基于上下文的目标尺度自适应跟踪方法技术

本发明专利技术提供了一种基于上下文的目标尺度自适应跟踪方法，涉及一种图像跟踪领域，本发明专利技术以现有尺度方向自适应均值漂移算法为基础，使用基于表观特征和上下文信息的目标尺度调整算法对目标尺度调整机制进行改进，本发明专利技术的方法主要包括基于上下文信息的尺度调整类型确定，以及调用调整函数利用表观信息与上下文信息的尺度计算两部分，通过在调整机制中引入目标尺度的上下文信息，在考量表观信息的基础上，以尺度上下文信息的变化对调整类型进行细致分类，从而提高了原算法对目标尺度在目标面积数值与有效覆盖面积上的调整准确度，能有效提高原SOAMS算法对目标尺度的调整准确度。

Context based adaptive tracking method for target scale

The invention provides a scale adaptive target tracking method based on context, relates to an image tracking field, the invention is based on the existing scale and direction adaptive mean shift algorithm, using the target scale adjustment algorithm apparent features and context information on the target scale adjustment mechanism was improved based on the method of the invention includes determining the scale adjustment type based on context information, and call the adjustment function by the apparent information and context information of the scale calculation of the two part, through the introduction of context information in the target scale adjustment mechanism on the basis of the consideration of the apparent information, detailed classification of the type of adjustment to changing the scale of context information, so as to improve the the adjustment of the original algorithm on the target scale in the target area and the effective coverage area on numerical accuracy, can effectively improve the Original SOAMS algorithm to adjust the accuracy of the target scale.

【技术实现步骤摘要】

本专利技术涉及一种图像跟踪领域，尤其是目标尺度跟踪方法。
技术介绍
根据《2014年国民经济和社会发展统计公报》数据显示，至2014年底，中国民用汽车数量创历史新高，同时交通事故与不文明行车行为多发。面对日益复杂的管理问题，如何由监控系统对车辆进行自适应跟踪成为当前目标跟踪技术研究的重点。与目标的中心位置相比，目标的实时尺度对目标后续识别与分类具有重要意义。当前的跟踪算法依据所使用的目标模型的不同可分为基于表观模型的跟踪算法与基于运动模型的跟踪算法，其中，表观模型算法以目标特征的变化对目标的尺度进行跟踪，相较于运动模型算法以运动规律对目标尺度进行估计更为可信。表观模型依据其模型建立方法可细分为描述型算法与分类型算法。描述型算法对目标特征进行描述，辨别型算法以目标-背景特征建立前-背景分类器以分类的手段将目标从图像中分割出来。可见，分类型算法在跟踪目标的过程中同时得到目标的尺度大小，但分类型算法的实现需要基于大数量样本进行可靠的训练，相较于描述型算法而言实现较为复杂。然而，当前描述型算法的自适应尺度调整能力有待提高。目前，已出现的改进算法有固定步长带宽增量法、基于尺度空间的变窗宽法、迭代更新尺度描述参考法以及基于仿射变换的协同计算法。然而，固定步长带宽法的结果不能适应目标尺寸变大的情况、尺度空间法、参考更新法的计算量过大，仿射变换协同计算法需要计算大量仿射参量。香港理工大学张磊教授等人提出尺度方向自适应均值漂移(Scale and Orientation Adaptive Mean Shift,SOAMS)算法以建立目标尺度自适应调整机制，SOAMS算法的核心思想是使用包含矩信息的椭圆描述子对目标形状与尺度进行表示，并使用候选区域的巴氏系数对描述子表示的候选区域面积进行修正。修正过程为使用巴氏系数Bi计算调整系数c，使用该系数对候选区域面积进行校正，如下式所示： c = exp ( B i - 1 σ ) - - - ( 1 ) ]]>A＝c*N (2)其中N为当前目标候选区域面积大小，Bi为当前目标候选区域的巴氏系数，σ为函数梯度调整系数，A为修正后的候选区域面积。该算法具有明显的缺陷，表现在巴氏系数仅是表征候选区域与目标模型之间相似度的一种指标，与目标尺度之间并不存在一一对应的关系。这种非一一对应关系表现在候选区域面积过大或过小时都会造成巴氏系数较小的情况。这种非一一对应关系在使用巴氏系数对候选区域面积进行调节时会造成误差增大导致算法有效性与准确性降低。
技术实现思路
为了克服现有技术的不足，本专利技术针对SOAMS算法在尺度调整机制上仅使用巴氏系数造成在目标放大过程中不能准确跟踪目标尺度变化的问题，提出一种基于上下文信息的改进调整机制。本方法首先对依据最优候选区域的大小与上下文尺度的关系判定目标的运动状态从而确定调整函数区间，然后在调整函数区间内根据当前帧的相似系数计算调整参数。针对目标尺度的变化，我们依据样本数据的分布构建以巴氏系数为变量的调整函数，并参考目标尺度在上下文中的潜在关联性确定适宜的调整类别。尺度调整过程分为三个阶段，首先得到目标候选区域，该区域将视为可信度较高的目标位置，并统计该区域的巴氏系数。然后依照上下文尺度关联性，确定目标尺度的变化趋势。最后，调用调整函数对目标尺度进行确定，得到综合考量当前信息与历史信息的具备较高置信度的目标尺度。本专利技术解决其技术问题所采用的技术方案是以SOAMS算法为基础，使用基于表观特征和上下文信息的目标尺度调整算法对目标尺度调整机制进行改进，本专利技术方法主要包括基于上下文信息的尺度调整类型确定，以及调用调整函数利用表观信息与上下文信息的尺度计算两部分。本专利技术的具体步骤如下：第一步：在视频序列初始帧中确定目标并计算目标模型目标模型由以目标中心为原点的像素集合{xi本文档来自技高网...

