)重遮擋時(shí)，由于Mean Shift算法尋找到的目標(biāo)位置點(diǎn)不準(zhǔn)確，存在一定偏差。Collins等提出一種能選取易辨識顏色特征的自適應(yīng)跟蹤方法，其中候選顏色特征集包含由像素點(diǎn)R、G、B值線性組合計(jì)算得到的49組特征.由于采用的候選集較大，特征選取的運(yùn)算開銷也很大。因此，現(xiàn)有的目標(biāo)跟蹤算法存在以下缺點(diǎn)(1)經(jīng)典的目標(biāo)跟蹤算法采用單一特征描述目標(biāo)，抗干擾能力差；(2)多數(shù)現(xiàn)有的多特征目標(biāo)跟蹤算法僅僅利用當(dāng)前幀計(jì)算特征間的權(quán)重系數(shù)，當(dāng)目標(biāo)進(jìn)行復(fù)雜變化，跟蹤算法魯棒性差；(3)多數(shù)現(xiàn)有的跟蹤算法在目標(biāo)出現(xiàn)非剛性變形、局部遮擋及交疊的情況下，跟蹤精度下降，甚至出現(xiàn)目標(biāo)丟失；(4)多數(shù)現(xiàn)有的跟蹤算法在提高目標(biāo)跟蹤精度的同時(shí)，大大增加了算法復(fù)雜度，不易硬件實(shí)時(shí)實(shí)現(xiàn)。

發(fā)明內(nèi)容
發(fā)明目的本發(fā)明所要解決的技術(shù)問題是針對現(xiàn)有技術(shù)的不足，提供一種多特征融合的紅外圖像目標(biāo)實(shí)時(shí)跟蹤方法。為了解決上述技術(shù)問題，本發(fā)明公開了一種多特征融合的紅外圖像目標(biāo)實(shí)時(shí)跟蹤方法，包括以下步驟( I)初始化目標(biāo)跟蹤點(diǎn)位置yQ。初始跟蹤點(diǎn)由人工指定；(2)初始化目標(biāo)模型，以初始跟蹤點(diǎn)I0為中心建立目標(biāo)灰度模型qi和目標(biāo)LBP紋理模型 q2 ; (local binary pattern, LBP)局部二值模式。(3)計(jì)算目標(biāo)候選模型，根據(jù)目標(biāo)的跟蹤點(diǎn)位置10，計(jì)算候選目標(biāo)灰度模型P1 (y0)和候選目標(biāo)LBP紋理模型P2 (y0)；(4)利用灰度特征 Bhattacharyya (巴塔查里亞 Bhattacharyya,參見 Visual C++數(shù)字圖像處理，第466頁，作者謝鳳英，2008年第一版，電子工業(yè)出版社。)系數(shù)P !和LBP紋理特征的Bhattacharyya系數(shù)P 2，以及灰度特征的權(quán)重系數(shù)a j和LBP紋理特征的權(quán)重系數(shù)α 2,計(jì)算位置Iq處聯(lián)合特征Bhattacharyya系數(shù)P ,表達(dá)式如下P = a J · P !+ α 2 · ρ 2 ；(5)計(jì)算當(dāng)前幀目標(biāo)新位置71 ；(6)利用灰度特征Bhattacharyya系數(shù)P ' i和LBP紋理特征Bhattacharyya系數(shù)P ' 2，以及灰度特征的權(quán)重系數(shù)α ' i和LBP紋理特征的權(quán)重系數(shù)α ' 2，計(jì)算位置處聯(lián)合特征Bhattacharyya系數(shù)P ’，表達(dá)式如下；ρ = α , ! · P ,片 α , 2 · P , 2,(7)當(dāng) P’〈P 時(shí),J1+ ，否則 y!保持不變；(8)若(Ycry1) |〈ε，停止計(jì)算，否則，將yi賦值給L并執(zhí)行步驟(3)，其中，ε是誤差常系數(shù)。步驟(2 )中，目標(biāo)灰度模型Q1為
權(quán)利要求
