本發(fā)明屬于目標(biāo)跟蹤技術(shù)領(lǐng)域，具體涉及一種考慮目標(biāo)運動信息的視頻目標(biāo)跟蹤方法。

背景技術(shù)：

運動目標(biāo)跟蹤是計算機視覺領(lǐng)域的一個重要研究方向，廣泛應(yīng)用于安全監(jiān)控、視覺導(dǎo)航及軍事事件處理等領(lǐng)域。視頻目標(biāo)跟蹤的主要任務(wù)是跟蹤圖像序列中人們關(guān)注的運動目標(biāo)。在實際的跟蹤過程中，目標(biāo)會發(fā)生尺度變化、形變和旋轉(zhuǎn)等形態(tài)改變，或是受到背景叢簇，遮擋和光照等外界因素的干擾，同時也會有目標(biāo)自身運動狀態(tài)變化的情況，給目標(biāo)的準(zhǔn)確跟蹤帶來挑戰(zhàn)。

針對上述技術(shù)問題，為了更準(zhǔn)確的跟蹤目標(biāo)，現(xiàn)有的視頻目標(biāo)跟蹤算法多采用粒子濾波框架下的基于稀疏表示的跟蹤方法。然而這種方法多關(guān)注于目標(biāo)本身特征或遮擋、光照等外界因素對目標(biāo)特征帶來的影響，忽略了目標(biāo)的運動特性，沒有考慮目標(biāo)的實際運動狀態(tài)信息。尤其在目標(biāo)發(fā)生快速運動時，粒子濾波框架下簡單高斯無預(yù)測的狀態(tài)轉(zhuǎn)移模型可能導(dǎo)致在目標(biāo)會出現(xiàn)的方位沒有候選樣本，同時在決策時忽視目標(biāo)運動信息帶來的不同方位樣本的權(quán)重不同，最終帶來目標(biāo)跟蹤的失敗。

技術(shù)實現(xiàn)要素：

針對目前粒子濾波框架下基于稀疏表示的目標(biāo)跟蹤方法的不足，本發(fā)明的目的在于提出了一種考慮目標(biāo)運動信息的視頻目標(biāo)跟蹤方法，該方法充分考慮目標(biāo)的運動信息，獲得有針對性的候選樣本，根據(jù)樣本所處方位不同分配權(quán)重并提出位置因子用于決策，提出基于目標(biāo)運動信息的決策模型和自適應(yīng)的更新策略，以提高跟蹤的準(zhǔn)確性。

為達到上述目的，本發(fā)明采取如下的技術(shù)方案來實現(xiàn)：

一種考慮目標(biāo)運動信息的視頻目標(biāo)跟蹤方法，包括以下步驟：

1)通過狀態(tài)轉(zhuǎn)移模型估計目標(biāo)的運動狀態(tài)并獲得候選樣本，用于后續(xù)樣本位置權(quán)重分配與置信度決策，以得到準(zhǔn)確目標(biāo)；

2)將獲得的候選樣本輸入位置權(quán)重分配模型，該模型中提出一種假設(shè)的概率分布，給處于不同位置的樣本分配權(quán)重，計算獲得樣本位置因子，用于后續(xù)的置信度決策；

3)將得到的樣本位置因子輸入置信度決策模型，并參考稀疏判別式分類器整體表征得到的整體響應(yīng)與稀疏生成式模型得到的局部響應(yīng)計算每個樣本的置信度，選擇置信度最大的樣本作為當(dāng)前幀目標(biāo)；

4)通過自適應(yīng)模板更新模型根據(jù)當(dāng)前幀目標(biāo)運動狀態(tài)的不同采用不同的更新策略對模板進行更新。

本發(fā)明進一步的改進在于，狀態(tài)轉(zhuǎn)移模型中，先利用簡單高斯無預(yù)測模型獲得n1個候選樣本，再在此基礎(chǔ)上根據(jù)運動信息預(yù)測的目標(biāo)運動狀態(tài)，獲得n2個有針對性的候選樣本，共得到n1+n2個候選樣本，其中，100≤n1≤250，210≤n2≤350，310≤n1+n2≤600。

本發(fā)明進一步的改進在于，估計目標(biāo)的運動狀態(tài)，該運動狀態(tài)的估計包括目標(biāo)可能出現(xiàn)的7個運動方向的估計和目標(biāo)運動距離的估計：

估計第t幀目標(biāo)的7個可能出現(xiàn)的方向角為其中n為大于等于1小于等于7的非負(fù)整數(shù)，θt-1為第t-1幀目標(biāo)的運動方向，估計的第t幀目標(biāo)相對于第t-1幀目標(biāo)的運動距離為其中距離變化率wt為估計的第t幀目標(biāo)運動距離與第t-1幀目標(biāo)運動距離的比值。