【技术保护点】
一种基于上下文的目标尺度自适应跟踪方法，其特征在于包括下述步骤：第一步：在视频序列初始帧中确定目标并计算目标模型目标模型由以目标中心为原点的像素集合{xi}i＝1,2,...N,组成，N表示目标区域的像素点的个数，以fe表示目标特征空间中的特征索引，则目标可建模为：q={qfe}fe=1,2,...,Mqfe=CΣi=1Nk(||xih||2)δ[b(xi)-fe]---(3)]]>式中：q——目标模型；qfe——第fe个特征在目标模型上的概率；M——特征空间分量数δ——选择函数；b(xi)——对应像素处颜色特征值；k(x)——加权核函数，为距中心远的像素分配较小的权值；||xi||2——计算像素模值，表征像素距中心的远近；C——归一化系数，计算式如下C=1Σi=1Nk(||xih||2);---(4)]]>h——核函数窗宽，表征跟踪窗体的大小；第二步：计算目标区域的矩统计特征与方差阵，确定搜索区域，在搜索区域内确定搜索区域模型p(X)，确定方法如下：本专利技术中使用矩统计特征对图像中包含的目标的尺度进行描述，对于图像像素值为f(x,y)的区域，该区域的(p+q)阶矩特征定义为Mpq＝∫∫xp*yq*f(x,y)dxdy,p,q＝0,1,...∞   (5)根据矩特征定义，将目标区域的中心坐标与像素点集合的坐标代入式(5)即可求得目标区域的二阶矩μ02、μ11、μ20，构造协方差阵对协方差阵进行奇异值分解得到其特征值：Cov=U*S*UT=u11u12u21u22*λ1200λ22*u11u12u21u22T---(6)]]>式中：λ1,λ2——目标区域矩特征的特征值；U——特征分解得到的特征向量构成的矩阵；UT——矩阵U的转置矩阵；S——对Cov阵进行分解后得到的中间转化矩阵；(u11,u21)T，(u12,u22)T——分别为矩特征的特征值λ1,λ2的特征向量；此时由式(6)得到的矩阵S以椭圆形表征了目标的尺度信息，SOAMS算法以椭圆中心为原点，重新构建以椭圆长短半轴为坐标轴的坐标系，即本原坐标系，求得当前椭圆的长短半轴的尺度为a和b，由于a、b与λ1,λ2都表征了目标的长短半轴，则有λ1/λ2≈ab，设a＝k*λ1,b＝k*λ2，其中k为尺度因子，根据目标区域面积A及椭圆面积公式S＝π*a*b，有A＝π*a*b＝π*(k*λ1)*(k*λ2),两式联立可求出k为k=A/(π*λ1*λ2)---(7)]]>此时求出a,b，则Cov阵可转化为本原坐标系下的形式：Cov1=U*a200b2*UT---(8)]]>由式(8)得到的新构造的协方差阵Cov1可使用递增增量Δd确定表征目标在下一帧中的搜索区域尺度的协方差阵Cov2如式(9)，在本专利技术中所使用的增量模值为5个像素：Cov2=U*(a+Δd)200(b+Δd)2*UT---(9)]]>式中：Δd——递增增量，用以控制搜索区域的大小变化；a——目标区域长半轴；b——目标区域短半轴；此时满足下式的像素点集合X则为下一帧中的搜索区域坐标(X-Xo)*Cov2-1*(X-Xo)T≤1---(10)]]>目标搜索区域由目标搜索区域内的像素集合X'＝{x'i}i＝1,2,...N',组成，其中心记为Xo'，N'表示目标搜索区域的像素点的个数，以fe表示目标特征空间中的特征索引，则目标搜索区域可建模为：p(X)={pfe}fe=1,2,...,N′pfe(X)=ChΣi=1N′k(||xi′-Xo′h||2)δ[b(xi′)-fe]---(11)]]>式中：p(X)——目标搜索区域模型；pfe(X)——第fe个特征在目标模型上的概率；b(xi')——对应像素处颜色特征值；Ch——归一化系数，计算式如下：Ch=1Σi=1N′k(||xi′-Xo′h||2);---(12)]]>第三步：由均值漂移算法在搜索区域内求得候选区域，计算候选区域特征在由第一步、第二步得到目标模型q与搜索区域模型pfe(X)后，由均值漂移算法，计算如式(13)均值漂移向量Xo，在一次搜索任务中每一次迭代搜索结束后Xo的值将赋给迭代起始点X'o进行下一次迭代搜索，在搜索任务结束后Xo值为得到的最优搜索区域的质心坐标，此时最优搜索区域重合即为目标候选区域，式(13)所示的均值漂移向量通过计算目标候选区域内像素点x'i与迭代起始点X'o的加权距离与搜索区域的零阶矩之比得到，其中权值wi为候选区域内第i个像素对应的特征隶属于目标模...

【技术特征摘要】
1.一种基于上下文的目标尺度自适应跟踪方法，其特征在于包括下述步骤：第一步：在...

【专利技术属性】
技术研发人员：蒋晓悦，邹贽丞，冯晓毅，李会方，吴俊，谢红梅，何贵青，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61