047] 步驟4;量子平衡跟蹤；
[004引步驟4. 1 ;計算量子頻率的二階偏導(dǎo)，進而確定目標(biāo)邊緣區(qū)域
[004引通過計算量子頻率QF的二階偏導(dǎo)，得到目標(biāo)邊緣區(qū)域，記為；
^為量子頻率QF相鄰 極值間的向量，進而目標(biāo)邊緣區(qū)域可表示為：
[0050] 步驟4. 2;保留目標(biāo)邊緣區(qū)域的視覺量子，刪除其他區(qū)域的視覺量子；
[005。步驟4.3 ;建立W視覺量子幾何中屯、0化Y)為起點、W目標(biāo)邊緣區(qū)域幾何中屯、 0'狂'，Y'）為終點的向量3 =("^'= (乂乂，:r-r);
[0052] 目標(biāo)邊緣區(qū)域幾何中屯、坐標(biāo)0 '狂'，Y'）中
目標(biāo)邊緣區(qū)域 W>，y)的像素點數(shù)量為n，Xi、y;為巧片，3〇的像素點坐標(biāo)，1《i《n;
[0053] 步驟4. 4;沿向量5將視覺量子移動至量子平衡狀態(tài)；
[0054] 如圖5 (a)所示，將視覺量子沿向量3移動，使視覺量子幾何中屯、。化Y)與目標(biāo) 邊緣區(qū)域幾何中屯、0'狂'，Y'）重合，如圖5(b)所示，從而使視覺量子達到量子平衡狀態(tài)， 將此狀態(tài)定義為量子平衡地，地巧P=pB，0'狂'，Y'）= 0狂，Y)};圖5(a)和圖5(b)中灰 色圓為邊緣區(qū)域的視覺量子，F(xiàn)為目標(biāo)前景圖像，B為目標(biāo)背景圖像，白色直線為目標(biāo)邊緣 區(qū)域，0為視覺量子幾何中屯、，0'為目標(biāo)邊緣區(qū)域幾何中屯、，3為W0為起點、0'為終 點的向量，圖5(a)為視覺量子未達到平衡狀態(tài)示意圖，圖5(b)為視覺量子沿向量3移動并 達到平衡狀態(tài)示意圖；
[00巧]步驟5 ;計算視覺量子的頻率積分；
[0056] 視覺量子的頻率積分表達式巧
其中At為相鄰兩帖圖像的時間 間隔，ppnpB為目標(biāo)前景量子頻率與目標(biāo)背景量子頻率相交的頻率范圍；
[0057] 計莫
妻中，At為相鄰兩帖圖像的時間間隔，PP、PB分別為t時 刻前景量子頻率和背景量子頻率，聲"、戶6'分別為為t + 1時刻前景量子頻率和背景量子頻 率，ppR pB、盧口於'為目標(biāo)前景量子頻率與背景量子頻率相交的頻率范圍，當(dāng)A t - 0時， 視頻采集帖率FPS - + ，此時，相鄰時刻t與t+1的量子頻率pf 且戶s' ^戶S，即
，將該種性質(zhì)稱為量子頻率不變性，量子頻率不變性是指當(dāng)連續(xù)帖間 的時間間隔趨于零時，任一相鄰時刻狀態(tài)下的目標(biāo)邊緣區(qū)域的量子頻率對微小的時間t的 積分相等；
[0058] 在目標(biāo)運動過程中，由于其量子頻率積分保持不變，當(dāng)目標(biāo)發(fā)生遮擋、形狀與尺度 變化時，可通過比對視覺量子的頻率積分，重新跟蹤丟失多目標(biāo)，因此，基于視覺量子的目 標(biāo)跟蹤方法對于目標(biāo)遮擋、形狀與尺度變化具有很好的抗干擾能力，可W實現(xiàn)對目標(biāo)的穩(wěn) 足艮臣宗。
[005引步驟6 ;輸出跟蹤結(jié)果；當(dāng)視覺量子達到量子平衡狀態(tài)且頻率積分相等時，將視覺 量子的位置信息作為目標(biāo)跟蹤結(jié)果進行輸出，本發(fā)明的跟蹤效果如圖6所示，圖中兩幅圖 像分別為t時刻和t+1時刻達到平衡狀態(tài)且頻率積分相等時的視覺量子的位置信息。
