结合LBP特征自适应Mean Shift目标跟踪方法技术

本发明专利技术涉及计算机视觉和目标跟踪技术领域，为实现在不同背景干扰情形下都能确保目标跟踪的鲁棒性，提高算法的鲁棒性和适应性，有效地克服跟踪过程中目标尺度与方向不断变化的问题。本发明专利技术采用的技术方案是，结合LBP特征自适应Mean Shift目标跟踪方法，步骤如下：(1)目标模型生成：(2)相似性度量：利用Bhattacharyya系数来衡量目标模型与目标候选模型之间的相似度；(3)目标尺度方向估计：首先对目标区域进行Mean shift迭代，使其收敛至候选目标的空间位置处，对联合纹理‑颜色特征的目标候选区域权重图进行矩阵分解，利用矩阵分析来计算目标候选区域的尺度和方向。本发明专利技术主要应用于目标跟踪场合。

Adaptive Mean Shift target tracking method based on LBP features

The present invention relates to the field of computer vision and target tracking technology, in order to achieve different background disturbances can ensure the robustness of target tracking, improve the robustness and adaptability of the algorithm, the target scale and direction effectively overcome in the process of tracking the changing problem. The technical proposal of the invention is, step tracking method, combined with LBP Mean Shift characteristics of adaptive goals are as follows: (1) the target model generation: (2) similarity measure: to measure the similarity between the target model and the target candidate model using Bhattacharyya coefficient; (3) to estimate the target scale and direction: firstly, Mean shift the iteration of the target area, the spatial position of its convergence to the target candidate, the target candidate region of weight map color feature texture combined with matrix decomposition, to calculate the target candidate region scale and direction by using matrix analysis. The invention is mainly used for target tracking occasions.