本發(fā)明進一步的改進在于，根據(jù)估計的目標(biāo)運動狀態(tài)，獲得n2個候選樣本，具體為：

在n1個基礎(chǔ)樣本中篩選出估計的7個運動方向上的基準(zhǔn)樣本，在每個估計的運動方向上以基準(zhǔn)樣本為原點均勻的以lt/u為間隔獲得u個候選樣本，共7u個候選樣本，其中，30≤u≤50。

本發(fā)明進一步的改進在于，位置權(quán)重分配模型中提出的一種假設(shè)的雙高斯概率分布，如下：

(1)目標(biāo)出現(xiàn)在θt-1方向上的概率最大，出現(xiàn)在θt-1±π方向的概率最小，角度服從高斯分布；

(2)在θt-1方向上，目標(biāo)出現(xiàn)在距離上一幀目標(biāo)處的概率最大，出現(xiàn)在處的概率小，距離服從高斯分布；

(3)在θt-1±π的方向上，目標(biāo)出現(xiàn)在上一幀目標(biāo)處的概率最大，出現(xiàn)在距離上一幀目標(biāo)±∞處的概率?。?/p>

(4)每一個方向θ上，都存在一個距離，定義為概率最大距離值lθ，使得目標(biāo)在該方向θ上出現(xiàn)在距離上一幀目標(biāo)lθ上的概率最大，出現(xiàn)在lθ±∞處的概率最小。

本發(fā)明進一步的改進在于，樣本的位置因子計算，其計算方法如下：

根據(jù)提出的一種假設(shè)的雙高斯概率分布，計算樣本的角度分?jǐn)?shù)sa、基于方向角的概率最大距離值與距離分?jǐn)?shù)sl，并將角度分?jǐn)?shù)與距離分?jǐn)?shù)相乘得到樣本的位置因子f＝sasl。

本發(fā)明進一步的改進在于，計算樣本的角度分?jǐn)?shù)sa，計算方法如下：

根據(jù)假設(shè)，角度服從高斯分布，每個樣本相對于第t-1幀目標(biāo)中心的方位角不同，將該方位角代入提議的概率分布，得到角度分?jǐn)?shù)sa。

本發(fā)明進一步的改進在于，計算樣本的距離分?jǐn)?shù)sl，計算方法如下：

根據(jù)每個樣本相對于第t-1幀目標(biāo)中心的方位角不同，計算概率最大距離值；根據(jù)該概率最大距離值，建立距離的高斯分布；根據(jù)每個樣本相對于第t-1幀目標(biāo)中心的距離不同，將該距離代入提議的概率分布，得到距離分?jǐn)?shù)sl。

本發(fā)明進一步的改進在于，在置信度決策模型中，樣本的置信度由位置因子、稀疏判別式分類器得到的整體響應(yīng)與稀疏生成式模型得到的局部響應(yīng)相乘得到。

本發(fā)明進一步的改進在于，在自適應(yīng)模板更新模型中，對目標(biāo)特征正模板，采用如下的方式進行更新：

每隔5幀，當(dāng)t-1幀目標(biāo)相對于t-2幀目標(biāo)運動距離大于20個像素值時，更新5個目標(biāo)特征正模板，其余情況不更新目標(biāo)特征正模板。

本發(fā)明具有以下的有益效果：

本發(fā)明提出了一種考慮目標(biāo)運動信息的視頻目標(biāo)跟蹤方法，將運動信息融入狀態(tài)轉(zhuǎn)移模型獲得有針對性的候選樣本，改善了過多無效樣本帶來的無意義計算量增加的情況，同時充分利用運動信息，根據(jù)目標(biāo)方位不同分配權(quán)重獲得候選樣本位置因子用于置信度決策模型以提高決策的準(zhǔn)確率，最后考慮到目標(biāo)運動劇烈時帶來的目標(biāo)形態(tài)改變，當(dāng)目標(biāo)運動矢量較大時，動態(tài)更新目標(biāo)特征正模板集以更準(zhǔn)確的表示目標(biāo)來適應(yīng)目標(biāo)外觀變化，提高了目標(biāo)跟蹤的準(zhǔn)確率與成功率。

進一步，狀態(tài)轉(zhuǎn)移模型考慮了目標(biāo)的運動信息，估計目標(biāo)可能出現(xiàn)的方位，為有針對性的獲取候選樣本提供依據(jù)，使得樣本盡可能的被選取在目標(biāo)的周圍。

