本發(fā)明涉及視頻目標特定區(qū)域檢測與匹配領域，尤其涉及一種視頻目標時空最大穩(wěn)定性判別性顏色區(qū)域匹配方法和系統(tǒng)。
背景技術：
：：伴隨著計算機技術和人工智能的飛躍發(fā)展，視頻成為了信息網絡尤其是安防不可或缺的一部分。從視頻中分析目標具有現實意義，尤其是從監(jiān)控視頻中跟蹤并分析行人，得到人體姿態(tài)信息或者識別行人行為，這對于智能安防具有重要應用價值。目前較為成熟的目標跟蹤算法分為基于區(qū)域的跟蹤、基于輪廓的跟蹤和基于特征的跟蹤算法等；基于特征的跟蹤算法是指提取特定特征，在一定范圍內進行特征度量、區(qū)域匹配，從而實現跟蹤；目前主要的特征包括特征點如harris角點、sift和surf等，區(qū)域特征主要包括顏色，紋理，面積和質心。目前，由于區(qū)域特征提取時由于視頻中目標尺度較小，造成目標較模糊；視頻中目標光照在單幀圖像上空間的變化和連續(xù)幀圖像時間上的變化，目標姿態(tài)變化和目標遮擋現象等造成某些區(qū)域的顏色、紋理特征不穩(wěn)定，給區(qū)域匹配造成一定困難。以下先對之前的方法和技術進行簡要的介紹：一，harris角點，sift特征和surf特征對于一幅灰度圖像，點特征是指具有明顯灰度變化的像素區(qū)域。經典的klt跟蹤算法就可以通過計算harris角點處光流進行目標判斷與跟蹤；sift特征點是由lowe在2004年提出的一種具有尺度和旋轉不變性的特征描述，該方法將不同半徑的高斯卷積核與不同尺度的圖像卷積，通過計算不同高斯卷積差值圖像(differenceofgauss)上的極值點，與預設的對比度閾值和曲率閾值比較從而篩選特征點；最后根據特征點鄰域的梯度信息生成特征向量；以此來描述一幅圖像上的特征信息。sift特征由實驗驗證具有良好的尺度、旋轉不變性。后來bay等人提出了速度更快的surf算法，在運算時間上進行了較大提升；但是無論是harris角點、sift特征還是surf特征，這些點特征雖然能很大程度上對目標進行描述匹配，但是這些特征忽略了目標的顏色信息和區(qū)域面積信息，并且伴隨著視頻中非剛體目標發(fā)生姿態(tài)等形體變化，這些特征將隨之發(fā)生較大變化，難以實現基于上述特征點的準確匹配。二：mscr特征mscr(maximallystablecolourregions)特征是由forssen在2007年提出的一種基于顏色的仿射不變的穩(wěn)定特征。該特征是對灰度圖像中最大穩(wěn)定極值區(qū)域(mser)在彩色圖像上的拓展。最大穩(wěn)定極值區(qū)域的基本思想是對于對一幅圖像用連續(xù)不同的閾值進行二值化處理，一般閾值范圍選取在{0,255}之間，對于在不同閾值下區(qū)域面積變化速率最小的區(qū)域即為最大穩(wěn)定區(qū)域。對于一幅彩色圖像，利用卡方距離(chi-squareddistance)相似度準則:來確定像素(包括紅，綠和藍三個通道)之間的相似性閾值dt，合并小于閾值dt的區(qū)域，形成團塊(blob)區(qū)域。穩(wěn)定性的判斷是由計算區(qū)域面積變化斜率s得到的：當at+1/at>1.01時，a*和d*將會被更新，取s值最小時對應的區(qū)域a*。通過刪除面積較小、過于狹長的區(qū)域和設定最小閾值差，得到了一幅彩色圖像中mscr(最大穩(wěn)定顏色區(qū)域特征)。forssen實驗表明，該特征能很好的代表目標區(qū)域特征，并且具有良好的仿射不變特性。