【技术实现步骤摘要】

本专利技术涉及计算机视觉和目标跟踪
，尤其涉及一种联合二维局部二值特征与颜色直方图的尺度方向自适应的MeanShift目标跟踪方法。
技术介绍
计算机视觉是近年来发展起来的一门新兴学科，其研究内容涵盖了智能监控系统、机器人视觉导航、人机交互、物体三维重建、自动驾驶等领域。在计算机视觉的众多研究领域中，基于图像序列的运动目标跟踪受到了国内外学术界和工业界的广泛关注，在智能监控、机器人导航、智能交通、视频内容分析与理解等领域具有重要的应用价值，是一项不可或缺的关键技术。针对图像序列运动目标跟踪的研究，涌现了大量优秀的跟踪算法。在众多优秀的跟踪算法中，基于MeanShift的运动目标跟踪算法以其计算量小，对目标旋转、形变不敏感等优点而得到了广泛关注，成为当前目标跟踪领域的研究热点。2003年，Comaniciu等人将Meanshift算法引入到目标跟踪领域，提出了具有里程碑意义的基于Meanshift的运动目标跟踪算法(见文献[1,2])。此后，针对该方法存在的一些缺陷，国内外研究者提出了大量优秀的改进算法(见文献[3]～[8])。原始的Meanshift目标跟踪算法虽然具有计算量小，对目标变形、旋转、部分遮挡不敏感等优点，然而，该算法的一些局限也是显而易见的：(1)以颜色直方图作为目标的表观特征，无法包含目标的所有信息；且颜色特征对光照变化敏感，在光照变化情况下，易丢失跟踪目标；此外，在目标与背景颜色相近的情况下，无法有效鉴别出跟踪目标(见文献[3]和[4])。(3)无法有效地估计目标尺度与方向(见文献[5])。(2)缺乏有效的目标模型更新策略(见文献[6]和[7])。(4)无法克服背景杂波干扰这一缺陷,当背景出现较多杂波，易丢失跟踪目标(见文献[8])。参考文献：[1]ComaniciuD,RameshV,MeerP.Real-timetrackingofnon-rigidobjectsusingMeanshift[C].IEEEconferenceonComputerVisionandPatternRecognition.2000:142-149[2]ComaniciuD,RameshV,MeerP.Kernel-basedobjecttracking[J].IEEEtransonpatternAnalysisandMachineIntelligence,2003,25(5):564-575[3]LeichterI,LindenbaumM,RivlinE.MesnShifttrackingwithmultiplereferencecolorhistograms[J].ComputerVisionandImageUnderstanding,2010,114(3):400-408[4]TanXiao-yang,TriggsB.EnhancedLocalTextureFeatureSetsforFaceRecognitionUnderDifficultLightingConditions[J].IEEETransactiononImageProcessing,2010,19(6):1635-1650[5]TomasVojir,JanaNoskova,JiriMatas.Robustscale-adaptivemean-shiftfortracking[J].PatternRecognitionLetters,2014,49(1):250-258[6]HuiyuZhou,YuanYuan,ChunmeiShi.ObjecttrackingusingSIFTfeaturesandmeanshift[J].ComputerVisionandImageUnderstanding,2009,113(3):345-352[7]NanLuo,QuansenSun,QiangChen.ANovelTrackingAlgorithmviaFeaturePointsMatching[J].PLoSONE,2015[8]FouadBousetouane,LyndaDib,HichemSnoussi.Improvedmeanshiftintegratingtextureandcolorfeaturesforrobustrealtimeobjecttracking[J],2013,29:155-170。
技术实现思路
为克服现有技术的不足，本专利技术旨在实现在不同背景干扰情形下都能确保目标跟踪的鲁棒性，提高算法的鲁棒性和适应性，有效地克服跟踪过程中目标尺度与方向不断变化的问题。本专利技术采用的技术方案是，结合LBP特征自适应MeanShift目标跟踪方法，步骤如下：(1)目标模型生成：目标模型由图像的局部二值特征与颜色特征组成的联合直方图来描述，即利用由局部二值模式形成的掩膜内的颜色和纹理特征来描述目标，构建联合纹理-颜色特征的目标模型；(2)相似性度量：利用Bhattacharyya系数来衡量目标模型与目标候选模型之间的相似度，Bhattacharyya系数表示两个向量与之间夹角的余弦值，其值越大，代表目标模型与目标候选模型越相似，首先计算上述目标模型和目标候选模型的Bhattacharyya系数，并规定某个度量准则，使其在该准则下相似度最高；(3)目标尺度方向估计：在跟踪过程中，首先对目标区域进行Meanshift迭代，使其收敛至候选目标的空间位置处，对(1)中生成的联合纹理-颜色特征的目标候选区域权重图进行矩阵分解，利用矩阵分析来计算目标候选区域的尺度和方向。具有灰度尺度不变性和旋转不变性的局部二值模式LBP算子通过下面的模型获得：其中，表示gc对应窗口中心点的像素值，P代表(xc,yc)窗口中心点周围的像素点，gp为中心点邻域内的像素值，R代表了邻域的范围，riv2表示旋转不变等价模式，U(LBPP,R)为旋转不变模式LBP算子的界定，其值≤2，表示从起始点0点起，计算相邻两点与中心点像素值的函数s(x)的差值，依次遍历P个像素点:其中，gP-1表示邻域内像素点P-1的像素值，g0表示邻域内起始点的像素值；用S(gP-gc+a)代替S(gP-gc)，a为弥补平坦区域内像素波动小而设定的阈值；并且，|a|越大，像素波动的允许值越大；有效联合目标的局部二值特征LBP与颜色特征具体步骤如下：有9个均匀的纹理模式，每一种LBP纹理模式可以视为一个微纹理基元，算子检测到的局部图像块内特征包括点，平坦区域，边缘，线段的起始点和终点，在目标表示中，上述的的微纹理基元包括角点、边缘、线段，称为主要的目标模式，代表了目标的大部分特征，而点、平面区域称为次要的目标模式，是目标次要的纹理；通过下面的公式来提取目标的大部分目标模式：在算子中，标记0，1，7，8对应次要的目标模式，标记9没有对应目标模式。因此，主要的目标模式标记有：2～6，通过式(7)提取目标的主要LBP模式，然后联合图像的颜色特征描述目标，构建成8×8×8×5的四维联合纹理-颜色的联合直方图。目标模型与候选目标模型的相似性采用Bhattacharyya系数ρ(y)来衡量，即其中，y表示候选目标区域中心位置，u＝1,2...m表示任意一个颜色索引，分别表示目标模型及候选目标模型本文档来自技高网...

