本發(fā)明涉及圖像處理與計(jì)算機(jī)模式識(shí)別相關(guān)領(lǐng)域，尤其是涉及一種基于rgb顏色直方圖的判別式跟蹤方法。

背景技術(shù)：

機(jī)場的安全問題越來越重要，目前機(jī)場中常常使用攝像機(jī)監(jiān)視系統(tǒng)監(jiān)視機(jī)場中重要區(qū)域，但機(jī)場場景較大單個(gè)攝像機(jī)難以覆蓋整個(gè)目標(biāo)區(qū)域，因此需要多個(gè)攝像機(jī)同時(shí)監(jiān)控目標(biāo)不同的區(qū)域?，F(xiàn)有的分割獨(dú)立式窗口布局，通常只針對重點(diǎn)區(qū)域，獲取的場景信息散亂且不完整，不利于工作人員觀看。隨著圖像拼接技術(shù)的出現(xiàn)及成熟，越來越多的機(jī)場等大尺度場景采用全景監(jiān)控。在如此的大場景監(jiān)控，如果僅依賴于人工查看，工作量十分巨大而且操作人員易出現(xiàn)疲勞，可能錯(cuò)過監(jiān)控區(qū)域內(nèi)的很多重要細(xì)節(jié)。

單攝像機(jī)跟蹤或多路分散攝像機(jī)視頻跟蹤，由于全景視頻監(jiān)控范圍較大，運(yùn)動(dòng)目標(biāo)可能會(huì)由遠(yuǎn)及近或由近及遠(yuǎn)的運(yùn)動(dòng)造成目標(biāo)尺度變化較大；其次全景圖像是由多幀圖像拼接生成，可能存在拼接縫，運(yùn)動(dòng)目標(biāo)在拼接縫處可能出現(xiàn)斷裂，傳統(tǒng)的跟蹤算法沒有考慮這些問題，因此不能將傳統(tǒng)的跟蹤算法直接用于全景視頻跟蹤中。

單攝像機(jī)跟蹤研究較多，已經(jīng)產(chǎn)生了許多經(jīng)典的算法，例如，基于區(qū)域的跟蹤算法：使用視頻圖像的灰度信息、顏色信息、運(yùn)動(dòng)信息、幀間變化信息等在幀間做目標(biāo)區(qū)域匹配；基于輪廓的跟蹤算法：通過對目標(biāo)的輪廓進(jìn)行描述達(dá)到跟蹤的目的；基于特征的跟蹤算法：根據(jù)目標(biāo)的局部特征，而不關(guān)心目標(biāo)大小、輪廓等整體特征，提取的目標(biāo)特征需要具備容易計(jì)算、平移、旋轉(zhuǎn)以及尺度不變性等特點(diǎn)，本方法對目標(biāo)中有部分遮擋情況具有較強(qiáng)抵抗力，但對噪聲和環(huán)境的變化較為敏感；基于生成式模型的跟蹤算法：利用最小重構(gòu)誤差描述目標(biāo)，從幀圖像中搜索與模型最相似的區(qū)域確定目標(biāo)，使用一個(gè)線下的子空間模型表示感興趣的目標(biāo)區(qū)域；基于判別式模型的跟蹤算法：將目標(biāo)跟蹤看作是二值分類問題，通過尋找能夠區(qū)分目標(biāo)與背景的邊界來檢測目標(biāo)。與生成式模型相比，判別式模型僅適用目標(biāo)的外觀信息進(jìn)行建模，在跟蹤過程中目標(biāo)與背景都可能發(fā)生變化，因此分類器需要對目標(biāo)和背景外觀的變化具有自適應(yīng)性。

圖1是判別式模型跟蹤框架，在圖像完成特征提取后，特征經(jīng)過分類器判別就可以確定目標(biāo)的空間位置，而不再需要對目標(biāo)外觀模型進(jìn)行復(fù)雜的建模。因此，基于判別式模型的跟蹤方法越來越受關(guān)注。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的在于：針對現(xiàn)有技術(shù)存在的問題，提供一種基于rgb顏色直方圖的判別式跟蹤方法，解決現(xiàn)有跟蹤方法在跟蹤運(yùn)動(dòng)目標(biāo)時(shí)，會(huì)在拼接縫處出現(xiàn)斷裂的問題。