進一步，位置權(quán)重分配模型中提出的假設(shè)雙高斯概率分布模擬目標(biāo)運動趨勢，依據(jù)此概率分布得到各候選樣本的位置因子值，該值可近似估計目標(biāo)出現(xiàn)在某位置的概率。

進一步，置信度決策模型中考慮樣本的位置因子，也就是考慮目標(biāo)的運動信息，同時參考了稀疏判別式分類器整體表征得到的整體響應(yīng)與稀疏生成式模型得到的局部響應(yīng)，有助于更準(zhǔn)確的決策出目標(biāo)。

進一步，在目標(biāo)運動速度較快時，必然會帶來目標(biāo)外觀的變化，適當(dāng)?shù)耐ㄟ^自適應(yīng)模板更新模型更新正模板集有助于更準(zhǔn)確的表示目標(biāo)。

綜上所述，本發(fā)明將目標(biāo)的運動信息充分融入目標(biāo)跟蹤算法中，尤其當(dāng)目標(biāo)運動速度較快時，有針對性的獲取樣本、分配權(quán)重、決策和更新方式有效的提高了跟蹤的效率，具有良好的應(yīng)用價值。

此外，通過對本發(fā)明與現(xiàn)有的在粒子濾波框架下基于稀疏表示的目標(biāo)跟蹤算法scm在benchmark中的50個視頻上進行了比較。測試結(jié)果發(fā)現(xiàn)，本發(fā)明在閾值為20的準(zhǔn)確率為0.690，成功率auc為0.513。尤其在快速運動這類視頻上，本發(fā)明相較scm算法的準(zhǔn)確率提升了9.3％，成功率提升了6.1％?？梢悦黠@看出，本發(fā)明有效的提高了目標(biāo)跟蹤的準(zhǔn)確率和成功率。

附圖說明

圖1為本發(fā)明中考慮目標(biāo)運動信息的視頻目標(biāo)跟蹤方法示意圖。

圖2為本發(fā)明中狀態(tài)轉(zhuǎn)移模型流程圖。

圖3為本發(fā)明中位置權(quán)重分配模型流程圖。

圖4位本發(fā)明中自適應(yīng)模板更新模型流程圖。

圖5為實驗得到的本發(fā)明與其他七種現(xiàn)有算法基于50個標(biāo)準(zhǔn)視頻的跟蹤準(zhǔn)確率圖(圖中本發(fā)明用m表示)。

圖6為實驗得到的本發(fā)明與其他七種現(xiàn)有算法基于50個標(biāo)準(zhǔn)視頻的跟蹤成功率圖(圖中本發(fā)明用m表示)。

圖7為實驗得到的本發(fā)明與其他七種現(xiàn)有算法基于17個具有快速運動特性標(biāo)準(zhǔn)視頻的跟蹤準(zhǔn)確率圖(圖中本發(fā)明用m表示)。

圖8為實驗得到的本發(fā)明與其他七種現(xiàn)有算法基于17個具有快速運動特性標(biāo)準(zhǔn)視頻的跟蹤成功率圖(圖中本發(fā)明用m表示)。

具體實施方式

下面結(jié)合附圖對本發(fā)明進行詳細闡述：

如圖1所示，本發(fā)明一種考慮目標(biāo)運動信息的視頻目標(biāo)跟蹤方法，包括以下幾個步驟：

1)通過狀態(tài)轉(zhuǎn)移模型預(yù)測目標(biāo)的運動狀態(tài)并獲得候選樣本，用于后續(xù)樣本位置權(quán)重分配與置信度決策，以得到準(zhǔn)確目標(biāo)；

2)通過位置權(quán)重分配模型提出一種假設(shè)的概率分布，給處于不同位置的樣本分配權(quán)重，計算獲得樣本位置因子，用于后續(xù)的置信度決策；

3)通過置信度決策模型根據(jù)每個候選樣本的權(quán)重因子與稀疏判別式分類器整體表征得到的整體響應(yīng)與稀疏生成式模型得到的局部響應(yīng)，計算每個樣本的置信度，并選擇置信度最大的樣本作為目標(biāo)；

4)通過自適應(yīng)模板更新模型根據(jù)目標(biāo)運動狀態(tài)的不同采用不同的更新策略對模板進行更新。

如圖2所示，狀態(tài)轉(zhuǎn)移模型中，先通過簡單高斯無預(yù)測模型獲得250個基礎(chǔ)候選樣本，并再在此基礎(chǔ)上根據(jù)運動信息預(yù)測的目標(biāo)運動狀態(tài)，獲得350個有針對性的候選樣本。共得到600個候選樣本。