三：meanshift跟蹤算法基于meanshift的目標跟蹤算法通過分別計算目標區(qū)域和候選區(qū)域內像素的具有特征性的值的概率，得到候選模型相對目標模型的概率描述，在實際應用中，一種實現方法是提取目標區(qū)域的hsv顏色空間中的hue分量，統(tǒng)計其歸一化直方圖，然后在候選區(qū)域內計算目標區(qū)域內的反向投影。并且引入核函數k(xi-x)進行加權，選擇使相似函數值最大的候選模型，并得到關于目標模型的meanshift向量，這個向量正是目標初始位置移動方向向量。由于均值漂移算法的快速收斂性，通過不斷迭代計算meanshift向量，算法最終將收斂到目標的真實位置，達到跟蹤的目的。四：基于顏色直方圖的區(qū)域搜索匹配算法：meanshift跟蹤算法計算量不大，但是當目標運動速度較快或者出現短暫消失后，meanshift并不能實現準確跟蹤匹配。一種解決辦法是在搜索區(qū)域內，遍歷計算候選目標區(qū)域的顏色特征，如顏色直方圖，利用相似度判別準則例如卡方距離或者巴氏距離來尋找可能性最大的候選目標區(qū)域，判斷為目標區(qū)域。這樣可保證當目標短時間內未匹配準確卻不會失去目標區(qū)域。提取目標區(qū)域hsv空間中的hue分量顏色直方圖時，由于光照影響和攝像機采集等因素，一些像素saturation(飽和度)較低，導致該像素hue顏色分量具有一定隨機性，不能正確表示目標區(qū)域顏色分量；并且由于光照條件的變化導致顏色直方圖的偏移，不利于目標區(qū)域和候選區(qū)域的匹配。技術實現要素：為解決上述顏色區(qū)域受光照和目標區(qū)域形狀等在一定范圍內發(fā)生非剛體形變(如人體姿態(tài)改變)，導致基于sift、harris、mscr等特征出現匹配難問題，本發(fā)明提出一種視頻目標時空最大穩(wěn)定性判別性顏色區(qū)域匹配方法，通過提取運動目標在一定的連續(xù)時間段內具有穩(wěn)定性和判別性的顏色區(qū)域(ts-msdcr)，并在后續(xù)幀中找到這些目標特定區(qū)域的匹配區(qū)域，來確定運動目標相同區(qū)域在時間域上的空間位置變化，從而用來進行姿態(tài)識別、行為分析等智能化應用。根據本發(fā)明的第一目的提供一種視頻目標時空最大穩(wěn)定性判別性顏色區(qū)域匹配方法，包括以下步驟：第一步，運動目標檢測步驟：檢測視頻中的運動目標，確定運動目標所在區(qū)域；第二步，最大穩(wěn)定性顏色區(qū)域提取步驟：基于所述運動目標所在區(qū)域，檢測提取運動目標的最大穩(wěn)定性顏色區(qū)域mscr；第三步，時空最大穩(wěn)定顏色區(qū)域提取步驟：對每個運動目標的mscr，依據時域穩(wěn)定性，提取其中時空最大穩(wěn)定的顏色區(qū)域ts-mscr；第四步，時空最大穩(wěn)定性判別性顏色區(qū)域提取步驟：對每個運動目標的ts-mscr，依據判別距離大小，提取其中時空最大穩(wěn)定性判別性顏色區(qū)域ts-msdcr；第五步，區(qū)域匹配步驟：該步驟進行視頻運動目標不同時間段mscr匹配；在后續(xù)視頻幀中，基于動目標跟蹤技術，確定第一步運動目標在當前幀的位置區(qū)域，并在該位置區(qū)域檢測提取運動目標的mscr；對步驟四得到的n個ts-msdcr，與運動目標在當前幀的每個mscr，進行基于顏色特征和相對面積等約束的相似度度量，相似度最大的區(qū)域，即為ts-msdcr在當前幀的匹配區(qū)域。