【技术保护点】
一种结合LBP特征自适应Mean Shift目标跟踪方法，其特征是，步骤如下：(1)目标模型生成：目标模型由图像的局部二值特征与颜色特征组成的联合直方图来描述，即利用由局部二值模式形成的掩膜内的颜色和纹理特征来描述目标，构建联合纹理‑颜色特征的目标模型；(2)相似性度量：利用Bhattacharyya系数来衡量目标模型与目标候选模型之间的相似度，Bhattacharyya系数表示两个向量与之间夹角的余弦值，其值越大，代表目标模型与目标候选模型越相似，首先计算上述目标模型和目标候选模型的Bhattacharyya系数，并规定某个度量准则，使其在该准则下相似度最高；(3)目标尺度方向估计：在跟踪过程中，首先对目标区域进行Mean shift迭代，使其收敛至候选目标的空间位置处，对(1)中生成的联合纹理‑颜色特征的目标候选区域权重图进行矩阵分解，利用矩阵分析来计算目标候选区域的尺度和方向。

【技术特征摘要】
1.一种结合LBP特征自适应MeanShift目标跟踪方法，其特征是，步骤如下：(1)目标模型生成：目标模型由图像的局部二值特征与颜色特征组成的联合直方图来描述，即利用由局部二值模式形成的掩膜内的颜色和纹理特征来描述目标，构建联合纹理-颜色特征的目标模型；(2)相似性度量：利用Bhattacharyya系数来衡量目标模型与目标候选模型之间的相似度，Bhattacharyya系数表示两个向量与之间夹角的余弦值，其值越大，代表目标模型与目标候选模型越相似，首先计算上述目标模型和目标候选模型的Bhattacharyya系数，并规定某个度量准则，使其在该准则下相似度最高；(3)目标尺度方向估计：在跟踪过程中，首先对目标区域进行Meanshift迭代，使其收敛至候选目标的空间位置处，对(1)中生成的联合纹理-颜色特征的目标候选区域权重图进行矩阵分解，利用矩阵分析来计算目标候选区域的尺度和方向。2.如权利要求1所述的结合LBP特征自适应MeanShift目标跟踪方法，其特征是，具有灰度尺度不变性和旋转不变性的局部二值模式LBP算子通过下面的模型获得：其中，表示gc对应窗口中心点的像素值，P代表(xc,yc)窗口中心点周围的像素点，gp为中心点邻域内的像素值，R代表了邻域的范围，riv2表示旋转不变等价模式，U(LBPP,R)为旋转不变模式LBP算子的界定，其值≤2，表示从起始点0点起，计算相邻两点与中心点像素值的函数s(x)的差值，依次遍历P个像素点:其中，gP-1表示邻域内像素点P-1的像素值，g0表示邻域内起始点的像素值；用S(gP-gc+a)代替S(gP-gc)，a为弥补平坦区域内像素波动小而设定的阈值；并且，|a|越大，像素波动的允许值越大。3.如权利要求1所述的结合LBP特征自适应MeanShift目标跟踪方法，其特征是，有效联合目标的局部二值特征LBP与颜色特征具体步骤如下：有9个均匀的纹理模式，每一种LBP纹理模式可以视为一个微纹理基元，算子检测到的局部图像块内特征包括点，平坦区域，边缘，线段的起始点和终点，在目标表示中，上述的的微纹理基元包括角点、边缘、线段，称为主要的目标模式，代表了目标的大部分特征，而点、平面区域称为次要的目标模式，是目标次要的纹理；通过下面的公式来提取目标的大部分目标模式：在算子中，标记0，1，7，8对应次要的目标模式，标记9没有对应目标模式。因此，主要的目标模式标记有：2～6，通过式(7)提取目标的主要LBP模式，然后联合图像的颜色特征描述目标，构建成8×8×8×5的四维联合纹理-颜色的联合直方图。4.如权利要求1所述的结合LBP特征自适应MeanShift目标跟踪方法，其特征是，目标模型与候选目标模型的相似性采用Bhattacharyya系数ρ(y)来衡量，即其中，y表示候选目标区域中心位置，u＝1,2...m表示任意一个颜色索引，分别表示目标模型及候选目标模型；qu和pu(y)分别表示在目标区域及候选目标区域概率分布直方图中特征u的概率；Bhattacharyya系数ρ(y)...

【专利技术属性】
技术研发人员：唐晨，程佳佳，苏永钢，李碧原，
申请(专利权)人：天津大学，
类型：发明
国别省市：天津;12