一種利用運動模糊信息的物體跟蹤方法
【專利摘要】本發(fā)明公開了一種利用運動模糊信息的物體跟蹤方法，首先提取跟蹤目標特征，利用模糊核函數構造模糊目標圖像；然后利用得到的清晰目標和模糊目標并對圖像分塊構造字典；接著利用構造的字典采用稀疏表示方法表示跟蹤目標，利用系數提取運動信息；采用粒子濾波算法定位跟蹤目標，跟蹤目標由分塊系數確定，粒子濾波算法中的粒子采樣分布與運動信息相關；最后利用新跟蹤到的目標，結合稀疏編碼和增量學習進行字典更新。本發(fā)明的方法，利用構造的字典可以解決圖像因運動模糊降級造成的特征不易提取問題，利用運動信息可以提高物體跟蹤算法準確度與運行速度。
【專利說明】一種利用運動模糊信息的物體跟蹤方法

【技術領域】
[0001] 本發(fā)明涉及計算機視覺領域，特別涉及一種利用運動模糊信息的物體跟蹤方法。

【背景技術】
[0002] 在計算機視覺領域中，跟蹤問題是一個研究熱點，跟蹤算法的效果受多方面的因 素影響，目前的工作主要在處理如下的影響因素：圖像噪聲、復雜運動、物體發(fā)生非剛性形 變、部分或者完全遮擋、背景干擾、光照變化、實時性要求等。在許多應用中，一般都假設物 體沒有突然運動，物體保持恒定的速度移動，視頻中不存在運動模糊等。但是在實際中運動 模糊是不可避免，產生運動模糊的原因有：物體運動過快、曝光時間過短、相機運動等，運動 模糊在物體跟蹤問題中十分常見。
[0003] 運動模糊對于物體跟蹤影響很大，運動模糊直接造成的結果就是圖像降級。對于 跟蹤算法，首要解決的兩個關鍵問題就是目標建模與目標定位，其中目標建模主要就是提 取跟蹤目標的特征，而圖像質量直接影響特征提取。所以要構建一個魯棒性的跟蹤系統(tǒng)，解 決運動模糊的問題是十分重要的。而目前關于運動模糊的處理主要是圖像處理層面，即主 要研究圖像去模糊的方法，而對于運動模糊在跟蹤方面的問題并不做特別處理。


【發(fā)明內容】

[0004] 本發(fā)明的目的在于克服現有技術的缺點與不足，提供一種利用運動模糊信息的物 體跟蹤方法。
[0005] 本發(fā)明的目的通過以下的技術方案實現：
[0006] -種利用運動模糊信息的物體跟蹤方法，包含以下順序的步驟：
[0007] S1.提取跟蹤目標的灰度特征，利用模糊核函數構造不同模糊尺度和模糊方向的 模糊目標圖像；
[0008] S2.利用得到的清晰目標和模糊目標做圖像分塊處理，每幅圖像分割成可重疊的 若干個小塊，每個小塊作為字典的一個條目，構造稀疏編碼字典；
[0009] S3.利用構造的稀疏編碼字典采用稀疏表示方法表示跟蹤目標，對各個方向和尺 度的條目系數疊加，利用得到系數提取運動信息，包括運動方向和運動大?。?br> [0010] S4.對稀疏表示的系數重新處理，按照塊位置疊加，取對角線系數，結合粒子濾波 算法定位跟蹤目標；
[0011] S5.利用新跟蹤到的目標結合稀疏編碼和增量學習對字典進行更新；
[0012] S6.重復上述步驟S3?S5,直到跟蹤結束。
[0013] 所述的步驟S1，具體包含以下順序的步驟：
[0014] A、初始幀假設為清晰圖像，從初始幀提取跟蹤目標的灰度特征；
[0015] B、利用清晰圖像與PSF函數做卷積運算得到模擬的模糊圖像，卷積運算公式為：
[0016]