本發(fā)明的發(fā)明目的通過以下技術(shù)方案來實(shí)現(xiàn)：

一種基于rgb顏色直方圖的判別式跟蹤方法，其特征在于，該方法包括：預(yù)先估計(jì)出目標(biāo)概率圖；在當(dāng)前搜索區(qū)域內(nèi)滑動(dòng)窗口，并依次計(jì)算候選窗口被認(rèn)為是目標(biāo)的得分，選取得分最高的候選窗口作為新的目標(biāo)位置；根據(jù)新的目標(biāo)位置更新概率圖，標(biāo)定目標(biāo)。

進(jìn)一步，預(yù)先估計(jì)出目標(biāo)概率圖的方法為：采用貝葉斯分類器，對于跟蹤的目標(biāo)o，設(shè)定其外接矩形區(qū)域?yàn)閞，其周圍背景區(qū)域?yàn)閍，用表示區(qū)域u上rgb顏色值為rgbx的像素點(diǎn)個(gè)數(shù)，則根據(jù)貝葉斯規(guī)則，圖像i上像素點(diǎn)x在目標(biāo)o上的概率為

公式中的“其他”表示：未出現(xiàn)的rgb顏色向量。

進(jìn)一步，將目標(biāo)周圍的相似區(qū)域考慮進(jìn)來，假設(shè)當(dāng)前的相似區(qū)域集合為d，定義基于相似區(qū)域的目標(biāo)概率為：

將p(x∈o|o,r,a,rgbx)和p(x∈o|o,r,d,rgbx)結(jié)合獲得最終的目標(biāo)概率圖如下：

其中pax＝p(x∈o|o,r,a,rgbx)，pdx＝p(x∈o|o,r,d,rgbx)。

進(jìn)一步，計(jì)算當(dāng)前幀的p(x∈o|rgbx)，然后和上一幀的pt-1(x∈o|rgbx)進(jìn)行加權(quán)求和獲得當(dāng)前幀的概率圖為：pt(x∈o|rgbx)＝αp(x∈o|rgbx)+(1-α)pt-1(x∈o|rgbx)。

進(jìn)一步，搜索區(qū)域的大小根據(jù)上一幀中目標(biāo)尺寸決定，水平步長和垂直步長由重疊閾值確定，滑動(dòng)窗口的大小為上一幀中目標(biāo)尺寸的75％。

進(jìn)一步，得分的計(jì)算公式如下：

其中，ct-1是t-1幀中目標(biāo)中心點(diǎn)坐標(biāo)。

進(jìn)一步，得分最高的滑動(dòng)窗口作為新的目標(biāo)位置的計(jì)算公式為：根據(jù)計(jì)算出來的當(dāng)ot,i符合時(shí)將其定義為新的干擾區(qū)域。

進(jìn)一步，設(shè)p為概率圖，分別計(jì)算區(qū)域o、d上的累計(jì)直方圖

和根據(jù)前述兩式計(jì)算自適應(yīng)閾值

得到的t是一個(gè)向量，取t中最小的元素作為閾值，調(diào)整當(dāng)前目標(biāo)區(qū)域首先定義內(nèi)部的75％作為一個(gè)安全的目標(biāo)區(qū)域，然后從安全區(qū)域的四個(gè)方向向外依次計(jì)算每行和每列的概率值之和sp，若sp＞λt則判定當(dāng)前行或列為目標(biāo)區(qū)域的一部分，否則，判定其為背景。

與現(xiàn)有技術(shù)相比，本發(fā)明具有以下優(yōu)點(diǎn)：

(1)該方法基于目標(biāo)的顏色直方圖，因此對目標(biāo)在全景圖像拼接縫處可能出現(xiàn)的斷裂情況有很好的抵抗力。

(2)該方法對運(yùn)動(dòng)目標(biāo)由遠(yuǎn)及近或由近及遠(yuǎn)的運(yùn)動(dòng)造成目標(biāo)尺寸變化有較好的適應(yīng)能力。

(3)當(dāng)在搜索區(qū)域內(nèi)檢測目標(biāo)時(shí)，可以使用預(yù)先計(jì)算好的概率圖和積分直方圖，因此處理速度較快，可以達(dá)到實(shí)時(shí)的要求。

(4)針對基于顏色模型的跟蹤器在目標(biāo)周圍出現(xiàn)相似物體時(shí)，容易出現(xiàn)目標(biāo)跟蹤丟失或目標(biāo)估計(jì)尺寸變大等，本方法引入干擾項(xiàng)，可以抑制目標(biāo)周圍相似區(qū)域?qū)Ω櫧Y(jié)果的影響。