以跟蹤t幀的目標(biāo)為例，候選樣本具體獲取方式如下：

(1)獲得250個基礎(chǔ)候選樣本

已知t-1幀目標(biāo)跟蹤結(jié)果，每個樣本的狀態(tài)變量通過六參數(shù)的仿射變換模型來表示。假設(shè)狀態(tài)轉(zhuǎn)移方程服從高斯分布，通過高斯擾動推斷目標(biāo)在當(dāng)前幀的狀態(tài)，獲得250個基礎(chǔ)候選樣本。

xt＝xt-1+xgauss

(2)候選樣本的運動矢量獲取

分別計算250個候選樣本相對于t-1幀跟蹤目標(biāo)的中心坐標(biāo)差，并轉(zhuǎn)換為極坐標(biāo)形式。如下：

其中(xt-1,yt-1)表示第t-1幀目標(biāo)中心坐標(biāo)，(xn,yn)表示第n個候選樣本的中心坐標(biāo)表示，(θn,ln)為第n個樣本與第t-1幀目標(biāo)之間的中心坐標(biāo)差的極坐標(biāo)表示，其中涵蓋了運動矢量信息，包括方向信息和距離信息。

(3)t幀目標(biāo)運動狀態(tài)估計

t幀目標(biāo)運動狀態(tài)估計，包括運動方向估計和運動距離估計，具體如下：

a.方向估計

若第t-1幀目標(biāo)相對于第t-2幀目標(biāo)的運動方向為θt-1，那么近似的估計第t幀目標(biāo)相對于第t-1幀目標(biāo)的運動方向也接近于θt-1。為防止角度估計偏差過大，設(shè)置θt-1±30°的范圍角，并在該范圍角中均勻選取7個角度，也就是以θt-1為中心，正負(fù)每隔10度取一個角作為目標(biāo)可能出現(xiàn)的運動方向角，估計的7個可能出現(xiàn)的方向角如下：

其中n為大于等于1小于等于7的非負(fù)整數(shù)。

b.距離估計

估計目標(biāo)可能出現(xiàn)的方向后，再根據(jù)t幀之前三幀目標(biāo)的運動信息估計目標(biāo)的運動距離，并以250個高斯無預(yù)測候選樣本為基礎(chǔ)，在估計的方向上均勻且廣泛的獲得更多候選樣本。

1)前序幀的運動信息獲取。

假設(shè)已經(jīng)獲得了t幀之前三幀的目標(biāo)中心坐標(biāo)。根據(jù)運動的一致性利用這三幀目標(biāo)之間的相對運動距離近似估計第t幀目標(biāo)相對于第t-1幀目標(biāo)的相對運動距離。計算相鄰兩幀之間的中心坐標(biāo)差并轉(zhuǎn)換為極坐標(biāo)形式。具體計算如下：

2)第t幀目標(biāo)運動距離估計

近似估計第t幀目標(biāo)相對于第t-1幀目標(biāo)的運動距離lt與lt-1的比值與lt-1/lt-2成正比，并定義該比值為第t幀目標(biāo)的距離變化率wt。為防止估計時偏差過大，參考第t-1幀目標(biāo)的距離變化率并以增量更新的方式修正估計偏差更新wt，如下。

其中α取值0.6。

根據(jù)t幀的距離變化率估計第t幀相對t-1幀的運動距離為：

3)基準(zhǔn)樣本的篩取

近似估計得到第t幀目標(biāo)相對第t-1幀目標(biāo)的方向和距離后，在250個無預(yù)測得到的候選樣本基礎(chǔ)上有目的根據(jù)估計的運動信息獲得候選樣本，具體實現(xiàn)如下：

首先在250個基礎(chǔ)候選樣本中篩選出估計的7個方向上樣本，并分別找到每個方向上距離第t-1幀目標(biāo)最遠的樣本作為該方向上的基準(zhǔn)樣本，如下：

規(guī)定，若缺少第n個方向上的基準(zhǔn)時，人為構(gòu)造該方向上的基準(zhǔn)為(θtn,0)。

(4)基于運動估計的候選樣本的獲取

分別估計這7個方向上，從基準(zhǔn)開始，每隔lt/50的距離放置一個候選樣本，也就是每個方向上從基準(zhǔn)開始多放置50個候選樣本，共350個帶有運動信息的候選樣本，其極坐標(biāo)表示形式如下：