【權利要求】
1. 一種利用運動模糊信息的物體跟蹤方法，其特征在于，包含以下順序的步驟：
51. 提取跟蹤目標的灰度特征，利用模糊核函數構造不同模糊尺度和模糊方向的模糊 目標圖像；
52. 利用得到的清晰目標和模糊目標做圖像分塊處理，每幅圖像分割成可重疊的若干 個小塊，每個小塊作為字典的一個條目，構造稀疏編碼字典；
53. 利用構造的稀疏編碼字典采用稀疏表示方法表示跟蹤目標，對各個方向和尺度的 條目系數疊加，利用得到系數提取運動信息，包括運動方向和運動大??；
54. 對稀疏表示的系數重新處理，按照塊位置疊加，取對角線系數，結合粒子濾波算法 定位跟蹤目標；
55. 利用新跟蹤到的目標結合稀疏編碼和增量學習對字典進行更新；
56. 重復上述步驟S3?S5,直到跟蹤結束。
2. 根據權利要求1所述的利用運動模糊信息的物體跟蹤方法，其特征在于，所述的步 驟S1，具體包含以下順序的步驟： A、 初始幀假設為清晰圖像，從初始幀提取跟蹤目標的灰度特征； B、 利用清晰圖像與PSF函數做卷積運算得到模擬的模糊圖像，卷積運算公式為：
其中Is (X)表示清晰圖像，I(x)表示計算機模擬的運動模糊圖像，v是二維矢量，表示 運動方向和運動幅度； v作為參數，設置不同的v值得到不同的模糊圖像，對于v的方向取8個不同的方向，分 別為π/4, π/2,……，2π，而幅度的取值與圖像的模糊程度相關，取η個等級，最終得到8η 個不同方向不同運動幅度的運動模糊圖像。
3. 根據權利要求1所述的利用運動模糊信息的物體跟蹤方法，其特征在于，步驟S2中， 所述的稀疏編碼字典的具體構造步驟如下： Α、擴充清晰圖像模板，利用初始幀圖像提取出跟蹤目標特征，對目標特征做平移和旋 轉變換，得到若干個清晰圖像模板； Β、對每個圖像模板的圖像做分塊處理，分割成若干個可重疊的小塊，分割方法如下，對 于一幅寬度為32的圖像，在寬度做分割的方法可以為1?16為第一小塊，8?24為第二小 塊，16?32第三小塊，這樣就可以對寬度分割成3部分，同理可處理高度，對于一幅像素值 為32 X 32的圖像，按照上述處理，可以得到3 X 3個小塊； C、 對每個小塊提取灰度特征，作為字典的一個條目，即可完成字典構造；最后得到的字 典可以表示為：
其中i表示第i個運動方向，j表示第j個運動等級，k表示每個模板分割成的第k個 小塊； D、 對字典做歸一化處理。
4. 根據權利要求1所述的利用運動模糊信息的物體跟蹤方法，其特征在于，步驟S3中， 所述的跟蹤目標存在運動模糊時，圖像降級，為了能夠表示降級的跟蹤目標，采用基于子空 間表示的稀疏編碼表示跟蹤目標并提取運動信息，具體步驟如下： A、 稀疏表不模型為：
其中T為稀疏編碼字典，c為稀疏編碼系數，求解此模型采用Lasso算法；Y為經過分 塊的跟蹤目標特征，此時稀疏表示模型采用Frobenius范數，根據設計的字典，系數c為 (iXjXk) Xk 矩陣； B、 提取運動信息，稀疏編碼為獨立成分分析的推廣，由構造的稀疏編碼字典T，模糊模 板構造的每個條目代表了不同的運動方向和運動幅度，對應的系數c則表示了沿條目的權 重，按照各個方向疊加，得到各個方向的權重Θ，按照各個幅度疊加，得到各運動幅度權重 1 ：
〇
5. 根據權利要求1所述的利用運動模糊信息的物體跟蹤方法，其特征在于，步驟S4中， 所述的粒子濾波包括觀測模型和預測模型兩部分，而建議分布的設計是跟蹤算法效果的很 大影響因子，具體步驟如下： A、 根據建議分布q產生粒子，建議分布融合進了運動信息，建議分布具體模型為：
其中，
為一階馬爾可夫變換，常取均值為XtH的高斯函數；
為二 階馬爾可夫變換，常取均值為Xh+Uh的高斯函數，Uh為前兩巾貞的速度差；
表示沿第i個運動方向的分布，其分布也為高斯分布，均值與提取的運動信息相關，為
為運動矢量，是參量Θ i和幅度1的函數； B、 對每個粒子表不的狀態(tài)提取跟蹤目標，對可能的跟蹤目標分塊，并且運用稀疏表不 表示跟蹤目標，度量每個粒子表示的狀態(tài)與跟蹤目標的相似度，相似度度量采用分塊信息， 具體做法是：
其中C表示歸一化常量，pkl，k2表示用第kl個塊表示第k2個塊的權重，則最后得到的p 為kXk的矩陣，理論上第k個塊應該由第k個塊表示的系數最大，所以取矩陣p的對角元 素，此對角值越大，與跟蹤目標最接近； C、 利用稀疏表示的重構誤差建立似然函數模型； D、 利用似然函數重采樣粒子； E、 重復上述步驟，直到跟蹤結束。
6. 根據權利要求1所述的利用運動模糊信息的物體跟蹤方法，其特征在于，所述的步 驟S5,具體包含以下順序的步驟： A、對清晰模板做PCA分析，得到的特征向量按照特征值大小排序，特征大的幾個特征 向量作為基u; B、 利用得到的基U用稀疏表示方法表示保存的幾幀跟蹤結果Y，此時跟蹤結果不做分 塊處理，稀疏表示模型為：
其中ζ為系數，s為噪聲，s呈拉普拉斯分布； 利用稀疏表示對跟蹤結果進行校正，校正方法如下：
其中μ為PCA分析計算得到的均值向量； C、 利用校正的跟蹤結果Ynew采用增量PCA學習方法，重新訓練得到新的基U ; D、 用新得到的基U表示當前的跟蹤結果y，校正當前跟前結果：
其中μ為PCA分析計算得到的均值向量，經過校正的跟蹤結果用于更新清晰模板； Ε、按照字典舊條目更新慢、新條目更新快的原則，生成累計概率序列：
產生0?1之間的隨機數，由隨機數確定替換清晰模板中的某一模板； F、清晰模板更新之后，對清晰模板分塊處理，替換稀疏編碼字典Τ的清晰部分，對新字 典做歸一化處理，得到更新的字典。
7.根據權利要求1所述的利用運動模糊信息的物體跟蹤方法，其特征在于，步驟S6中， 所述的PSF函數為高斯核函數。
【文檔編號】G06T7/20GK104091350SQ201410280387
【公開日】2014年10月8日 申請日期:2014年6月20日 優(yōu)先權日:2014年6月20日
【發(fā)明者】徐向民, 張南海, 郭鍇凌, 鐘岳宏, 陳永彬 申請人:華南理工大學