[0060] 本發(fā)明的基于視覺量子的目標(biāo)跟蹤方法可應(yīng)用于變結(jié)構(gòu)目標(biāo)跟蹤，本發(fā)明方法在 IBM多目標(biāo)遮擋數(shù)據(jù)庫上進行具體實施。IBM多目標(biāo)遮擋數(shù)據(jù)庫是IBM人類視覺研究中屯、監(jiān) 視系統(tǒng)性能評價提供的視頻，主要針對人員與車輛的運動目標(biāo)檢測與跟蹤，現(xiàn)在主要進行 W像素和目標(biāo)為單位的統(tǒng)計評估并提供在線監(jiān)控與跟蹤算法的性能評估服務(wù)。通過在IBM 多目標(biāo)遮擋數(shù)據(jù)庫上進行實例測試，視覺量子目標(biāo)跟蹤方法相較于基于運動信息分析的目 標(biāo)跟蹤方法，在遮擋目標(biāo)跟蹤中，具有較高的跟蹤性能，虛警概率平均測試結(jié)果為0. 037,跟 蹤準(zhǔn)確率平均為0. 912,預(yù)測錯誤率平均為0. 13,處理速度平均為75帖/秒。
[0061] 同時，通過在Benchmark視頻數(shù)據(jù)庫上進行實例測試，本發(fā)明視覺量子的目標(biāo)跟 蹤方法相較于基于模型的目標(biāo)跟蹤方法，在形狀與尺度變化條件下進行運動目標(biāo)跟蹤，具 有較好的跟蹤效果，在Benchmark評估測試中的平均跟蹤準(zhǔn)確率為92. 5 %，視頻處理速度 平均為73帖/秒。
【主權(quán)項】
1. 一種基于視覺量子的目標(biāo)跟蹤方法，其特征在于：包括如下步驟： 步驟1 :目標(biāo)初始化：在待跟蹤目標(biāo)圖像中選定目標(biāo)區(qū)域； 步驟2 :針對目標(biāo)區(qū)域，采用輻射視覺量子的方法生成目標(biāo)區(qū)域的視覺場空間； 所述的視覺場空間為由α Χβ個視覺采樣單元組成的二維圖像感光空間，記為，其中VFS為視覺場空間，下標(biāo)t代表時間，Va， e代表視覺場空 間中的視覺采樣單元；將視覺場空間中包含目標(biāo)背景信息的視覺采樣單元、包含前景信息 的視覺采樣單元以及包含背景與前景交界處信息的視覺采樣單元均定義為視覺量子；則下 標(biāo)α，β代表視覺量子在視覺場空間中的矩陣位置是α行β列，α和β均為從1開始 的自然數(shù)，即1彡α < + 〇〇，1彡β < + 〇〇; 步驟3 :量子頻率計算； 步驟4 :量子平衡跟蹤； 步驟5 :計算視覺量子的頻率積分； 步驟6 :輸出跟蹤結(jié)果：當(dāng)視覺量子達到量子平衡狀態(tài)且頻率積分相等時，將視覺量子 的位置信息作為目標(biāo)跟蹤結(jié)果進行輸出。2. 根據(jù)權(quán)利要求1所述的基于視覺量子的目標(biāo)跟蹤方法，其特征在于：所述步驟1的 目標(biāo)初始化中，在待跟蹤目標(biāo)圖像中是利用矩形框選定目標(biāo)區(qū)域。3. 根據(jù)權(quán)利要求1所述的基于視覺量子的目標(biāo)跟蹤方法，其特征在于：所述步驟2中， 是通過自上而下的方式，向目標(biāo)區(qū)域均勻輻射視覺量子，形成視覺場空間。4. 根據(jù)權(quán)利要求1所述的基于視覺量子的目標(biāo)跟蹤方法，其特征在于：所述步驟3包 括如下具體步驟： 步驟3. 1 :計算并統(tǒng)計視覺量子內(nèi)前景信息熵分布的極大值所對應(yīng)的灰度階Af以及背 景信息熵分布的極大值所對應(yīng)的的灰度階Ab; 步驟3. 2:統(tǒng)計灰度階Ab1f的分布概率P κ|λ，進而計算視覺量子VQ的熵基EEb1f; 在視覺場空間VFS中，對于任意視覺量子VQ，存在其前景信息熵ζ 1勺概率分布和背 景信息熵ζ B的概率分布，將信息熵與灰度能量的乘積定義為視覺量子VQ的熵基ΕΕ，記 κ\λ 為視，=E(W) Σ (Cf)2，其中信息熵/? ;上標(biāo)B IF代表背景B或前 κ=\\λ=\ 景F，進一步地EEb1f代表視覺量子VQ的背景熵基EE B或前景熵基EE F，Ab1f代表A ?或A %下 標(biāo)κ I λ代表κ或λ，κ、λ分別為VQ內(nèi)p κ丨λ概率分布所對應(yīng)的；1：商的數(shù)量；p κ丨λ代 表P ,或P λ，表示Ab1f出現(xiàn)的概率；背景信息熵f 前景信息熵 (^ΚΤ，^，···^···^"];。