作，即提取運動目標區(qū)域的感知哈希特征并生成第一哈 希碼，該過程將在以下步驟中詳述，同時，將得到哈希碼和對應運動目標位置信息 {(x，y), width, height}保存到模板中，其中，（x，y)表示運動區(qū)域矩形框左上角點的坐標， width表示矩形框的寬度，height表示矩形框的高度。
[0071] S2,對后續(xù)視頻各幀根據(jù)運動目標區(qū)域確定備選運動區(qū)域，對備選運動區(qū)域進行 哈希碼特征提取，并將提取的多特征的哈希碼進行融合得到第二哈希碼數(shù)據(jù)。
[0072] 備選運動區(qū)域是指在上述步驟S1中運動目標檢測得到的運動目標區(qū)域，由于幀 差法得到的運動區(qū)域并不準確，因此可能包含非運動區(qū)域，因此將可能存在的非運動區(qū)域 一并稱為備選運動區(qū)域。
[0073] 第二哈希碼數(shù)據(jù)的獲取方式與上述步驟第一哈希碼數(shù)據(jù)獲取的方式將在實施例 二中詳細描述，在此不再贅述。
[0074] S3,判斷第一哈希碼數(shù)據(jù)與第二哈希碼數(shù)據(jù)的相似度是否大于預設閾值。
[0075] 其中，相似度是指兩數(shù)據(jù)之間的相似程度，也可理解為兩數(shù)據(jù)之間的匹配程度，例 如，若兩數(shù)據(jù)差異程度趨近于無限大，則該兩數(shù)據(jù)之間的相似度趨近于零，若兩數(shù)據(jù)差異程 度趨近于無限小，則該兩數(shù)據(jù)之間的相似度趨近于1。
[0076] 根據(jù)實際的監(jiān)控跟蹤需求設置相應的預設閾值，例如，若需要提供較高精確度的 監(jiān)控跟蹤操作，則調(diào)高該預設閾值（例如，將該閾值調(diào)整到0. 9)，反之則調(diào)低該預設閾值 (例如，將該閾值由0. 9調(diào)整到0. 7)。
[0077] S4,若第一哈希碼數(shù)據(jù)與第二哈希碼數(shù)據(jù)的相似度是大于閾值，則認為該備選運 動區(qū)域為歷史運動區(qū)域，對歷史運動區(qū)域執(zhí)行迭代匹配操作；否則，確定新出現(xiàn)的運動目 標，并將歷史運動區(qū)域和新出現(xiàn)的運動目標的區(qū)域在當前幀中標注，并用歷史運動目標區(qū) 域和新出現(xiàn)的運動目標區(qū)域的哈希碼數(shù)據(jù)更新運動目標模板。
[0078] 具體地，由上述步驟可知，備選運動區(qū)域可能包括：歷史運動區(qū)域、新出現(xiàn)的運動 區(qū)域以及誤分為運動目標的區(qū)域。因此，當?shù)谝还４a數(shù)據(jù)與第二哈希碼數(shù)據(jù)的相似度是 大于閾值時，一方面，認為該備選運動區(qū)域即是歷史運動區(qū)域，另一方面，認為該備選運動 區(qū)域不包括新出現(xiàn)的運動區(qū)域或者誤分為運動目標的區(qū)域。其中，確定的歷史運動區(qū)域還 可以認為是模板中儲存的前面多幀中一直存在的、且未發(fā)生變化的運動區(qū)域。
[0079] 具體地，首先，通過上述哈希碼比較操作，得到初始運動目標區(qū)域，若第一哈希碼 數(shù)據(jù)與第二哈希碼數(shù)據(jù)的相似度是大于閾值，則確定為跟蹤區(qū)域，然后，通過局部掃描上升 迭代的算法對運動目標區(qū)域進行優(yōu)化，以實現(xiàn)對歷史運動目標區(qū)域的準確檢測和跟蹤。
[0080] 若第一哈希碼數(shù)據(jù)與第二哈希碼數(shù)據(jù)的相似度是小于閾值，即第一哈希碼數(shù)據(jù)與 第二哈希碼數(shù)據(jù)之間具有較大的差異性，證明有新出現(xiàn)的運動目標。
[0081] 首先，確定新出現(xiàn)的運動目標，并將歷史運動區(qū)域和新出現(xiàn)的運動目標的區(qū)域在 當前幀中標注，然后，利用歷史運動目標區(qū)域和新出現(xiàn)的運動目標區(qū)域的哈希碼數(shù)據(jù)更新 運動目標模板。具體地，首先，獲取歷史運動目標區(qū)域和新出現(xiàn)的運動目標區(qū)域的哈希碼數(shù) 據(jù)，然后，將獲取到的哈希碼數(shù)據(jù)更新初始化運動目標模板內(nèi)的哈希碼數(shù)據(jù)。
