技術(shù)領(lǐng)域：

本發(fā)明涉及目標跟蹤技術(shù)領(lǐng)域，具體涉及一種計算機視覺領(lǐng)域的視覺目標跟蹤方法。

背景技術(shù)：
：

目標跟蹤是計算機視覺領(lǐng)域中十分重要的一個分支，因其的重要地位而受到國內(nèi)外的學者廣泛的關(guān)注和研究。與此同時，目標跟蹤在實際應用中具有廣泛的應用，例如：視頻監(jiān)控、人機交互、車輛監(jiān)控等多個領(lǐng)域。

目標跟蹤是智能監(jiān)控的重要環(huán)節(jié)，對目標跟蹤的研究對智能視頻監(jiān)控和國防安全可以起到指導作用。

但是在目標出現(xiàn)遮擋，大變形等情況下，現(xiàn)有的目標跟蹤方法準確性大大降低。

技術(shù)實現(xiàn)要素：
：

針對現(xiàn)有技術(shù)的不足，本發(fā)明提供一種改良的基于時空上下文模型的目標跟蹤方法，能夠有效降低在目標出現(xiàn)大變形情況下跟蹤失誤率，提高準確率。

為實現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：

一種改良的基于時空上下文模型的目標跟蹤方法，包括如下步驟：

步驟1：建立目標位置估計模型

目標位置估計模型為：

x表示圖像目標區(qū)域內(nèi)的任意位置，o表示目標出現(xiàn)；假定當前幀圖像中，目標位置為x^*，則其中i(z)是上下文位置z處的圖像灰度，是目標位置x^*的局部區(qū)域；p(x|c(z),o)是目標與周圍上下文信息空間關(guān)系的條件概率，p(c(z)|o)是局部上下文位置x的上下文先驗概率；

步驟2：建立空間上下文模型

空間上下文模型為：

p(x|c(z),o)＝h^sc(x-z)(2)

h^sc(x-z)為關(guān)于目標x與上下文位置z的距離方向函數(shù)；

步驟3：建立上下文先驗概率模型

上下文先驗概率模型為：

p(c(z)|o)＝i(z)ωσ(z-x^*)(3)

其中ωσ(z-x^*)為加權(quán)函數(shù)；

步驟4：時空上下文模型的快速在線學習更新

將式(2)、(3)帶入式(1)，可得目標位置x的似然估計模型為：

表示卷積，對式(4)兩邊同時進行快速傅立葉變換，得到：

f(c(x))＝f(h^sc(x))⊙f(i(x)ωσ(x-x^*))(5)

⊙表示點乘，f(·)表示快速傅立葉變換，空間上下文模型為：

f^-1(·)表示傅立葉逆變換；時空上下文模型由下式進行更新：

在獲取t+1時刻新的時空上下文關(guān)系后，用兩個正傅立葉變換和一個逆傅立葉變換來加速計算新一幀中目標位置的目標位置估計模型：

目標在下一幀的位置對應目標位置估計模型最大的位置：

步驟5：對時空上下文模型的反向重建

對時空上下文模型的反向重建：

在獲取t+1時刻的時空上下文關(guān)系后，將帶入式(10)，反求出t時刻的時空上下文關(guān)系

步驟6：誤差分析，設置閾值t

反向求出t時刻的時空上下文關(guān)系后將其帶入式(7)求出將代入公式(8)求出ct+1(x)′，與正向求解出的置信度響應ct+1(x)作差，若差值小于設定的閾值t則認為是目標，反之則認為目標跟丟，即：

|ct+1(x)-ct+1(x)′|≤t，跟蹤成功；(11)

|ct+1(x)-ct+1(x)′|＞t，跟蹤失??；(12)

步驟7：空間上下文模型的加權(quán)

如果|ct+1(x)-ct+1(x)′|＞t，對空間上下文模型p(x|c(z),o)＝h^sc(x-z)，即式(2)進行加權(quán)：

p(x|c(z),o)＝h^sc(x-z)×w(z)(13)

w(z)為位置z點位置的相應權(quán)值，獲取過程如下：

步驟7.1：在第t-1幀提取一定數(shù)量的harris角點，表示為一個集合：其中表示第i個harris角點，下標表示第t-1幀；

步驟7.2：采用lucas-kanade光流算法，得到t幀的跟蹤結(jié)果：

步驟7.3：計算每個角點的位移向量，表示為

步驟7.4：計算中心點的位移向量，表示為

步驟7.5：將上述位移向量轉(zhuǎn)化為極坐標形式：

其中，為位移向量的極坐標表示，rtⁱ和分別為位移向量的長度和角度，dx和dy分別為位移向量在x軸和y軸方向的分量，arctan為反正切函數(shù)；

步驟7.6：計算目標中心與harris角點之間的距離：

步驟g.7：計算每個角點的權(quán)值：

wt為第t幀的上下文權(quán)值矩陣，為第i個角點對應的權(quán)值，γ為尺度參數(shù)；

步驟8：將wt代入空間上下文模型(2)，根據(jù)加權(quán)后的空間上下文模型重復步驟3和4對目標位置進行跟蹤。

本發(fā)明的有益效果為：

在目標出現(xiàn)大變形，傳統(tǒng)的時空上下文目標跟蹤方法跟蹤準確率較低情況下，本發(fā)明可有效提升目標跟蹤成功率，提升了時空上下文目標跟蹤方法的魯棒性，穩(wěn)定性，也可為其他目標跟蹤方法提供借鑒。

