结合粒子滤波的时空上下文视频目标跟踪方法技术

本发明专利技术公开了一种结合粒子滤波的时空上下文视频目标跟踪方法，包括如下步骤：S1，读取第一帧视频数据，选定视频目标框，并初始化时空上下文特征模型和粒子滤波特征模型；S2，读取新一帧视频数据，通过时空上下文跟踪方法获取其中的特定视频目标结果；S3，采用置信度的变化趋势判定特定目标是否受到强干扰，如果检测到强干扰则启用粒子滤波的方法对结果重新校准，从而得到更准确的视频目标跟踪结果；S4，使用最终得到的跟踪结果同时更新时空上下文特征模型和粒子滤波的特征模型，本发明专利技术提出的算法在面对强干扰时，依然可以完成较为稳定的跟踪，具有更高的鲁棒性。

【技术实现步骤摘要】

本专利技术涉及视频图像目标捕捉领域，尤其涉及一种结合粒子滤波的时空上下文视频目标跟踪方法。
技术介绍
视频内目标跟踪作为计算机视觉领域的基本问题之一，是视频内目标识别、行为识别等后续工作的基础，目前已经广泛应用于人们生活的多个方面。但是由于在常规的目标跟踪过程中往往会遇到多种干扰因素甚至同时作用于目标，如形变，光照变化，遮挡以及旋转等，因此开发一种高效且高鲁棒性的跟踪算法是一项艰难且有挑战性的工作。这就亟需本领域技术人员解决相应的技术问题。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题，特别创新地提出了一种结合粒子滤波的时空上下文视频目标跟踪方法。为了实现本专利技术的上述目的，本专利技术提供了一种结合粒子滤波的时空上下文视频目标跟踪方法，包括如下步骤：S1，读取第一帧视频数据，选定视频目标框，并初始化时空上下文特征模型和粒子滤波特征模型；S2，读取新一帧视频数据，通过时空上下文跟踪方法获取其中的特定视频目标结果；S3，采用置信度的变化趋势判定特定目标是否受到强干扰，如果检测到强干扰则启用粒子滤波的方法对结果重新校准，从而得到更准确的视频目标跟踪结果；S4，使用最终得到的跟踪结果同时更新时空上下文特征模型和粒子滤波的特征模型；跳转到S2。所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述S1包括：这里使用颜色直方图建模的粒子滤波作为时空上下文跟踪算法的后备修正算法的原因有五；其一，颜色直方图计算简便，速度快，效果好；其二，使用颜色直方图建模具有尺度适应性，能更好的和时空上下文跟踪算法配合；其三，在视频目标跟踪过程中会遇到各种各样的干扰因素，如背景混乱，形变，尺度变化等，而更常见的是多种干扰因素同时作用于待跟踪目标，这时粒子滤波具有比Kalman滤波更强的抗干扰能力；其四，时空上下文跟踪算法本身是一个鲁棒性较高、速度快的跟踪算法，只有遇到非常强烈的干扰时才会出现跟踪飘移以致丢失的情况，这种强烈的干扰一般有运动模糊、快速运动、快速的面内旋转等，而颜色直方图建模不关心像素坐标，对于这些干扰具有天然的抗性，可有效的修正跟踪结果；其五，时空上下文跟踪算法属于局部候选搜索算法，粒子滤波则是全局候选搜索算法，故而当视频目标由于强干扰导致跟踪丢失时，粒子滤波可凭借全局搜索的优势重新找回丢失的目标并恢复该跟踪。所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述S1包括：由于该算法属于半监督算法，第一帧的视频目标必须手工选取，然后该手工选择的视频目标框将被用于构建初始的时空上下文的特征模型和粒子滤波的特征模型。