本發(fā)明屬于計(jì)算機(jī)視覺
技術(shù)領(lǐng)域：
，尤其是涉及到模糊對象的跟蹤方法。
背景技術(shù)：
：一般的追蹤算法將目標(biāo)表示為一個(gè)包圍盒模板，其中不包含結(jié)構(gòu)信息。Lim模型中的在線增量空間可以魯棒地代表目標(biāo)。一些其他的跟蹤器使用支持向量機(jī)或者改善不同目標(biāo)和背景的分類器模型的效果。同樣，對結(jié)構(gòu)信息的忽略導(dǎo)致了結(jié)構(gòu)變形和閉塞的糟糕性能。目標(biāo)模型作為一種詞典結(jié)構(gòu)的稀疏表示，對于歷史部分的表面特征并不敏感。歷史部分對結(jié)構(gòu)的改變也不敏感。分布模型在目標(biāo)識(shí)別與檢測中得到廣泛應(yīng)用。也有一部分的追蹤領(lǐng)域在模型基礎(chǔ)上發(fā)展形成。最近，Hanetal發(fā)現(xiàn)了一種可替換的稀疏表示的外觀模型公式。通過從目標(biāo)周圍找到子圖像特征集的稀疏表示來達(dá)到追蹤目的。追蹤結(jié)果和擁有與追蹤目標(biāo)最相似的系數(shù)分布的部分密切相關(guān)。該方法在閉塞的實(shí)驗(yàn)案例中比較成功。但是，這種方法是否可以在經(jīng)歷較大的光照和姿態(tài)變化下高效地追蹤目標(biāo)還不明確。另外，Yangetal發(fā)現(xiàn)應(yīng)用數(shù)據(jù)挖掘技術(shù)來輔助和結(jié)合他們的目標(biāo)，形成星型拓?fù)鋱D模型來魯棒性地進(jìn)行視覺追蹤。然而，我們的分割是用來收集部分候選目標(biāo)，因此，對于這里的超像素而言，粗分割而不是像素級(jí)分割已經(jīng)足夠有效了。技術(shù)實(shí)現(xiàn)要素：為了克服現(xiàn)有的模糊對象的跟蹤方法在跟蹤嚴(yán)重非均勻退化目標(biāo)時(shí)的準(zhǔn)確率較低的不足，本發(fā)明提供一種在跟蹤嚴(yán)重非均勻退化目標(biāo)時(shí)的準(zhǔn)確率較高的面向非均勻退化視頻中對象的結(jié)構(gòu)化跟蹤方法，本發(fā)明對圖像進(jìn)行超像素分割并計(jì)算每個(gè)超像素的模糊信息，并對目標(biāo)區(qū)域進(jìn)行結(jié)構(gòu)化建模。根據(jù)建立的目標(biāo)結(jié)構(gòu)化模型及目標(biāo)區(qū)域的模糊信息，通過建立合適的能量函數(shù)可以成功地提升算法在跟蹤嚴(yán)重非均勻退化目標(biāo)時(shí)的準(zhǔn)確率。本發(fā)明解決其技術(shù)問題所采用的技術(shù)方案是：一種面向非均勻退化視頻中對象的結(jié)構(gòu)化跟蹤方法，包括如下步驟：1)退化評價(jià)給每一個(gè)超像素方向矢量來描述運(yùn)動(dòng)退化，單一超像素的方向評估是通過一個(gè)局部自相關(guān)函數(shù)而獲得，并且該模糊度由Tenengrad函數(shù)計(jì)算得到的，然后，構(gòu)建定向矢量來表示一個(gè)超像素的運(yùn)動(dòng)，以這種方式來生成圖像的方向的地圖，過程如下：1.1)方向評價(jià)通過局部自相關(guān)函數(shù)來計(jì)算位置(x,y)的值：f(x,y)＝∑(xi,yi)∈p[I(xi,yi)-I(xi+Δx,yi+Δy)]2(1)其中I(xi,yi)為圖像中3*3矩陣的中心位置的梯度值，Δx和Δy表示在x和y方向上的移位；該公式近似的表示為：f(x,y)≅Σ(xi,yi)∈P[Ix(xi,yi)-Iy(xi,yi]ΔxΔy2,---(2)=[Δx,Δy]MΔXΔY,---(3)]]>其中M=Σ(xi,yi∈P)Ix2(xi,yi)Ix(xi,yi)Iy(xi,yi)Ix(xi,yi)Iy(xi,yi)Iy2(xi,yi).