附圖說明：

圖1為本發(fā)明的方法流程圖。

具體實施方式：

下面結(jié)合附圖對本發(fā)明作進一步的闡述。

如圖1所述，本發(fā)明提供一種改良的基于時空上下文模型的目標跟蹤方法，包括如下步驟：

步驟1：建立目標位置估計模型

將目標跟蹤看成是求解目標位置估計似然函數(shù)的最大值問題，即求解目標位置似然的置信度：

ct(x)＝p(xt|st)，ct(x)為目標位置的似然函數(shù)，xt∈x^c是當前幀中目標位置，s(xt)代表目標當前狀態(tài)；

引入上下文信息對目標位置進行估計：

使置信度值最大的x^*就是目標位置；從公式(2)可知，似然函數(shù)可分解為兩個概率函數(shù)：p(x|c(z),o)是目標與周圍上下文信息空間關(guān)系的條件概率，p(c(z)|o)是局部上下文位置點x的上下文先驗概率；

步驟2：建立目標與上下文的空間關(guān)系模型

空間上下文模型描述的是條件概率函數(shù)，將其建模為：

p(x|c(z),o)＝h^sc(x-z)(3)

h^sc(x-z)是一個關(guān)于目標x與上下文位置z的距離方向函數(shù)，它表征目標與上下文的空間關(guān)系，該函數(shù)具有徑向不對稱性，有助于分辨二義性，防止跟蹤漂移到相似目標上；

步驟3：建立上下文先驗概率模型

由于生物視覺系統(tǒng)機制，處于某個視覺區(qū)域內(nèi)的目標，離其越近的點關(guān)注的越多，反之關(guān)注的越少；該視覺系統(tǒng)機制反映在物理描述上就是離目標越近的點被賦予的權(quán)重越大；據(jù)此，將上下文先驗概率p(c(z)|o)建模為：

p(c(z)|o)＝i(z)ωσ(z-x^*)(4)

其中i(z)是點z的灰度，ωσ(z-x^*)為一個加權(quán)函數(shù)，z離x^*越近，權(quán)值越大：

步驟4：時空上下文模型的快速在線學習更新

將式(3)、(4)帶入式(2)，可得目標位置的似然估計值為：

表示卷積，對式(5)兩邊同時進行快速傅立葉變換，得到：

f(c(x))＝f(h^sc(x))⊙f(i(x)ωσ(x-x^*))(6)

⊙表示點乘，f(·)表示快速傅立葉變換，空間上下文模型為：

f^-1(·)表示傅立葉逆變換，即利用兩個傅立葉變換和一個傅立葉逆變換，求取空間上下文條件概率；時空上下文模型由下式進行更新：

在獲取t+1時刻新的時空上下文關(guān)系后，用兩個正傅立葉變換和一個逆傅立葉變換來加速計算新一幀中目標位置的置信度響應：

目標在下一幀的位置對應置信度響應最大的位置：

步驟5：對時空上下文模型的反向重建

對時空上下文模型的反向重建：

在獲取t+1時刻的時空上下文關(guān)系后，將帶入式(11)，反求出t時刻的時空上下文關(guān)系

步驟6：誤差分析，設置閾值t

反向求出t時刻的時空上下文關(guān)系后將其帶入式(8)反向求出將代入公式(9)求出ct+1(x)′，即t+1時刻反向求出的置信度響應，與正向求解出的置信度響應ct+1(x)作差，若差值小于設定的閾值t則認為是目標，反之則認為目標跟丟：

|ct+1(x)-ct+1(x)′|≤t(跟蹤成功)(12)

|ct+1(x)-ct+1(x)′|＞t(跟蹤失敗)(13)

步驟7：空間上下文模型的加權(quán)

在確認目標跟丟之后，對空間上下文模型h^sc(x-z)即式(3)進行加權(quán)：

p(x|c(z),o)＝h^sc(x-z)×w(z)(14)

之后重復步驟3和4。

以上所述僅是本發(fā)明的優(yōu)選實施方式，應當指出：對于本技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明原理的前提下，還可以做出若干改進和潤飾，這些改進和潤飾也應視為本發(fā)明的保護范圍。