所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述S2包括：通过时空上下文跟踪算法公式计算每一帧的空间上下文：m(x)=be-|x-x*α|β=hsc(x)⊗p(x),p(x)=I(x)*e-|x-x*|2σ2,]]>其中为标准置信度矩阵；b为归一化常数，α为尺度常量2.25；β为形状参数，为了保证形状曲线既不会过度平滑又不会太过尖锐，最后选取β＝1可得到最合适的曲线；hsc(x)为待求的当前帧的空间上下文；p(x)为已知的当前帧的上下文先验概率模型；x为某一像素点的坐标，x*表示跟踪目标中心坐标，x-x*表示x像素到目标中心的欧式距离，I(x)代表经过归一化处理的x坐标处的像素强度；σ为目标尺度因子；为高斯权重函数，这是受到生物视觉系统中越靠近目标中心的内容越重要这一观点激发而进行建模的，根据靠近目标中心的距离不同生成不同的权重值，即越靠近目标权重越高；最后可使用FFT加速hsc(x)的计算，最终计算hsc(x)的公式下：hsc(x)=F-1(F(be-|x-x*α|β)F(p(x))),]]>由此计算得到的当前帧的空间上下文模型，代表了当前帧不同像素间的相对空间关系。所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述S2还包括：通过时空上下文跟踪算法计算当次的跟踪置信图及跟踪结果，其公式如下mt(x)=Htstc(x)⊗pt(x),]]>其中mt(x)为待求的第t帧的预测的置信图，为第t帧预测用的时空上下文模型，是经过时间低通滤波处理的特殊的空间上下文模型，pt(x)为计算得到的第t帧的上下文先验概率模型，利用FFT加速运算，其最终的计算公式如下：其中⊙代表点乘运算，进而得到第t帧的预测置信图矩阵，取此矩阵的最大置信度值及其对应坐标作为第t帧的预测置信度及跟踪目标中心点坐标，其计算公式如下：xt*=argmaxmt(x).]]>所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述S3还包括：采用分类器判别度的变化趋势来判定目标是否被遮挡的，其公式为：Hk-1-HkHk-1>ξ,]]>其中Hk-1表示已经得知第k-1帧的分类器判别度，同理Hk表示预测的第k帧的分类器判别度，ξ是设定的阈值，对公式加以改进，采用置信度变化趋势作为检测基准，使其不仅能够对遮挡检测，而且能够作为强干扰的通用检测；同时上述公式只使用待跟踪的第k帧和第k-1帧进行了比较，为了避免出现过度判断强干扰的情况，对此，对公式加以改进，改进后的公式为：Cmean=Σi=1mCk-im,Cmean-CkCmean>ξ,]]>其中Cmean表示第k-1，k-2…k-m帧的平均置信度，Ck表示第k帧的置信度；使用前m帧的平均置信度作为基准，以此来判断第k帧的置信度下降幅度是否超过了阈值，这样能够有效避免过度判断强干扰的情况。所述的结合粒子滤波的时空上下文视频目标跟踪方法，优选的，所述S3还包括：如果待跟踪的第k帧的置信度相比于前m帧平均置信度下降幅度超过了设定的30％的阈值，即认为视频目标受到了强烈的干扰，此时时空上下文目标跟踪算法直接得到的结果已经不可信，并立即启用粒子滤波对结果进行修正生成最终结果。所述的结合粒子滤波的时空上下文视频目标跟踪算法，优选的，所述S4还包括：为了保证时空上下文特征模型和粒子滤波的特征模型能时刻学习最新最有效的特征，以便有利于接下来的跟踪；该算法将使用当前帧跟踪得到的最终结果同时更新两个特征模型，而无关该结果是直接来自于时空上下文跟踪得到还是经过粒子滤波校正后的；时空上下文跟踪算法的特征模型的更新：使用得到的第t帧的空间上下文模型来更新第t+1帧的时空上下文模型，公式如下：Ht+1stc=(1-ρ)Htstc+ρhtsc]]>其中ρ本文档来自技高网...

