本發(fā)明屬于圖像處理領(lǐng)域,特別是在行人檢測,行人跟蹤領(lǐng)域。
背景技術(shù):
運動目標(biāo)跟蹤是計算機視覺領(lǐng)域的核心研究內(nèi)容之一,主要任務(wù)是獲取圖像序列中運動目標(biāo)的位置,以便準(zhǔn)確獲得目標(biāo)其它所需的特征信息,完成更高級的智能需求。目標(biāo)跟蹤技術(shù)在很多領(lǐng)域有著廣泛的應(yīng)用,如視頻監(jiān)控、人機交互、游戲控制等。目前已經(jīng)存在許多有效的目標(biāo)跟蹤算法,例如Mean-Shift跟蹤算法但在實際的復(fù)雜環(huán)境中應(yīng)用目標(biāo)跟蹤算法時,由于受到光照、遮擋等干擾因素的影響,許多跟蹤算法并不能取得理想的跟蹤效果。因此,準(zhǔn)確穩(wěn)定的目標(biāo)跟蹤算法仍是一大研究挑戰(zhàn),其研究成果也具有很高的應(yīng)用價值。
技術(shù)實現(xiàn)要素:
本發(fā)明的目的是針對基本Mean-Shift跟蹤算法的不足設(shè)計一種基于信息融合的改進Mean-Shift跟蹤算法。
本發(fā)明分析基本Mean-Shift跟蹤算法的不足,針對光照不足的情況,對視頻進行非線性圖像增強處理;針對目標(biāo)模板單一的情況,使用Vibe算法添加目標(biāo)的運動信息,形成一個基于信息融合的改進Mean-Shift跟蹤算法,增強跟蹤的穩(wěn)健性;最后針對目標(biāo)被遮擋的情況,改進算法核函數(shù),并添加Kalman濾波器模塊,對目標(biāo)位置進行預(yù)測。因此本發(fā)明一種基于信息融合的改進Mean-Shift跟蹤方法,該方法包含如下步驟:
步驟1:在確定當(dāng)前幀光照不足的時候,對當(dāng)前幀圖像進行非線性圖像增強處理,分為自適應(yīng)動態(tài)范圍壓縮和局部對比增強兩個部分,若光照足夠,則進入到步驟4;
步驟2:應(yīng)用sigmoid轉(zhuǎn)換函數(shù)來增加圖像的動態(tài)范圍,其中采用對圖像統(tǒng)計特性可自調(diào)的雙曲正切函數(shù)進行圖像動態(tài)范圍壓縮;
步驟3:通過局部對比增強方法來增強圖像的局部對比度;
步驟4:選取矩形的跟蹤區(qū)域,獲得選取矩形區(qū)域的顏色直方圖信息;
步驟5:使用Vibe算法獲得跟蹤區(qū)域的目標(biāo)運動信息,并和步驟4中得到的顏色信息一起作為匹配模板;
步驟6:根據(jù)上一幀圖像中跟蹤區(qū)域的狀態(tài)數(shù)據(jù),采用Kalman濾波器獲得當(dāng)前幀跟蹤區(qū)域的狀態(tài)數(shù)據(jù),狀態(tài)數(shù)據(jù)包括跟蹤區(qū)域的位置及運動方向;
步驟7:采用核函數(shù)為的Mean-Shift算法以步驟6中獲得的跟蹤區(qū)域位置作為跟蹤區(qū)域起始候選區(qū)域進行均值漂移,得到當(dāng)前幀中跟蹤目標(biāo)的準(zhǔn)確位置,其中Mean-Shift算法的匹配對象為步驟5獲得匹配模板,其中x、y表示目標(biāo)區(qū)域任意像素點的坐標(biāo)值;σ為權(quán)值調(diào)整參數(shù),其經(jīng)驗取值范圍為:0.01<σ<0.5,σ參數(shù)的作用是控制邊緣像素的權(quán)重使其不會發(fā)生劇烈變化,(hx,hy)為跟蹤框的大小參數(shù),表示跟蹤框中心點坐標(biāo);
步驟8:以步驟7獲得位置信息更新跟蹤區(qū)域狀態(tài)數(shù)據(jù)和Kalman濾波器的參數(shù),輸出跟蹤區(qū)域最終位置。
進一步的,所述步驟7的具體步驟為;
步驟7.1:以步驟6中獲取的跟蹤區(qū)域位置為初始候選區(qū)域為跟蹤區(qū)域的中心位置;
步驟7.2:計算初始位置候選區(qū)域與匹配模板的相似度
步驟7.3:通過公式計算新的候選位置其中xi表示候選區(qū)域第i個像素的像素值,g(·)與核函數(shù)的關(guān)系為g(·)=-k′(·),h是核函數(shù)的窗口半徑;n表示區(qū)域內(nèi)像素點的總個數(shù),nh表示候選區(qū)域像素點的索引;m表示顏色直方圖中bin的總個數(shù),表示目標(biāo)模型的m-bin直方圖,表示在給定點的候選模型的m-bin直方圖,表達式δ[b(xi)-u]表示判斷目標(biāo)區(qū)域中像素xi是否屬于顏色直方圖的第u個bin,屬于則表達式的值為1,否則表達式的值為0,b(xi)表示xi在顏色直方圖中的索引,(a,b)表示候選區(qū)位置,c表示候選區(qū)域運動方向;