1.一種多特征融合的紅外圖像目標(biāo)實(shí)時(shí)跟蹤方法，其特征在于，包括以下步驟 (1)給定目標(biāo)初始跟蹤點(diǎn)位置I0; (2)初始化目標(biāo)模型，以初始跟蹤點(diǎn)I0為中心建立目標(biāo)灰度模型qi和目標(biāo)LBP紋理模Mq2; (3 )計(jì)算目標(biāo)候選模型，根據(jù)目標(biāo)的跟蹤點(diǎn)位置10，計(jì)算候選目標(biāo)灰度模型P1 (y0)和候選目標(biāo)LBP紋理模型p2 (yQ)； (4)利用灰度特征Bhattacharyya系數(shù)P丨和LBP紋理特征的Bhattacharyya系數(shù)P 2，以及灰度特征的權(quán)重系數(shù)α !和LBP紋理特征的權(quán)重系數(shù)α 2，計(jì)算位置J0處聯(lián)合特征Bhattacharyya系數(shù)P ,表達(dá)式如下
2.根據(jù)權(quán)利要求I所述的一種多特征融合的紅外圖像目標(biāo)實(shí)時(shí)跟蹤方法，其特征在于，步驟(2)中，目標(biāo)灰度模型qi為
3.根據(jù)權(quán)利要求I所述的一種多特征融合的紅外圖像目標(biāo)實(shí)時(shí)跟蹤方法，其特征在于，步驟(3)中，候選目標(biāo)灰度模型P1為 候選目標(biāo)LBP紋理模型P2S : Pu為目標(biāo)灰度模型灰度特征的各級概率密度，Pv為目標(biāo)灰度模型灰度特征和LBP紋理特征的各級概率密度，Hi1為目標(biāo)灰度模型灰度特征的最大量化級數(shù)范圍，m2為LBP紋理特征的最大量化級數(shù)范圍，U表示灰度量化級數(shù)，V表示紋理量化級數(shù)。
4.根據(jù)權(quán)利要求I所述的一種多特征融合的紅外圖像目標(biāo)實(shí)時(shí)跟蹤方法，其特征在于，步驟(4)中灰度特征的權(quán)重系數(shù)\和1^ 紋理特征的權(quán)重系數(shù)Ci2，步驟(6)中灰度特征的權(quán)重系數(shù)α ' I和LBP紋理特征的權(quán)重系數(shù)α ' 2采用迭代方式更新，計(jì)算式分別如下
5.根據(jù)權(quán)利要求4所述的一種多特征融合的紅外圖像目標(biāo)實(shí)時(shí)跟蹤方法，其特征在于，步驟(4)中當(dāng)前幀灰度特征的權(quán)重系數(shù)Ci1，■和LBP紋理特征的權(quán)重系數(shù)α2,·，步驟(6)中當(dāng)前幀灰度特征的權(quán)重系數(shù)a / ι cur和LBP紋理特征的權(quán)重系數(shù)a / 2, cur,計(jì)算式分別如下
6.根據(jù)權(quán)利要求5所述的一種多特征融合的紅外圖像目標(biāo)實(shí)時(shí)跟蹤方法，其特征在于，步驟(6)中灰度特征Bhattacharyya系數(shù)P ' ι和LBP紋理特征的Bhattacharyya系數(shù)P ' 2，以及灰度特征的權(quán)重系數(shù)α ' i和LBP紋理特征的權(quán)重系數(shù)α ' 2通過以下公式得到
全文摘要
本發(fā)明公開了一種多特征融合的紅外圖像目標(biāo)實(shí)時(shí)跟蹤方法，包括以下步驟初始化目標(biāo)跟蹤點(diǎn)位置；初始化目標(biāo)模型；計(jì)算目標(biāo)候選模型；計(jì)算的聯(lián)合特征Bhattacharyya系數(shù)及特征間權(quán)重系數(shù)；計(jì)算當(dāng)前幀目標(biāo)跟蹤新位置；估計(jì)新位置的聯(lián)合特征Bhattacharyya系數(shù)；比較前后兩個(gè)聯(lián)合特征Bhattacharyya系數(shù)，并輸出結(jié)果。本發(fā)明自適應(yīng)計(jì)算多特征間的權(quán)重系數(shù)，增強(qiáng)了目標(biāo)跟蹤魯棒性，保證了目標(biāo)跟蹤穩(wěn)定性，解決了單一特征不穩(wěn)定造成的跟蹤點(diǎn)漂移問題，有效提高了目標(biāo)跟蹤精度。
文檔編號G06T7/20GK102930558SQ20121039768
公開日2013年2月13日 申請日期2012年10月18日 優(yōu)先權(quán)日2012年10月18日
發(fā)明者白俊奇, 趙春光, 王壽峰, 翟尚禮, 汪洋 申請人:中國電子科技集團(tuán)公司第二十八研究所