、τ分別為視覺量子VQ內(nèi)背景區(qū)域熵的數(shù)量與前景區(qū)域 熵的數(shù)量；E(x，y)代表灰度能量，為視覺量子內(nèi)所有像素的灰度值的平方和，即E(x，y)= 2G(X，y)2，X、y為視覺量子內(nèi)部像素點坐標(biāo)，G(x，y)為像素（x，y)的灰度值； 步驟3. 3 :對熵基EEB|F?行二維核變換，得到視覺量子VQ的量子頻率QF，并對量子頻 率QF的變換系數(shù)進行歸一化處理； 量子頻率 QF 記為 PB|F(u，V，t) = EEb1fK A/4 3i2uVt[eJ2nt(uVK+VK/x)+e J2ntuVK+eJ2ntvK/ λ+1]，其中，Pb1f代表背景量子頻率Pb或前景量子頻率P F，d2"(ux/K+vy/X)t為二維變換核， ej2nt(uvK+w入）+ej 2ntu"K+ej2ntw入+1稱為量子頻率變換核的組合，eebIf k A/43I2uvt為變 換系數(shù)。5. 根據(jù)權(quán)利要求1所述的基于視覺量子的目標(biāo)跟蹤方法，其特征在于：所述步驟4包 括如下具體步驟： 步驟4. 1 :計算量子頻率的二階偏導(dǎo)，進而確定目標(biāo)邊緣區(qū)域； 通過計算量子頻率QF的二階偏導(dǎo)，得到目標(biāo)邊緣區(qū)域，記為：步驟4. 2 :保留目標(biāo)邊緣區(qū)域的視覺量子，刪除其他區(qū)域的視覺量子； 步驟4. 3:建立以視覺量子幾何中心〇 (X，Y)為起點、以目標(biāo)邊緣區(qū)域幾何中心 〇 '（X'，Υ'）為終點的向量及=▽ = (；T- X，F(xiàn)'- ; 目標(biāo)邊緣區(qū)域幾何中心坐標(biāo)〇'（X'，Y'）中目標(biāo)邊緣區(qū)域 叫1>，)的像素點數(shù)量為n，Xi、的像素點坐標(biāo)，I < i < η ; 步驟4. 4 :沿向量S將視覺量子移動至量子平衡狀態(tài)； 將視覺量子沿向量表:移動，使視覺量子幾何中心0 (Χ，Υ)與目標(biāo)邊緣區(qū)域幾何中心 〇 '（X'，Υ'）重合，此時視覺量子達到平衡狀態(tài)。6. 根據(jù)權(quán)利要求1所述的基于視覺量子的目標(biāo)跟蹤方法，其特征在于：所述的步驟5 中，視覺量子的頻率積分表達式為IimJv /_門//，其中At為相鄰兩幀圖像的時間間隔， pfn p B為目標(biāo)前景量子頻率與目標(biāo)背景量子頻率相交的頻率范圍。
【專利摘要】本發(fā)明公開了一種基于視覺量子的目標(biāo)跟蹤方法，屬于計算機視覺技術(shù)領(lǐng)域。該方法首先在目標(biāo)區(qū)域內(nèi)自上而下均勻分布視覺量子，計算并統(tǒng)計視覺量子內(nèi)部信息熵分布的極大值所對應(yīng)的灰度階，計算視覺量子的熵基和量子頻率，然后將目標(biāo)邊緣區(qū)域的視覺量子移動至平衡狀態(tài)，并計算視覺量子的頻率積分，最后以達到量子平衡狀態(tài)且頻率積分相等的視覺量子的位置信息作為目標(biāo)跟蹤結(jié)果。本發(fā)明方法抓住了運動目標(biāo)前景與背景交界處具有的量子頻率不變性的特點，將頻率不變特征采用多個視覺量子進行描述，可以有效克服遮擋、形狀與尺度變化等因素對運動目標(biāo)跟蹤的影響，失跟率較低，同時由于視覺量子計算過程簡單，計算復(fù)雜度和空間復(fù)雜度較低，跟蹤實時性較高。
【IPC分類】G06T7/20, G06K9/38
【公開號】CN104881884
【申請?zhí)枴緾N201510369172
【發(fā)明人】姜文濤, 劉萬軍, 袁姮, 張壯, 王彪
【申請人】遼寧工程技術(shù)大學(xué)
【公開日】2015年9月2日
【申請日】2015年6月29日