優(yōu)選地，第二步中：利用最大穩(wěn)定性顏色區(qū)域(mscr)算法檢測提取運動目標所在區(qū)域中的最大穩(wěn)定性顏色區(qū)域，即：首先檢測提取運動目標區(qū)域的每個mscr，并同時保存計算得到的每個mscr的空間特征，包括中心位置p0(x0,y0)、面積大小a0和顏色特征π0任一個或多個。不同于已有mscr方法僅提取顏色特征，這里通過提取mscr的空間特征(位置和面積)和顏色特征，通過多特征融合可進一步提升后續(xù)匹配的準確性。優(yōu)選地，第三步中，所述依據時域穩(wěn)定性，提取其中時空最大穩(wěn)定的顏色區(qū)域ts-mscr，是指：對每個mscr，在連續(xù)τ幀圖像上基于特征值、空間位置和面積來計算變化速率，變化速率低于設定閾值的判決為時空最大穩(wěn)定顏色區(qū)域即ts-mscr；對每個ts-mscr，計算時間框[t-τ,t]內加權的mscr特征，得到ts-mscr時空穩(wěn)定的特征值，其中t表示當前幀，τ表示時間間隔。通過在mscr基礎上進一步進行時域穩(wěn)定性判斷，可通過時域特征的引入來降低非目標的背景擾動帶來的誤匹配概率。更優(yōu)選地，所述在連續(xù)τ幀圖像上基于特征值、空間位置和面積來計算變化速率，是指：計算同一運動目標同一mscr的顏色、面積特征隨時間的變化斜率，通過小于某個閾值來篩選出在時域上具有穩(wěn)定特性的顏色區(qū)域；對于某些同一運動目標同一mscr，變化斜率大于所述閾值，則將此區(qū)域視為時域不穩(wěn)定區(qū)域進行刪除，保留在時間區(qū)間[t-τ,t]幀內特征穩(wěn)定的mscr。更優(yōu)選地，所述對每個ts-mscr，計算時間框[t-τ,t]內加權的mscr特征，得到ts-mscr時空穩(wěn)定的特征值，是指：為加強時域上的穩(wěn)定性，引入核函數k(ti-t),i∈(0,τ]，對于靠近當前幀的每幀子圖上的mscr顏色特征，加以第一權重；對于時間窗內遠離當前幀的子圖上的mscr顏色特征，賦以第二權重，所述第一權重大于第二權重；計算時間框[t-τ,t]內加權的mscr特征，得到ts-mscr時空上穩(wěn)定的特征值，包括區(qū)域面積a、中心位置p(x,y)、顏色特征中任一個或多個；ti表示第ti個時刻，取值與當前幀有關。優(yōu)選地，第四步中，所述依據判別距離大小，提取其中時空最大穩(wěn)定性判別性顏色區(qū)域ts-msdcr；是指：在所有ts-mscr中，計算每個ts-mscr同其他ts-mscr之間的顏色特征距離，選取最小距離作為該ts-mscr的判別距離；對所有ts-mscr按照判別距離由大到小順序進行排序，判別距離越大的ts-mscr，認為其具有越大的判別性；選取判別距離最大的前n個ts-mscr，作為時空最大穩(wěn)定性判別性顏色區(qū)域ts-msdcr。同已有的mscr方法相比，這里通過判別距離大小來篩選出最有判別性的mscr區(qū)域，可降低時空上判別性較低的mscr區(qū)域出現誤匹配的概率(因為判別性較低意味著和其他區(qū)域相似、容易誤匹配)。