【技术保护点】
一种结合粒子滤波的时空上下文视频目标跟踪方法，其特征在于，包括如下步骤：S1，读取第一帧视频数据，选定视频目标框，并初始化时空上下文特征模型和粒子滤波特征模型；S2，读取新一帧视频数据，通过时空上下文跟踪方法获取其中的特定视频目标结果；S3，采用置信度的变化趋势判定特定目标是否受到强干扰，如果检测到强干扰则启用粒子滤波的方法对结果重新校准，从而得到更准确的视频目标跟踪结果；S4，使用最终得到的跟踪结果同时更新时空上下文特征模型和粒子滤波的特征模型；跳转到S2。

【技术特征摘要】
1.一种结合粒子滤波的时空上下文视频目标跟踪方法，其特征在于，包括如下步骤：
S1，读取第一帧视频数据，选定视频目标框，并初始化时空上下文特征模型和粒子滤波
特征模型；
S2，读取新一帧视频数据，通过时空上下文跟踪方法获取其中的特定视频目标结果；
S3，采用置信度的变化趋势判定特定目标是否受到强干扰，如果检测到强干扰则启用
粒子滤波的方法对结果重新校准，从而得到更准确的视频目标跟踪结果；
S4，使用最终得到的跟踪结果同时更新时空上下文特征模型和粒子滤波的特征模型；
跳转到S2。
2.根据权利要求1所述的结合粒子滤波的时空上下文视频目标跟踪方法，其特征在于，
所述S1包括：
这里使用颜色直方图建模的粒子滤波作为时空上下文跟踪算法的后备修正算法的原
因有五；其一，颜色直方图计算简便，速度快，效果好；其二，使用颜色直方图建模具有尺度
适应性，能更好的和时空上下文跟踪算法配合；其三，在视频目标跟踪过程中会遇到各种各
样的干扰因素，如背景混乱，形变，尺度变化等，而更常见的是多种干扰因素同时作用于待
跟踪目标，这时粒子滤波具有比Kalman滤波更强的抗干扰能力；其四，时空上下文跟踪算法
本身是一个鲁棒性较高、速度快的跟踪算法，只有遇到非常强烈的干扰时才会出现跟踪飘
移以致丢失的情况，这种强烈的干扰一般有运动模糊、快速运动、快速的面内旋转等，而颜
色直方图建模不关心像素坐标，对于这些干扰具有天然的抗性，可有效的修正跟踪结果；其
五，时空上下文跟踪算法属于局部候选搜索算法，粒子滤波则是全局候选搜索算法，故而当
视频目标由于强干扰导致跟踪丢失时，粒子滤波可凭借全局搜索的优势重新找回丢失的目
标并恢复该跟踪。
3.根据权利要求1所述的结合粒子滤波的时空上下文视频目标跟踪方法，其特征在于，
所述S1包括：
由于该算法属于半监督算法，第一帧的视频目标必须手工选取，然后该手工选择的视
频目标框将被用于构建初始的时空上下文的特征模型和粒子滤波的特征模型。
4.根据权利要求1所述的结合粒子滤波的时空上下文视频目标跟踪方法，其特征在于，
所述S2包括：
通过时空上下文跟踪算法公式计算每一帧的空间上下文：
m(x)=be-|x-x*α|β=hsc(x)⊗p(x),p(x)=I(x)*e-|x-x*|2σ2,]]>其中为标准置信度矩阵；b为归一化常数，α为尺度常量2.25；β为形状参数，为了
保证形状曲线既不会过度平滑又不会太过尖锐，最后选取β＝1可得到最合适的曲线；hsc(x)
为待求的当前帧的空间上下文；p(x)为已知的当前帧的上下文先验概率模型；x为某一像素
点的坐标，x*表示跟踪目标中心坐标，x-x*表示x像素到目标中心的欧式距离，I(x)代表经过
归一化处理的x坐标处的像素强度；σ为目标尺度因子；为高斯权重函数，这是受到
生物视觉系统中越靠近目标中心的内容越重要这一观点激发而进行建模的，根据靠近目标
中心的距离不同生成不同的权重值，即越靠近目标权重越高；最后可使用FFT加速hsc(x)的
计算，最终计算hsc(x)的公式下：
hsc(x)=F-1(F...

【专利技术属性】
技术研发人员：朱征宇，李帅，徐强，郑加琴，袁闯，
申请(专利权)人：重庆大学，
类型：发明
国别省市：重庆;50