---(4)]]>通過計(jì)算出的矩陣M，得到了矩陣M的兩個(gè)特征值。較小的特征值表示像素的方向，將每個(gè)像素的這些值轉(zhuǎn)化到指定的方向空間[0,180)，因此，每個(gè)值表示在一條線上的相反方向；然后，將運(yùn)動(dòng)方向Im歸一化，通過同等地劃分然后將在數(shù)量上最多的作為背景的方向，得到圖像模糊方向Up；1.2)模糊度評估Tenengrad評價(jià)函數(shù)為Ften=Σi=1M-2Σj=1N-2[sx2i,j+sy2i,j],---(5)]]>其中，sx(i，j)和sy(i，j)分別是圖像f(i，j)與在水平方向和垂直方向與Sobel算子的卷積結(jié)果；M和N分別是圖像的高和寬；將圖像通過Tenengrad評價(jià)得到的值除以所有結(jié)果中的最大值Fp來表示圖像退化程度，被看作是Fp=Ftenmax(F),---(6)]]>其中，F(xiàn)ten是Tenengrad評價(jià)得到的值，max(F)是所有結(jié)果中的最大值。通過這樣的方式，Tenengrad評價(jià)得到的結(jié)果被歸一化為區(qū)間(0,1]之間的值，退化程度估計(jì)的結(jié)果決定方向向量的長度；2)構(gòu)建結(jié)構(gòu)模型，過程如下：首先，將追蹤窗口中的圖像通過SLIC劃分成一些小的部分，通過顏色信息來追蹤目標(biāo)；給定一組超像素集{Tp}，收集候選目標(biāo)部分{Ti}p然后重建候選圖像G(V,E)，通過建立一個(gè)配對的馬爾科夫隨機(jī)場來從背景中分離候選的前景部，同時(shí)使用目標(biāo)顏色直方圖和判別支持向量機(jī)分類器來計(jì)算單點(diǎn)勢能，馬爾科夫隨機(jī)場能量被優(yōu)化為：E(B)=Σp∈SDp(bp)+Σp,q∈NVp,q(bp,bq),---(7)]]>其中B＝{bp|bp∈{0,1},p∈S}是超像素集{Tp}的標(biāo)簽，bp是Tp的指示器，當(dāng)Tp屬于前景時(shí)bp＝1，其他情況bp＝0，Dp(bp)是一個(gè)與超像素Tp結(jié)合的單點(diǎn)勢能，Vp，q(bp，bq)一對結(jié)合超像素Tp和Tq的潛能。S是在跟蹤窗口中的超像素集，N是共享邊界的超像素集對；單點(diǎn)勢能：：Dp(bp)=αDpg(bp)+Dpd(bp),---(8)]]>Dp(bp)是一個(gè)可生成的顏色直方圖潛能和一個(gè)判別支持向量機(jī)分類器潛能的加權(quán)組合，α＝0.1，是一個(gè)用于平衡兩個(gè)潛能影響的常量，生成的潛能形式為：其中，Hf和Hb分別是目標(biāo)和背景的歸一化的RGB顏色直方圖，Ci是像素I的RGB值，Np在超像素Tp中的像素?cái)?shù)量，P(Ci|H)是在直方圖H中的Ci的概率。判別潛能是一個(gè)在線支持向量機(jī)分類器的分類評分，這個(gè)分類器是通過從目標(biāo)和背景超像素中提取的RGB顏色特征訓(xùn)練得到的；Dpd(bp)=λy^(fp)y^(fp)≥0,bp=1,1-λy^(fp)y^(fp)≥0,bp=0,y^(fp)y^(fp)<0,bp=1,1-y^(fp)y^(fp)<0,bp=0,---(10)]]>其中，y(fp)＝w·Φ(fp)+b是一種支持向量機(jī)判斷，fp是Tp的顏色信息，當(dāng)把Tp分類為前景時(shí)，λ是一個(gè)用于增強(qiáng)支持向量機(jī)分類器比重的常量，Vp，q(bp,bq)用于捕獲兩個(gè)相鄰超像素的不連續(xù)性。