附圖說明

圖1為判別模型跟蹤框架；

圖2為未引入干擾項(xiàng)抑制概率圖；

圖3為引入干擾項(xiàng)抑制概率圖；

圖4為搜索窗口示意圖；

圖5為目標(biāo)尺尺寸更新示意圖；

圖6為全景效果較差情況下跟蹤效果圖

具體實(shí)施方式

下面結(jié)合附圖和具體實(shí)施例對本發(fā)明進(jìn)行詳細(xì)說明。

實(shí)施例

本發(fā)明提出了一種改進(jìn)的基于rgb顏色直方圖的判別式目標(biāo)跟蹤方法，其主要用于全景視頻，首先，預(yù)先估計(jì)出目標(biāo)概率圖，降低在搜索區(qū)域內(nèi)搜索目標(biāo)時(shí)的計(jì)算量；其次，在當(dāng)前搜索區(qū)域內(nèi)滑動(dòng)窗口依次計(jì)算候選窗口被認(rèn)為是目標(biāo)的得分，選取得分最高的候選窗口作為新的目標(biāo)位置；最后，根據(jù)新的目標(biāo)位置更新概率圖，標(biāo)定目標(biāo)。本方案與其他基于顏色直方圖的跟蹤方法的不同之處在于優(yōu)化了干擾抑制項(xiàng)，對目標(biāo)周圍出現(xiàn)的相似的區(qū)域有較好的抵抗力。針對機(jī)場場景較大目標(biāo)可能由遠(yuǎn)及近或由近及遠(yuǎn)的運(yùn)動(dòng)造成目標(biāo)尺度變化較大的情況，在算法中加入尺度估計(jì)的功能，可根據(jù)目標(biāo)物大小自動(dòng)調(diào)整大小。

本發(fā)明包括以下幾個(gè)部分：

1、建立預(yù)估計(jì)目標(biāo)概率圖

本發(fā)明基于判別式的目標(biāo)跟蹤方法將目標(biāo)跟蹤視為目標(biāo)與背景，利用上一幀目標(biāo)位置的局部區(qū)域抽樣，從當(dāng)前幀圖像的背景中區(qū)分出目標(biāo)的區(qū)域。而目標(biāo)跟蹤的準(zhǔn)確性和穩(wěn)定性也在很大程度上依賴于目標(biāo)與背景的可分性。采用貝葉斯分類器，對于跟蹤的目標(biāo)o，設(shè)定其外接矩形區(qū)域?yàn)閞，其周圍背景區(qū)域?yàn)閍。根據(jù)貝葉斯規(guī)則，圖像i上像素點(diǎn)x在目標(biāo)o上的概率為

其中rgbx表示像素點(diǎn)x處的rgb顏色值向量。然后使用rgb顏色直方圖估計(jì)似然項(xiàng)

其中表示區(qū)域u上rgb顏色值為rgbx的像素點(diǎn)個(gè)數(shù)，|·|為集合的勢，先驗(yàn)概率p(x∈o)≈|r|/(|o|+|r|+|a|)。代入上式(1)可得

對于未出現(xiàn)的rgb顏色向量，設(shè)在下一幀目標(biāo)區(qū)域出現(xiàn)的概率和不在下一幀目標(biāo)區(qū)域出現(xiàn)的概率是相同的，因此，此處賦值為0.5。

基于顏色的跟蹤器最大的問題是當(dāng)目標(biāo)周圍出現(xiàn)相似區(qū)域時(shí)，可能把相似區(qū)域誤判成目標(biāo)或目標(biāo)的一部分。為了解決這個(gè)問題，將目標(biāo)周圍的相似區(qū)域考慮進(jìn)來，假設(shè)當(dāng)前的相似區(qū)域集合為d，類似于公式(1)，定義基于相似區(qū)域的目標(biāo)概率為：

將p(x∈o|o,r,a,rgbx)和p(x∈o|o,r,d,rgbx)結(jié)合獲得最終的目標(biāo)概率圖如下：

其中pax＝p(x∈o|o,r,a,rgbx)，pdx＝p(x∈o|o,r,d,rgbx)。

圖2中僅考慮目標(biāo)區(qū)域(黑色矩形框區(qū)域)，利用公式(3)計(jì)算所得的概率圖如圖2中第二幅圖像所示。從此圖中可以看出干擾項(xiàng)(白色矩形框區(qū)域)處的概率較高，可能影響目標(biāo)的跟蹤。圖3中加入了干擾項(xiàng)(黑色矩形框區(qū)域)抑制，利用公式(5)計(jì)算所得概率圖如圖3中的第二幅圖像所示。在加入干擾項(xiàng)抑制后，計(jì)算所得概率圖干擾項(xiàng)處的值明顯得到了抑制，降低了對真實(shí)目標(biāo)的干擾。

