一種基于顯著度的目標(biāo)跟蹤方法
【專利摘要】本發(fā)明公開了一種基于顯著度的目標(biāo)跟蹤方法，本發(fā)明首先把目標(biāo)分塊，并根據(jù)小塊構(gòu)建目標(biāo)外貌模型。然后采用粒子濾波得到候選對象集合，并對每個候選對象構(gòu)建與目標(biāo)相同的外貌模型。接下來采用基于局部的顯著度計算方法，得到目標(biāo)的顯著度圖，并根據(jù)顯著度圖計算每個小塊的權(quán)重。最后根據(jù)候選對象與目標(biāo)的外貌模型以及各個小塊的權(quán)重，我們得到各個候選對象與目標(biāo)的相似度，并把相似度最高的候選對象作為跟蹤結(jié)果。本發(fā)明通過引入顯著度信息，使得目標(biāo)外貌模型突出反映顯著區(qū)域的特征，從而提高了目標(biāo)跟蹤算法的魯棒性。
【專利說明】一種基于顯著度的目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于計算機(jī)視覺領(lǐng)域，尤其涉及一種基于顯著度的目標(biāo)跟蹤方法。
【背景技術(shù)】
[0002]目標(biāo)跟蹤是計算機(jī)視覺領(lǐng)域的重要組成部分，他在行為分析，視頻監(jiān)控，交通管制，軍事等方面有著廣泛的應(yīng)用。近些年來，雖然目標(biāo)跟蹤已經(jīng)取得了一系列突破性的進(jìn)展，但當(dāng)發(fā)生遮擋，光照變化，姿態(tài)變化等情況時，目標(biāo)跟蹤算法依然存在問題。目前，目標(biāo)跟蹤仍然是國際上熱門的研究課題。
[0003]現(xiàn)有的目標(biāo)跟蹤算法大致可歸為判別式方法和生成式方法。判別式方法把跟蹤看成二元分類問題，通過構(gòu)造二元分類器把目標(biāo)從背景中區(qū)分出來，從而達(dá)到跟蹤的效果。例如Kalal等人提出一種P-N學(xué)習(xí)算法來提取正負(fù)樣本間可能存在的結(jié)構(gòu)信息，來學(xué)習(xí)一種有效的分類器進(jìn)行目標(biāo)跟蹤。
[0004]生成式方法通過尋找圖像中跟目標(biāo)模型最接近的區(qū)域來實(shí)現(xiàn)跟蹤。例如WeiZhong>Huchuan Lu和Ming-Hsuan Yang提出一種基于稀疏的外貌模型,通過排除可能發(fā)生遮擋的小塊，來提高目標(biāo)跟蹤算法對遮擋的魯棒性。
[0005]上述的方法對目標(biāo)中的每個區(qū)域都平等對待，而沒有區(qū)分主次。事實(shí)上，目標(biāo)中的有些區(qū)域在視覺上非常顯著，能夠很容易加以區(qū)分；而有些區(qū)域包含噪聲，對外貌模型造成干擾。

【發(fā)明內(nèi)容】

[0006]為了解決上述的技術(shù)問題，提高目標(biāo)跟蹤算法的魯棒性，本發(fā)明提供了一種基于顯著度的目標(biāo)跟蹤算法。
[0007]本發(fā)明所采用的技術(shù)方案是:一種基于顯著度的目標(biāo)跟蹤方法，其特征在于，包括以下步驟:
[0008]步驟1:構(gòu)建目標(biāo)外貌模型，其具體實(shí)現(xiàn)過程是針對目標(biāo)采用固定窗口大小的滑動窗口，得到目標(biāo)區(qū)域內(nèi)的M個小塊，構(gòu)建目標(biāo)外貌模型，并表示為{a。Ci2，…，αΜ}；
[0009]步驟2:得到候選對象:根據(jù)粒子濾波，通過在目標(biāo)區(qū)域附近隨機(jī)采樣的方法得到N個候選對象，并一一對所述的N個候選對象構(gòu)建與目標(biāo)相同的外貌模型，其中第i個候選對象外貌模型表示為抓忠/?} =
[0010]步驟3:計算所述的目標(biāo)的顯著度圖；
`[0011]步驟4:根據(jù)顯著度圖，一一計算步驟I中所述的目標(biāo)外貌模型中M個小塊的權(quán)重；
[0012]步驟5:計算每個候選對象與目標(biāo)的相似度；
[0013]步驟6:選擇相似度最高的候選對象為跟蹤結(jié)果。
[0014]作為優(yōu)選，步驟3中所述的計算所述的目標(biāo)的顯著度圖，其具體實(shí)現(xiàn)過程是對所述的目標(biāo)的任一像素點(diǎn)O,其臨近像素點(diǎn)為(PdP2, "'PkK其中k為臨近像素點(diǎn)個數(shù),計算O與臨近像素點(diǎn)的距離，得到W1, d2,…，dk}，其中Cli的計算方法為:
[0015]
【權(quán)利要求】
1.一種基于顯著度的目標(biāo)跟蹤方法，其特征在于，包括以下步驟: 步驟1:構(gòu)建目標(biāo)外貌模型，其具體實(shí)現(xiàn)過程是針對目標(biāo)采用固定窗口大小的滑動窗口，得到目標(biāo)區(qū)域內(nèi)的M個小塊，構(gòu)建目標(biāo)外貌模型，并表示為{ai，CI2，…，αΜ}； 步驟2:得到候選對象:根據(jù)粒子濾波，通過在目標(biāo)區(qū)域附近隨機(jī)采樣的方法得到N個候選對象，并一一對所述的N個候選對象構(gòu)建與目標(biāo)相同的外貌模型，其中第i個候選對象外貌模型表示為{虎,慮/?}; 步驟3:計算所述的目標(biāo)的顯著度圖； 步驟4:根據(jù)顯著度圖，一一計算步驟I中所述的目標(biāo)外貌模型中M個小塊的權(quán)重； 步驟5:計算每個候選對象與目標(biāo)的相似度； 步驟6:選擇相似度最高的候選對象為跟蹤結(jié)果。
2.根據(jù)權(quán)利要求1所述的基于顯著度的目標(biāo)跟蹤方法，其特征在于:步驟3中所述的計算所述的目標(biāo)的顯著度圖，其具體實(shí)現(xiàn)過程是對所述的目標(biāo)的任一像素點(diǎn)O，其臨近像素點(diǎn)為{PpPh…，pk}，其中k為臨近像素點(diǎn)個數(shù)，計算ο與臨近像素點(diǎn)的距離，得到Wud2,…，dk}，其中Cli的計算方法為:
3.根據(jù)權(quán)利要求1所述的基于顯著度的目標(biāo)跟蹤方法，其特征在于:步驟4中所述的一一計算步驟I中所述的目標(biāo)外貌模型中M個小塊的權(quán)重，其具體實(shí)現(xiàn)方法為:
4.根據(jù)權(quán)利要求1所述的基于顯著度的目標(biāo)跟蹤方法，其特征在于:步驟5中所述的計算每個候選對象與目標(biāo)的相似度，其中第i個候選對象與目標(biāo)的相似度計算方法為:
【文檔編號】G06T7/00GK103824299SQ201410086703
【公開日】2014年5月28日 申請日期:2014年3月11日 優(yōu)先權(quán)日:2014年3月11日
【發(fā)明者】胡瑞敏, 王亦民, 梁超, 羅波, 鄭琪, 熊明福 申請人:武漢大學(xué)