平滑項(xiàng)：Vp,q(bp,bq)＝exp｛-D(fp,fq)｝-βδ(dp,dq),(11)δ(dp,dq)=|dp→-dq→|---(12)]]>其中，D(fp,fq)是顏色特征間的X2距離，dp是退化特征向量。δ(dp,dq)是退化特征距離，β是一個(gè)用于平衡退化向量距離影響的常量。本發(fā)明的有益效果主要表現(xiàn)在：采用模糊評價(jià)方法得出了基于超像素塊的退化程度信息，并以向量來表示，通過對超像素塊的塊間結(jié)構(gòu)信息進(jìn)行建圖，得到了目標(biāo)的結(jié)構(gòu)化的量化信息，大大減少了跟蹤時(shí)的數(shù)據(jù)量。最后通過對退化程度信息的利用，提高了算法對退化視頻內(nèi)目標(biāo)的跟蹤準(zhǔn)確率。附圖說明圖1是面向非均勻退化視頻中對象的結(jié)構(gòu)化跟蹤方法的一些追蹤結(jié)果，其中，白框是結(jié)果，黑框是標(biāo)注值。圖2是面向非均勻退化視頻中對象的結(jié)構(gòu)化跟蹤方法的流程圖。圖3是退化評價(jià)的方向示意圖。圖4是不同超像素的退化向量距離示意圖。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明作進(jìn)一步描述。參照圖1～圖4，一種面向非均勻退化視頻中對象的結(jié)構(gòu)化跟蹤方法，包括如下步驟：本發(fā)明所采用的技術(shù)方案為引進(jìn)了一種結(jié)構(gòu)退化模型，通過對目標(biāo)的退化估計(jì)來解決追蹤問題。具體的跟蹤方法如下：針對劇烈運(yùn)動(dòng)的目標(biāo)有良好的跟蹤效果(如圖1)，算法的流程圖在圖2中給出(如圖2)。1)退化評價(jià)給每一個(gè)超像素方向矢量來描述運(yùn)動(dòng)退化，單一超像素的方向評估是通過一個(gè)局部自相關(guān)函數(shù)而獲得，并且該模糊度由Tenengrad函數(shù)計(jì)算得到的，然后，構(gòu)建定向矢量來表示一個(gè)超像素的運(yùn)動(dòng)，以這種方式來生成圖像的方向的地圖，過程如下：1.2)方向評價(jià)通過局部自相關(guān)函數(shù)來計(jì)算位置(x,y)的值：f(x,y)＝∑(xi,yi)∈P[I(xi,yi)-I(xi+Δx,yi+Δy)]2(3)其中I(xi,yi)為圖像中3*3矩陣的中心位置的梯度值，Δx和Δy表示在x和y方向上的移位；該公式近似的表示為：f(x,y)≅Σ(xi,yi)∈P[Ix(xi,yi)-Iy(xi,yi]ΔxΔy2,---(4)=[Δx,Δy]MΔXΔY,---(3)]]>其中M=Σ(xi,yi∈P)Ix2(xi,yi)Ix(xi,yi)Iy(xi,yi)Ix(xi,yi)Iy(xi,yi)Iy2(xi,yi).---(4)]]>通過計(jì)算出的矩陣M，得到了矩陣M的兩個(gè)特征值。較小的特征值表示像素的方向，將每個(gè)像素的這些值轉(zhuǎn)化到指定的方向空間[0,180)，因此，每個(gè)值表示在一條線上的相反方向；然后，將運(yùn)動(dòng)方向Im歸一化，通過同等地劃分然后將在數(shù)量上最多的作為背景的方向，得到圖像模糊方向Up；1.3)模糊度評估Tenengrad評價(jià)函數(shù)為Ften=Σi=1M-2Σj=1N-2[sx2i,j+sy2i,j],---(5)]]>其中，sx(i，j)和sy(i，j)分別是圖像f(i，j)與在水平方向和垂直方向與Sobel算子的卷積結(jié)果；M和N分別是圖像的高和寬；將圖像通過Tenengrad評價(jià)得到的值除以所有結(jié)果中的最大值Fp來表示圖像退化程度，被看作是Fp=Ftenmax(F),---(6)]]>其中，F(xiàn)ten是Tenengrad評價(jià)得到的值，max(F)是所有結(jié)果中的最大值。