步驟7.4:計算新候選區(qū)域與匹配模板的相似度
步驟7.5:比較與若小于則將的值賦給再從新計算處的候選區(qū)域與匹配模板的相似度
步驟7.6:若停止循環(huán),認(rèn)定的位置為跟蹤區(qū)域的實際位置,否則將的值賦給分返回步驟7.2進行迭代計算。
本專利針對光照不足,目標(biāo)存在遮擋,目標(biāo)模板不穩(wěn)健的情況,對原始Mean-Shift算法進行非線性圖像增強,改進核函數(shù),添加Kalman濾波器以及使用Vibe算法提取運動信息與顏色信息融合為目標(biāo)模板,改善了跟蹤效果,增強了穩(wěn)健性。選取網(wǎng)上公開PETS數(shù)據(jù)庫中視頻進行測試,實驗平臺為Visual Studio 2013和OpenCV 2.4.4,硬件平臺為CPU 3.2GHz,8G內(nèi)存。經(jīng)測試,本改進算法跟蹤結(jié)果優(yōu)于原始Mean-Shift算法以及其它常用跟蹤算法,如TLD算法,壓縮感知算法等。
附圖說明
圖1和圖2是非線性圖像增強處理示意圖,其中圖1為增強后,圖2為原圖。
圖3為基于信息融合的改進Mean-Shift跟蹤算法整體流程圖。
具體實施方式
步驟1:在確定當(dāng)前幀光照不足的時候,對當(dāng)前幀圖像進行非線性圖像增強處理,分為自適應(yīng)動態(tài)范圍壓縮和局部對比增強兩個部分,若光照足夠,則進入到步驟4;
步驟2:應(yīng)用sigmoid轉(zhuǎn)換函數(shù)來增加圖像的動態(tài)范圍,其中采用對圖像統(tǒng)計特性可自調(diào)的雙曲正切函數(shù)進行圖像動態(tài)范圍壓縮;
步驟3:通過局部對比增強方法來增強圖像的局部對比度;
步驟4:選取矩形的跟蹤區(qū)域,獲得選取矩形區(qū)域的顏色直方圖信息;
步驟5:使用Vibe算法獲得跟蹤區(qū)域的目標(biāo)運動信息,并和步驟4中得到的顏色信息一起作為匹配模板;
步驟6:根據(jù)上一幀圖像中跟蹤區(qū)域的狀態(tài)數(shù)據(jù),采用Kalman濾波器獲得當(dāng)前幀跟蹤區(qū)域的狀態(tài)數(shù)據(jù),狀態(tài)數(shù)據(jù)包括跟蹤區(qū)域的位置及運動方向;
步驟7:采用核函數(shù)為的Mean-Shift算法以步驟6中獲得的跟蹤區(qū)域位置作為跟蹤區(qū)域起始候選區(qū)域進行均值漂移,得到當(dāng)前幀中跟蹤目標(biāo)的準(zhǔn)確位置,其中Mean-Shift算法的匹配對象為步驟5獲得匹配模板,其中x、y表示目標(biāo)區(qū)域任意像素點的坐標(biāo)值;σ為權(quán)值調(diào)整參數(shù),其經(jīng)驗取值范圍為:0.01<σ<0.5,σ參數(shù)的作用是控制邊緣像素的權(quán)重使其不會發(fā)生劇烈變化,(hx,hy)為跟蹤框的大小參數(shù),表示跟蹤框中心點坐標(biāo);
步驟7.1:以步驟6中獲取的跟蹤區(qū)域位置為初始候選區(qū)域為跟蹤區(qū)域的中心位置;
步驟7.2:計算初始位置候選區(qū)域與匹配模板的相似度
步驟7.3:通過公式計算新的候選位置其中xi表示候選區(qū)域第i個像素的像素值,g(·)與核函數(shù)的關(guān)系為g(·)=-k′(·),h是核函數(shù)的窗口半徑;n表示區(qū)域內(nèi)像素點的總個數(shù),nh表示候選區(qū)域像素點的索引;m表示顏色直方圖中bin的總個數(shù),表示目標(biāo)模型的m-bin直方圖,表示在給定點的候選模型的m-bin直方圖,表達式δ[b(xi)-u]表示判斷目標(biāo)區(qū)域中像素xi是否屬于顏色直方圖的第u個bin,屬于則表達式的值為1,否則表達式的值為0,b(xi)表示xi在顏色直方圖中的索引,(a,b)表示候選區(qū)位置,c表示候選區(qū)域運動方向;
步驟7.4:計算新候選區(qū)域與匹配模板的相似度
步驟7.5:比較與若小于則將的值賦給再從新計算處的候選區(qū)域與匹配模板的相似度
步驟7.6:若停止循環(huán),認(rèn)定的位置為跟蹤區(qū)域的實際位置,否則將的值賦給分返回步驟7.2進行迭代計算;
步驟8:以步驟7獲得位置信息更新跟蹤區(qū)域狀態(tài)數(shù)據(jù)和Kalman濾波器的參數(shù),輸出跟蹤區(qū)域最終位置。