由于目標(biāo)在不斷運(yùn)動(dòng)和外界條件的變化(光照，霧，霾等)，目標(biāo)的外觀可能不斷的發(fā)生變化，因此需要不斷的更新概率圖。首先，使用公式(5)計(jì)算p(x∈o|rgbx)，然后和上一幀的pt-1(x∈o|rgbx)進(jìn)行加權(quán)求和獲得當(dāng)前幀的概率圖為

pt(x∈o|rgbx)＝αp(x∈o|rgbx)+(1-α)pt-1(x∈o|rgbx)(6)

式(6)計(jì)算所得的概率圖考慮到了目標(biāo)前n幀的屬性值，因此本算法在跟蹤目標(biāo)時(shí)對目標(biāo)局部被短暫遮擋的情況有較強(qiáng)的抵抗力。

2、位置更新

視頻中的目標(biāo)是連續(xù)移動(dòng)的，因此目標(biāo)在t幀的位置ot一定在t-1幀位置ot-1的附近。定義一個(gè)搜索區(qū)域和一個(gè)滑動(dòng)窗口，從搜索區(qū)域左上角開始，從左到右，從上至下計(jì)算當(dāng)前滑動(dòng)窗口是目標(biāo)新位置的得分情況，如圖4所示。搜索區(qū)域的大小根據(jù)上一幀中目標(biāo)尺寸決定，水平步長和垂直步長由重疊閾值確定，滑動(dòng)窗口的大小為上一幀中目標(biāo)尺寸的75％。

定義當(dāng)前滑動(dòng)窗口得分的計(jì)算公式如下：

其中，ct-1是t-1幀中目標(biāo)中心點(diǎn)坐標(biāo)。然后，求取得分最高的滑動(dòng)窗口作為新的目標(biāo)位置

當(dāng)真實(shí)的目標(biāo)周圍出現(xiàn)與目標(biāo)相似的區(qū)域時(shí)，會(huì)干擾對目標(biāo)的跟蹤，因此在計(jì)算概率圖時(shí)引入了干擾項(xiàng)。因?yàn)槟繕?biāo)可能不斷在發(fā)生變化，干擾項(xiàng)也隨之變化，因此需要重新檢測當(dāng)前的干擾區(qū)域。根據(jù)計(jì)算出來的當(dāng)ot,i符合時(shí)將其定義為新的干擾區(qū)域。

3、尺寸更新

目標(biāo)運(yùn)動(dòng)可能是從遠(yuǎn)到近或從近到遠(yuǎn)，因此目標(biāo)的尺寸可能發(fā)生較大改變需要重新估計(jì)目標(biāo)在當(dāng)前幀中的尺寸。首先在新的一幀中定位目標(biāo)，然后進(jìn)行尺寸估計(jì)。通過對p(x∈o|rgbx)閾值化分割出感興趣區(qū)域，但是固定的閾值由于目標(biāo)背景的復(fù)雜性和光照的快速變化可能影響尺度的正確估計(jì)，因此閾值需要是動(dòng)態(tài)變化的。設(shè)p為概率圖，分別計(jì)算區(qū)域o,d上的累計(jì)直方圖

根據(jù)式(9)(10)計(jì)算自適應(yīng)閾值

得到的t是一個(gè)向量，取t中最小的元素作為閾值。

調(diào)整當(dāng)前目標(biāo)區(qū)域首先定義一個(gè)安全的目標(biāo)區(qū)域?yàn)?imgfile="bda0001298869330000077.gif"wi="58"he="62"img-content="drawing"img-format="gif"orientation="portrait"inline="no"/>內(nèi)部的75％，然后從安全區(qū)域的四個(gè)方向向外依次計(jì)算每行和每列的概率值之和sp，如圖5所示。若sp＞λt則判定當(dāng)前行或列為目標(biāo)區(qū)域的一部分，否則，判定其為背景。

使用本發(fā)明提出的跟蹤方法在四路全景視頻中的跟蹤結(jié)果如圖6中的黑色方框區(qū)域所示，可見本發(fā)明可以很好的跟蹤運(yùn)動(dòng)物體。

以上所述僅為本發(fā)明的較佳實(shí)施例而已，并不用以限制本發(fā)明，應(yīng)當(dāng)指出的是，凡在本發(fā)明的精神和原則之內(nèi)所作的任何修改、等同替換和改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。