通過這樣的方式，Tenengrad評價(jià)得到的結(jié)果被歸一化為區(qū)間(0,1]之間的值，退化程度估計(jì)的結(jié)果決定方向向量的長度(如圖3)；2)構(gòu)建結(jié)構(gòu)模型，過程如下：首先，將追蹤窗口中的圖像通過SLIC劃分成一些小的部分，通過顏色信息來追蹤目標(biāo)；給定一組超像素集{Tp}，收集候選目標(biāo)部分{Ti}p然后重建候選圖像G(V,E)，通過建立一個(gè)配對的馬爾科夫隨機(jī)場來從背景中分離候選的前景部，同時(shí)使用目標(biāo)顏色直方圖和判別支持向量機(jī)分類器來計(jì)算單點(diǎn)勢能，馬爾科夫隨機(jī)場能量被優(yōu)化為：E(B)=Σp∈SDp(bp)+Σp,q∈NVp,q(bp,bq),---(7)]]>其中B＝{bp|bp∈{0,1},p∈S}是超像素集{Tp}的標(biāo)簽，bp是Tp的指示器，當(dāng)Tp屬于前景時(shí)bp＝1，其他情況bp＝0，Dp(bp)是一個(gè)與超像素Tp結(jié)合的單點(diǎn)勢能，Vp，q(bp，bq)一對結(jié)合超像素Tp和Tq的潛能。S是在跟蹤窗口中的超像素集，N是共享邊界的超像素集對；單點(diǎn)勢能：：Dp(bp)=αDpg(bp)+Dpd(bp),---(8)]]>Dp(bp)是一個(gè)可生成的顏色直方圖潛能和一個(gè)判別支持向量機(jī)分類器潛能的加權(quán)組合，α＝0.1，是一個(gè)用于平衡兩個(gè)潛能影響的常量，生成的潛能形式為：其中，Hf和Hb分別是目標(biāo)和背景的歸一化的RGB顏色直方圖，Ci是像素I的RGB值，Np在超像素Tp中的像素?cái)?shù)量，P(Ci|H)是在直方圖H中的Ci的概率。判別潛能是一個(gè)在線支持向量機(jī)分類器的分類評分，這個(gè)分類器是通過從目標(biāo)和背景超像素中提取的RGB顏色特征訓(xùn)練得到的；Dpd(bp)=λy^(fp)y^(fp)≥0,bp=1,1-λy^(fp)y^(fp)≥0,bp=0,y^(fp)y^(fp)<0,bp=1,1-y^(fp)y^(fp)<0,bp=0,---(10)]]>其中，y(fp)＝w·Φ(fp)+b是一種支持向量機(jī)判斷，fp是Tp的顏色信息，當(dāng)把Tp分類為前景時(shí)，λ是一個(gè)用于增強(qiáng)支持向量機(jī)分類器比重的常量，Vp，q(bp,bq)用于捕獲兩個(gè)相鄰超像素的不連續(xù)性。平滑項(xiàng)：Vp,q(bp,bq)＝exp｛-D(fp,fq)｝-βδ(dp,dq),(11)δ(dp,dq)=|dp→-dq→|---(12)]]>其中，D(fp,fq)是顏色特征間的X2距離，dp是退化特征向量。δ(dp,dq)是退化特征距離(如圖4)，β是一個(gè)用于平衡退化向量距離影響的常量。本實(shí)施例采用模糊評價(jià)方法得出了基于超像素塊的退化程度信息，并以向量來表示，通過對超像素塊的塊間結(jié)構(gòu)信息進(jìn)行建圖，得到了目標(biāo)的結(jié)構(gòu)化的量化信息，大大減少了跟蹤時(shí)的數(shù)據(jù)量。最后通過對退化程度信息的利用，提高了算法對退化視頻內(nèi)目標(biāo)的跟蹤準(zhǔn)確率。當(dāng)前第1頁1 2 3