優(yōu)選地，第五步中：定義兩個mscr之間的距離d(ri,rj)，所述兩個mscr，其中一個是步驟四中得到的ts-msdcr，一個是步驟五中得到的mscr：γ∈(0,1)其中，ri和rj表示第i和第j個mscr，和分別表示第i個ts-msdcr與當前幀的第j個mscr的面積距離和顏色特征距離；為尋找到與ts-msdcr相匹配的mscr，通過使距離d(ri,rj)最小化來尋找運動目標同一部位，j∈m，m為當前幀中mscr的總個數：mind(ri,rj)若ts-msdcr與所有的mscr距離差值都大于所設閾值dt，即mind(ri,rj)>dt，則認為該ts-msdcr在當前幀找不到與其匹配的區(qū)域，dt根據應用場合不同，取不同經驗值。根據本發(fā)明的第二目的，提供一種用于實現上述方法的視頻目標時空最大穩(wěn)定性判別性顏色區(qū)域匹配系統(tǒng)，包括：運動目標檢測模塊：用于檢測視頻中的運動目標，確定運動目標所在區(qū)域；最大穩(wěn)定性顏色區(qū)域提取模塊：基于所述最大穩(wěn)定性顏色區(qū)域的目標所在區(qū)域，檢測提取運動目標的最大穩(wěn)定性顏色區(qū)域，簡稱mscr；時空最大穩(wěn)定顏色區(qū)域提取模塊：對所述最大穩(wěn)定性顏色區(qū)域提取模塊得到的每個mscr，提取時空最大穩(wěn)定顏色區(qū)域即ts-mscr；時空最大穩(wěn)定性判別性顏色區(qū)域提取模塊：在所述時空最大穩(wěn)定顏色區(qū)域提取模塊的ts-mscr中，計算每個ts-mscr同其他ts-mscr之間的顏色特征距離，選取最小距離作為該ts-mscr的判別距離；對所有ts-mscr按照判別距離由大到小順序進行排序，判別距離越大的ts-mscr，認為其具有越大的判別性；選取判別距離最大的前n個ts-mscr，作為時空最大穩(wěn)定性判別性顏色區(qū)域即ts-msdcr；區(qū)域匹配模塊：用于視頻運動目標不同時間段mscr匹配；在后續(xù)視頻幀中，基于動目標跟蹤技術，確定第一步運動目標在當前幀的位置區(qū)域，并在該位置區(qū)域檢測提取目標的mscr；對步驟四得到的n個ts-msdcr，與運動目標在當前幀的每個mscr，進行基于顏色特征和相對面積等約束的相似度度量，相似度最大的區(qū)域，即為ts-msdcr在當前幀的匹配區(qū)域。本發(fā)明利用區(qū)域匹配，可以得到目標不同部位的相對空間位置變化，從而用來進行包括但不限于姿態(tài)估計、行為分析等智能化應用。與現有技術相比，本發(fā)明具有以下有益效果：本發(fā)明通過計算視頻每幀圖像內目標的mscr(最大穩(wěn)定顏色區(qū)域)，獲取具有時空穩(wěn)定性和判別性的特征ts-msdcr，較好的解決了目標區(qū)域隨目標形變(遮擋、姿態(tài)和光照等因素)造成的目標特征漂移現象，提高了對視頻內目標的描述準確性和魯棒性。附圖說明通過閱讀參照以下附圖對非限制性實施例所作的詳細描述，本發(fā)明的其它特征、目的和優(yōu)點將會變得更明顯：圖1為本發(fā)明一實施例中的方法流程圖；圖2為本發(fā)明一實施例中的ts-mscr提取過程圖；圖3為本發(fā)明一實施例中的ts-msdcr提取過程圖；圖4為本發(fā)明一實施例中的系統(tǒng)框圖。具體實施方式下面結合具體實施例對本發(fā)明進行詳細說明。以下實施例將有助于本領域的技術人員進一步理解本發(fā)明，但不以任何形式限制本發(fā)明。應當指出的是，對本領域的普通技術人員來說，在不脫離本發(fā)明構思的前提下，還可以做出若干變形和改進。這些都屬于本發(fā)明的保護范圍。