其中n為1到7的正整數(shù)，s為1到50的正整數(shù)。

至此獲得所有600個候選樣本。

如圖3所示，位置權(quán)重分配模型中，提出一種假設(shè)的雙高斯概率分布(假設(shè)相對于第t-1幀目標(biāo)方位提出)如下

(1)目標(biāo)出現(xiàn)在θt-1方向上的概率大，出現(xiàn)在θt-1±π方向的概率小，角度服從高斯分布；

(2)在θt-1方向上，目標(biāo)出現(xiàn)在距離上一幀目標(biāo)處的概率最大，出現(xiàn)在處的概率小，距離服從高斯分布；

(3)在θt-1±π的方向上，目標(biāo)出現(xiàn)在上一幀目標(biāo)處的概率最大，出現(xiàn)在距離上一幀目標(biāo)±∞處的概率?。?/p>

(4)每一個方向θ上，都存在一個距離，定義為概率最大距離值lθ，使得目標(biāo)在該方向θ上出現(xiàn)在距離上一幀目標(biāo)lθ上的概率最大，出現(xiàn)在lθ±∞處的概率最小。

根據(jù)該假設(shè)分布給處于不同方位的樣本分配權(quán)重，該權(quán)重由角度分?jǐn)?shù)和距離分?jǐn)?shù)組成并作為樣本的位置因子，具體實現(xiàn)如下：

(1)角度分?jǐn)?shù)。根據(jù)假設(shè)，角度服從高斯分布，每個樣本相對于第t-1幀目標(biāo)中心的方位角不同，計算樣本的角度分?jǐn)?shù)：

其中，均為常數(shù)。

(2)概率最大距離值。根據(jù)假設(shè)，在θt-1方向上目標(biāo)出現(xiàn)在距離上一幀目標(biāo)處的概率最大，在θt-1±π的方向上，目標(biāo)出現(xiàn)在上一幀目標(biāo)處的概率最大。角度θ和該方向上目標(biāo)出現(xiàn)概率最大的距離值lθ一一對應(yīng)，θ作為變量，lθ作為因變量，二者存在下式所示關(guān)系，

其中均為常數(shù)。

(3)距離分?jǐn)?shù)。根據(jù)假設(shè)，在方向θ上，出現(xiàn)在距離上一幀目標(biāo)lθ上的概率最大，出現(xiàn)在lθ±∞處的概率最小。因此，我們估計了服從高斯分布的距離分?jǐn)?shù)。則方向為θ，距離上一幀目標(biāo)距離為ln樣本的距離分?jǐn)?shù)為：

其中均為常數(shù)

(4)位置因子。

綜上，將角度分?jǐn)?shù)與距離分?jǐn)?shù)相乘得到候選樣本的位置因子，如下：f＝sasl

置信度決策模型中，用于根據(jù)每個候選樣本的權(quán)重因子計算每個樣本的置信度，并選擇置信度最大的樣本作為目標(biāo)。具體實現(xiàn)如下。

(1)由稀疏表示的方法求得各樣本的初始響應(yīng)值h，初始響應(yīng)值是稀疏判別式分類器整體表征得到的整體響應(yīng)與稀疏生成式模型得到的局部響應(yīng)相乘得到的結(jié)果；

(2)計算樣本的置信度p為

pⁱ＝fⁱ×hⁱ1≤i≤600

其中f為該樣本的位置因子，h為該樣本的初始響應(yīng)值，i為候選樣本序號；

(3)選擇置信度p最大的樣本t幀跟蹤目標(biāo)。

如圖4所示，自適應(yīng)模板更新模型中，適應(yīng)目標(biāo)由于快速運動帶來的目標(biāo)形態(tài)改變，具體實現(xiàn)如下：

(1)如果mod(t,5)＝0成立，當(dāng)lt-1＞20時，更新5個正模板；

(2)如果mod(t,5)＝0成立，當(dāng)lt-1≤20時，不更新正模板；

(3)如果mod(t,5)＝0不成立，不更新模板。

為了測試本發(fā)明對于目標(biāo)跟蹤的有效性，對本發(fā)明與現(xiàn)有的在粒子濾波框架下基于稀疏表示的目標(biāo)跟蹤算法scm在benchmark中的50個視頻上進行了比較。測試結(jié)果發(fā)現(xiàn)，本發(fā)明在閾值為20的準(zhǔn)確率為0.690，成功率auc為0.513。尤其在快速運動這類視頻上，本發(fā)明相較scm算法的準(zhǔn)確率提升了9.3％，成功率提升了6.1％?？梢悦黠@看出，本發(fā)明有效的提高了目標(biāo)跟蹤的準(zhǔn)確率和成功率。同時還與其它七種經(jīng)典算法進行了對比，發(fā)現(xiàn)不論在成功率上還是準(zhǔn)確率上都位于第一，說明本發(fā)明提出的視頻目標(biāo)跟蹤方法有良好的性能。