[0082] 本實施例的有益效果在于，通過對視頻首幀進行檢測并確定運動目標區(qū)域，對運 動目標區(qū)域進行哈希碼特征的提取，得到第一哈希碼數(shù)據(jù)，并將其作為初始化的運動目標 模板，然后，對后續(xù)視頻各幀根據(jù)運動目標區(qū)域確定備選運動區(qū)域，對備選運動區(qū)域進行哈 希碼特征提取，并將提取的多特征的哈希碼進行融合得到第二哈希碼數(shù)據(jù)，最后，若第一哈 希碼數(shù)據(jù)與第二哈希碼數(shù)據(jù)的相似度是大于閾值，則認為該備選運動區(qū)域為歷史運動區(qū) 域，對歷史運動區(qū)域執(zhí)行迭代匹配操作；否則，確定新出現(xiàn)的運動目標，并將歷史運動區(qū)域 和新出現(xiàn)的運動目標的區(qū)域在當前幀中標注，并用歷史運動目標區(qū)域和新出現(xiàn)的運動目標 區(qū)域的哈希碼數(shù)據(jù)更新運動目標模板。實現(xiàn)了以簡單高效的方式進行多運動目標的檢測和 跟蹤操作，同時，減少了多運動目標之間的影響，提高了多運動目標檢測和跟蹤的準確性。 [00 83] 實施例二
[0084] 圖2是本發(fā)明第二較佳實施例提供的視頻運動目標跟蹤方法流程圖。基于上述實 施例一，對視頻首幀進行檢測并確定運動目標區(qū)域，對運動目標區(qū)域進行哈希碼特征的提 取，得到第一哈希碼數(shù)據(jù)，并將其作為初始化的運動目標模板具體包括：
[0085] S11，對視頻首幀的運動目標區(qū)域內(nèi)執(zhí)行進行紋理、顏色與照度感知操作和哈希特 征的提取操作，得到相應的第一紋理特征碼、第一顏色特征碼以及第一照度特征碼。
[0086] 由于運動目標與背景或者陰影在紋理、顏色與照度分布上有較大的差異，因此，選 擇紋理、顏色與照度構(gòu)造感知哈希特征。
[0087] 同時，照度可以看作為亮度，在HSV顏色空間中，V通道稱為亮度，H、S通道為顏色 通道。而紋理的可以看作是圖像中簡單子元素按照一定規(guī)律的排布。
[0088] 其中，紋理、顏色與照度感知操作和哈希特征的提取操作如下所述：
[0089] 首先，對感知哈希特征的獲取操作以及哈希碼的生成操作：
[0090] 對所有的運動目標區(qū)域的輪廓依次求取最大外接矩形，得到n個矩形框信息，記 SBn= …，Bn}，其中W代表第i個矩形框信息。在當前幀將每個矩形框作為感興 趣的區(qū)域依次進行以下處理：
[0091] (a)將感興趣區(qū)域的大小通過雙三次插值法歸一化為n*n大小的圖像，其中n = t為整數(shù)，這里優(yōu)選n = 32。
[0092] (b)對歸一化的圖像進行感知哈希特征的提取操作：
[0093] 如上例所述，由于運動目標與背景或者陰影在紋理、顏色與照度分布上有很大的 差異，因此選擇紋理、顏色與照度構(gòu)造感知哈希特征。
[0094] 首先對顏色與照度感知哈希特征進行構(gòu)造的過程如下所述：
[0095] 將歸一化圖像轉(zhuǎn)變到HSV顏色空間（即色調(diào)、飽和度、亮度模型），V通道為照度信 息，H、S通道為顏色信息。對三個通道的圖像依次處理，將圖像分為4*4個無相互覆蓋的小 塊，對每塊進行DCT變換（即離散余弦變換Discrete Cosine Transform)，取其8個最大 DC系數(shù)組成一個列向量，其中H、S、V通道分別由下式表示：
【主權項】
1. 一種視頻運動目標跟蹤方法，其特征在于，所述方法包括： 對視頻首帖進行檢測并確定運動目標區(qū)域，對運動目標區(qū)域進行哈希碼特征的提取， 得到第一哈希碼數(shù)據(jù)，并將其作為初始化的運動目標模板. 對后續(xù)視頻各帖根據(jù)所述運動目標區(qū)域確定備選運動區(qū)域，對備選運動區(qū)域進行哈希 碼特征提取，并將提取的多特征的哈希碼進行融合得到第二哈希碼數(shù)據(jù)； 判斷所述第一哈希碼數(shù)據(jù)與所述第二哈希碼數(shù)據(jù)的相似度是否大于預設闊值； 若所述第一哈希碼數(shù)據(jù)與所述第二哈希碼數(shù)據(jù)的相似度是大于所述闊值，則認為該備 選運動區(qū)域為歷史運動區(qū)域，對所述歷史運動區(qū)域執(zhí)行迭代匹配操作；否則，確定新出現(xiàn)的 運動目標，并將所述歷史運動區(qū)域和新出現(xiàn)的運動目標的區(qū)域在當前帖中標注，用所述歷 史運動目標區(qū)域和新出現(xiàn)的運動目標區(qū)域的哈希碼數(shù)據(jù)更新所述運動目標模板。
2. 根據(jù)權利要求1所述的視頻運動目標跟