本發(fā)明是一種視頻目標時空最大穩(wěn)定性判別性顏色區(qū)域匹配方法，相比于其他圖像特征，視頻中運動目標特征具有如下特點：特點一、形變：視頻中目標由于在圖像空間中的位移和目標自身的轉動等形變因素，造成目標區(qū)域特征隨著時間發(fā)生變化；加上由于運動造成姿態(tài)形變，某些部位會發(fā)生遮擋、彎曲、折疊等現象，導致部位剛性特征信息的丟失或變化，難以根據初始目標剛性特征進行目標匹配等研究分析。特點二、光照：由于時間域上光照條件的變化和圖像內光照不均勻、陰影現象，目標的顏色、紋理等特征會隨著時間發(fā)生一定改變。本發(fā)明的視頻目標時空最大穩(wěn)定性判別性顏色區(qū)域匹配方法，從上述問題出發(fā)，較好地解決了上述形變和光照等問題。本發(fā)明基于圖像特征提取領域中的mscr(最大穩(wěn)定極值區(qū)域)提出了視頻目標顏色特征ts-mscr(時空最大穩(wěn)定顏色區(qū)域)和ts-msdcr(時空最大穩(wěn)定性判別性顏色區(qū)域)。如圖1所示，為本發(fā)明的方法流程圖，共分為五個步驟：運動目標的檢測，檢測提取目標的mscr特征，提取時空最大穩(wěn)定顏色區(qū)域，提取時空最大穩(wěn)定性判別性顏色區(qū)域ts-msdcr和區(qū)域匹配。以下將對這五個步驟進行詳細描述：一、檢測視頻中的運動目標一幀圖像可根據分析對象不同，圖像內容可分為前景與背景。對視頻進行前景和背景提取，可以采用幀差法、光流法和背景建模法等。幀差法實現簡單，但是容易出現空洞現象；光流法通過計算運動圖像的二維速度場提取前景，可以應用在運動攝像頭的視頻上，但是光流法運算較復雜，實時性較差，不適合較多應用場合；由于生活中大部分監(jiān)控攝像頭都是固定視角的，通過背景建模，不同場景設置不同參數可以獲得很好的結果。opencv(計算機視覺開源庫)中也集成了成熟的背景建模算法，例如gmm(混合高斯模型)改進的gmm算法等。提取出視頻的前景后，由于一些擾動和攝像機成像的噪聲影響，前景圖像往往具有較多噪聲；利用腐蝕和膨脹等形態(tài)學處理，可以有效濾除噪聲；根據同一運動目標屬于同一團塊，將前景分割為不同目標；分割前景圖像成多個不同目標后，分別計算每個目標框大小和位置，用來確定提取mscr的子圖。本步驟中，對視頻中的運動目標，如行人，采用運動前景提取和目標檢測融合判決方法，檢測運動目標，確定運動目標所在區(qū)域(可以采用矩形目標框)。二、檢測提取目標的mscr特征2007年forssen提出mscr算法，該算法內含面積閾值、變化速率和一些狹長區(qū)域的參數，使得可以根據應用場合、目標大小調整參數刪選區(qū)域，得到較合適的mscr。提取每幀圖像目標的mscr特征后，計算得到每個區(qū)域的空間特征，包括但不限于中心位置p0(x0,y0)，面積大小a0和顏色特征(平均顏色或者顏色直方圖等)π0。三、提取時空最大穩(wěn)定顏色區(qū)域提取時空最大穩(wěn)定顏色區(qū)域如圖2所示。提取出τ幀的目標mscr后，為了使同一個目標連續(xù)幀內的mscr特征匹配，首先定義了如下距離：1)mscr面積距離da：其中，t代表當前第t幀，at表示第t幀mscr特征的面積大小。at-1表示第t-1幀mscr特征的面積大小。2)mscr中心點距離dp：其中(pt-pt-1)＝(xt-xt-1,yt-yt-1).