【技术实现步骤摘要】
一种基于超像素的复杂场景下的目标跟踪方法
本专利技术涉及一种基于超像素的复杂场景下的目标跟踪方法。
技术介绍
视频中的目标跟踪技术属于视频图像处理的关键技术。它涉及到计算机视觉、模式识别以及人工智能等领域,具有重要的理论意义。现实生活中的场景大多数会发生变化,而现有很多目标跟踪算法无法满足现实复杂场景中的目标跟踪。基于复杂场景的目标跟踪,需要综合考虑视频序列中,所要跟踪的目标周围环境以及付目标本身的一系列复杂变化,包括目标挡、目标丢失、光照变化、目标快速运动、目标姿态变化、目标尺度变化等一系列复杂因素。跟踪失效是复杂场景中目标跟踪面临的主要问题。例如,基于纹理特征的跟踪,如LBP、Haar特征等,可以区分背景和目标,但是却对目标丢失和快速移动时的处理能力有限,而基于颜色特征的跟踪虽然可以使用局部直方图解决部分问题,但是却对尺度变化和姿态变化有较低的抵抗力。使用基于纹理特征与颜色特征相融合的方式可以在一定程度上缓解单独使用时的缺陷,但是,在复杂场景下,这两种特征并不能完全区分背景和目标,导致了在目标运动速度较快或模糊情况下,依然无法精确跟踪。超像素是一种新的像素表示方法。它将图像中那些相近相似的像素点聚集起来,分别用一个集合来表示。超像素对图像的边界有较高的附着率,在图像分割中有较广泛的应用。由上海大学的寇超、白琮、陈泉林、王华红、王少波专利技术的《复杂场景中单个人脸的实时跟踪方法》2008年9月24日向中国国家知识产权局申请专利并获得批准,于2009年3月4日公开,公开号为:CN101377813。该技术方案涉及人机交互界面以及视频监控领域,特别是对复杂场 ...
【技术保护点】
一种基于超像素的复杂场景下的目标跟踪方法,包括以下步骤:步骤1:初始化参数,取视频流中的前m帧图像作为训练集,m取3‑6;步骤1.1:选择目标所在区域,对该区域进行超像素分割;步骤1.2:提取超像素特征作为训练集;步骤2:由贝叶斯理论可得知,由于两帧图像之间相互独立,设Xt为t时刻的状态,Y1:t为从第一帧到最后一帧的状态,有p(Xt|Y1:t)=αp(Yt|Xt)∫p(Xt|Xt‑1)p(Xt‑t|Y1:t‑1)dXt‑1令其中表示t时刻目标的位置,表示t时刻目标的尺度,根据贝叶斯跟踪公式可知,关键是要得到观察模型和动作模型,从m+1帧开始直到最后一帧做如下步骤:步骤2.1:找到上一帧的目标区域,重复上述步骤,采用超像素进行分割,提取超像素特征;步骤2.2:计算超像素的置信图;步骤2.3:通过上一帧得到的置信图,取N个区域作为目标的候选区域;步骤2.4:基于贝叶斯理论,可以得到当前帧目标所在区域的概率;步骤2.5:更新训练集和外观模型;步骤2.6:重复步骤2.1至2.5,直到处理完所有视频序列。
【技术特征摘要】
1.一种基于超像素的复杂场景下的目标跟踪方法,包括以下步骤:步骤1:初始化参数,取视频流中的前m帧图像作为训练集,m取3-6;步骤1.1:选择目标所在区域,对该区域进行超像素分割:步骤1.1.1:在目标区域中随机选择k个点作为超像素的中心点,也叫超像素的聚类中心CK:CK=[lk,ak,bk,xk,yk]T在每个大小规则的方框S中取样像素,lk、ak、bk是CIELAB颜色空间中的参数,此颜色空间最为接近人类的视觉,它的lk分量即亮度,xk、yk表示点的坐标,S取其中N为超像素的个数,k的值由用户根据跟踪的效果自行选择,为300-500之间;步骤1.1.2:将CK移动到3×3的相邻像素中梯度值最低的位置;步骤1.1.3:对图像中的每一个像素设置标记label(i)为-1,与相近的聚类中心的欧式距离d(i)为无穷大,对于围绕在每一个聚类中心CK的2S×2S区域内的像素i,重复1.1.4-1.1.5步骤:步骤1.1.4:计算像素i与聚类中心CK的欧式距离D;步骤1.1.5:若D<d(i)置d(i)为D,label(i)为k;表示每一个像素对自身周围的聚类中心求欧式距离,取欧式距离最小的那个聚类中心为自己的类别;步骤1.1.6:重复1.1.2,选择新的聚类中心并计算残留误差E,残留误差表示为同一个超像素的聚类中心,经过两次迭代后的欧氏距离,E小于一定的阈值,即提取完全部超像素;步骤1.2:提取超像素特征作为训练集:步骤1.2.1:每一个超像素表示为:sp(t,r)表示在t帧时第r个超像素,用ftr表示;步骤1.2.2:取m张图片构成训练集,m取3-5;用一个特征向量F={ftr|t=1,...,m,r=1,...,Nt},来表示一个这个训练集所有的超像素;在特征空间中,设每个超像素的聚类中心为fc(i),半径为rc(i),则有{ftr|ftr∈C(k)}。步骤1.2.3:假设训练集中的每一个聚类中心对应一个图像区域S(i),设S+(i)为第i个超像素在目标区域内的大小,S-(i)为第i个超像素在目标区域外的大小,此大小即为像素的数量;若S+(i)/S-(i)的值越大,则说明该超像素属于目标的可能性就越大;计算通过以下公式即可得到一个超像素的聚类中心处于背景或目标的可能性大小:由聚类中心fc(i)、半径rc(i)和每一个超像素的像素成员{ftr|ftr∈C(k)}构成基于超像素的外观模型,即目标的表示方法;步骤2:由贝叶斯理论可得知,由于两帧图像之间相互独立,设Xt为t时刻的状态,Y1:t为从第一帧到最后一帧的状态,有p(Xt|Y1:t)=αp(Yt|Xt)∫p(Xt|Xt-1)p(Xt-t|Y1:t-1)dXt-1令其中表示t时刻目标的位置,表示t时刻目标的尺度,根据贝叶斯跟踪公式可知,关键是要得到观察模型和动作模型,从m+1帧开始直到最后一帧做如下步骤:步骤2.1:找到上一帧的目标区域,重复上述步骤,采用超像素进行分割,提取超像素特征;步骤2.2:计算超像素的置信图;步骤2.3:通过上一帧得到的置信图,取N个区域作为目标的候选区域;步骤2.4:基于贝叶斯理论,可以得到当前帧目标所在区域的概率;步骤2.5:更新训练集和外观模型:步骤2.5.1:每播放U帧图像以后,将训练集中最老的一帧图像丢弃,将新的一帧加入到训练集中,U为10;步骤2.5.2:为了抵御小幅度遮挡、丢失或模糊现象,采用如下计算公式:
【专利技术属性】
技术研发人员:蒲晓蓉,陈雷霆,张思远,邱航,蔡洪斌,崔金钟,卢光辉,曹跃,
申请(专利权)人:电子科技大学,
类型:发明
国别省市:四川;51
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。