表示中心點位移變化矢量；t代表當前第t幀，pt代表第t幀mscr特征的中心點，xt和yt表示中心點pt在圖像內坐標，pt-1代表第t-1幀mscr特征的中心點，xt-1和yt-1表示中心點pt-1在圖像內坐標。3)mscr平均顏色距離dc2：其中，t代表當前第t幀，k代表第k個顏色通道，π(t,k)表示第t幀第k個顏色通道的平均值，π(t-1,k)表示第t-1幀第k個顏色通道的平均值.采用卡方距離(chi-squareddistance)來度量顏色相似性。最后定義兩個mscr之間的距離dmscr(ri,rj)：α,β∈(0,1),(α+β)<1其中，ri和rj表示第i和第j個mscr。和分別表示相鄰幀目標第i個和第j個mscr的面積距離、中心位置距離和顏色特征距離；為在(t+1)幀內尋找t幀中目標對應區(qū)域通過使距離最小化來尋找目標同一部位的mscr，賦以相同標簽(label)歸為同一目標同一mscr：針對存在某些連續(xù)幀內mscr特征未匹配，設定其最小距離應小于所設閾值，即：mindmscr(ri,rj)<tmscr上述的為相鄰mscr特征匹配，為提取出在這段時間具有穩(wěn)定特征的mscr,還設定以下閾值約束：mscr面積約束：計算區(qū)域面積變化斜率da并且小于閾值sada<sa；mscr中心點約束：計算區(qū)域位移變化斜率dp并且小于閾值spdp<spmscr平均顏色約束：計算區(qū)域面積變化斜率dc并且小于閾值scdc<sc其中，dtmscr、sa、sp和sc斜率(slope)閾值由經驗值給出。對于某些同一目標同一mscr特征，mscr距離或者變化斜率大于所設閾值，則應將此區(qū)域刪除，只保留在時間框[t-τ,t]內穩(wěn)定存在的mscr。提取出τ幀內穩(wěn)定存在mscr特征后，為了使最后輸出的特征描述更加具有代表性，同時保持在時域上的穩(wěn)定性，引入核函數k(ti-t),i∈(0,τ]：其中，t表示當前幀，τ表示時間間隔，ti表示第ti個時刻。epannechnikov核函數：其中，c表示尺度因子，在實施例中設為1；x表示自變量。或者高斯核(gaussiankernel)函數：其中，σ表示尺度因子，可設為經驗值；x表示自變量。對于靠近當前幀的目標mscr特征，加以較大權重；對于時間窗內遠離當前幀的目標mscr特征，賦以較小權重；因為在一段連續(xù)的時間序列中，目標某些部位因遮擋、轉動等形變因素和光照變化因素勢必造成一些mscr特征隨時間發(fā)生改變；在符合穩(wěn)定性判決下，為保證最后提取出來的描述子具有在時間域上目標穩(wěn)定的特征信息，同時防止目標特征漂移現象；計算時間框[t-τ,t]內加權的mscr特征，得到目標區(qū)域最后時域穩(wěn)定的包括但不限于區(qū)域面積a，中心位置p(x,y)和顏色特征(平均顏色等)的描述子ts-mscr。四、提取時空最大穩(wěn)定性判別性顏色區(qū)域ts-msdcr。提取時空最大穩(wěn)定性判別性顏色區(qū)域ts-msdcr如圖3所示。提取出ts-mscr特征后，對于所有ts-mscr特征，計算每個ts-mscr特征之間顏色特征距離，選取最小的距離作為該ts-mscr的判別距離。對于第i個ts-mscr特征，其最小距離定義為：其中，j指的是除第i個ts-mscr外其他ts-mscr表示。對所有ts-mscr按照判別距離進行由大到小進行排序，判斷距離越大的ts-mscr特征，其具有越大的判別性。選取判別距離最大的前n個ts-mscr，稱之為時空最大穩(wěn)定性判別性顏色區(qū)域ts-msdcr，其中n一般取1～20之間，具體跟據目標和應用情況不同給出不同經驗值，比如目標如果為行人，按直立行人上、中、下三個區(qū)域每個區(qū)域選1-2個ts-msdcr，則整個目標的n可選為3-6個。(ts-msdcr概念可理解成mscr概念的子集)。第五步、區(qū)域匹配在后續(xù)視頻幀中，基于動目標跟蹤技術，確定目標所在的可能區(qū)域，并在該區(qū)域檢測提取目標的mscr特征；與第四步得到的n個ts-msdcr特征進行相似度度量。首先，定義兩個mscr(一個是步驟四中得到的ts-msdcr，一個是步驟五中得到的mscr)之間的距離d(ri,rj)：γ∈(0,1)其中，ri和rj表示第i和第j個mscr。和分別表示第i個ts-msdcr與第j個mscr的面積距離和顏色特征距離；為每個ts-msdcr在當前幀找到與其匹配的mscr，通過使距離d(ri，rj)最小來尋找目標同一部位(j∈[1,m]，m為當前幀中mscr的總個數)：mind(ri，rj)若ts-msdcr與所有的mscr距離差值都大于所設閾值dt，即mind(ri,rj)>dt，則認為該ts-msdcr在當前幀找不到與其匹配的區(qū)域。dt根據應用場合不同，可取不同經驗值。利用區(qū)域匹配，可以得到目標不同部位的相對空間位置變化，從而用來進行包括但不限于姿態(tài)估計、行為分析等智能化應用。如圖4所示，一種用于實現上述方法的視頻目標時空最大穩(wěn)定性判別性顏色區(qū)域匹配系統(tǒng)，包括：運動目標檢測模塊：用于檢測視頻中的運動目標，確定運動目標所在區(qū)域；最大穩(wěn)定性顏色區(qū)域提取模塊：基于所述最大穩(wěn)定性顏色區(qū)域的目標所在區(qū)域，檢測提取運動目標的最大穩(wěn)定性顏色區(qū)域，簡稱mscr；時空最大穩(wěn)定顏色區(qū)域提取模塊：對所述最大穩(wěn)定性顏色區(qū)域提取模塊得到的每個mscr，提取時空最大穩(wěn)定顏色區(qū)域即ts-mscr；時空最大穩(wěn)定性判別性顏色區(qū)域提取模塊：在所述時空最大穩(wěn)定顏色區(qū)域提取模塊的ts-mscr中，計算每個ts-mscr同其他ts-mscr之間的顏色特征距離，選取最小距離作為該ts-mscr的判別距離；對所有ts-mscr按照判別距離由大到小順序進行排序，判別距離越大的ts-mscr，認為其具有越大的判別性；選取判別距離最大的前n個ts-mscr，作為時空最大穩(wěn)定性判別性顏色區(qū)域即ts-msdcr；區(qū)域匹配模塊：用于視頻運動目標不同時間段mscr匹配；在后續(xù)視頻幀中，基于動目標跟蹤技術，確定第一步運動目標在當前幀的位置區(qū)域，并在該位置區(qū)域檢測提取目標的mscr；對步驟四得到的n個ts-msdcr，與運動目標在當前幀的每個mscr，進行基于顏色特征和相對面積等約束的相似度度量，相似度最大的區(qū)域，即為ts-msdcr在當前幀的匹配區(qū)域。上述各個模塊具體實現的技術與上述方法中各步驟的實現對應，這對本領域技術人員來說是很容易理解的，再此不再贅述。盡管本發(fā)明的內容已經通過上述實施例作了詳細介紹，但應當認識到上述的描述不應被認為是對本發(fā)明的限制。在本領域技術人員閱讀了上述內容后，對于本發(fā)明的多種修改和替代都將是顯而易見的。因此，本發(fā)明的保護范圍應由所附的權利要求來限定。當前第1頁12當前第1頁12