一种基于背景抑制的后验概率图像跟踪方法技术

本发明专利技术涉及一种图像跟踪方法，公开了一种基于背景抑制的后验概率图像跟踪方法。该方法基于后验概率的像素级计算，首先计算搜索区域内像素的相似度贡献值：其次，进行快速平移目标搜索：最后，进行目标区域尺寸自适应搜索。该方法定位精度高，能够有效得避免背景特征的影响，跟踪速度快。

【技术实现步骤摘要】

本专利技术涉及一种图像跟踪方法，特别涉及一种基于背景抑制的后验概率 图像跟踪方法。
技术介绍
视觉跟踪在机器人、安全监控、人机交互等领域有着广泛的应用，近年 来吸引了众多研究者的注意，成为当前计算机视觉领域中的研究热点之一。 目前存在的视觉跟踪方法主要分为两类，基于运动信息的方法和基于模型的 方法。其中，基于运动信息的方法是利用目标的运动信息对目标进行跟踪， 它把一段时间内具有运动一致性的点归为一类，如光流法和特征点法，这种 方法的缺点是计算量太大。基于模型的方法主要是通过模板匹配的方式实现， 根据其匹配特征的不同，分为基于目标边界特征的方法和基于目标区域特征 的方法。其中，基于目标边界的方法主要利用图像中的边缘信息进行图像匹配，包括基于Hausdorff距离的边缘匹配方法，基于Chamfer距离的边缘匹 配方法，基于边界方向直方图的匹配方法等。而基于目标区域的方法通过对 目标整个区域颜色、纹理等特征信息的分析，能够得到目标本身更多的信息， 有利于排除背景的干扰，在背景复杂的环境下，其匹配效果要优于基于边界 的匹配方法。基于模板匹配的方法得到了广泛的应用。然而，无论是基于边界特征的 匹配方法，还是基于区域特征的匹配方法，都存在着一个非常关键的问题， 即通过什么指标来衡量两个待匹配对象之间的相似程度，即相似性判据问题。到目前为止，相似性判据主要分为两类，即距离相似性判据和相关性判据。前者主要包括绝对差别(Absolute Difference)、平均绝对差别(MAD)、平 方距离(Sum of Squared Distance)、 Hausdorff距离、Chamfer距离等指标， 后者包括乘积相关性(Product Correlation)、归一化的乘积相关性、 Kullback-Leiber散度(Kullback-Leiber Divergence)、巴氏系数等指标。在当前的图像匹配领域中，基于巴氏系数指标的模板匹配方法是应用最 为广泛的方法之一。备受关注的Mean Shift跟踪算法，就是以巴氏指标作为 模板与待匹配区域之间相似度衡量的依据。但对于一些背景区域存在干扰的匹配问题，例如背景中存在与目标类似的像素，或者目标模板中存在背景像 素的时候，应用巴氏指标计算所得的目标最优值位置与目标对象的真实位置 之间有明显偏差，甚至会出现错误匹配的情况。
技术实现思路
本申请的专利技术人分析了该现象出现的原因在于目标模板中存在的背景像 素在匹配过程中也会对相似度值有所贡献，这种贡献有时候甚至大于真正的 目标特征类像素的贡献，从而造成目标定位偏差或者错误。为了解决上述问题，本专利技术提出了一种基于背景抑制的后验概率图像跟 踪方法，能够克服当前基于模板匹配的图像跟踪算法中存在定位偏差的缺陷， 提供一套有效的系统的实时图像跟踪算法。本专利技术的理论根据源于专利技术人发表在《自动化学报》2007年第一期文章 ——"基于最大后验概率的图像匹配相似性指标研究"。文中后验概率相似度 指标是一种新的图像匹配相似性度量指标，通过寻找具有后验概率最大值的 候选目标区域来确定目标所在位置。该指标的定位精度、峰值特性和模板尺寸的容许度都要优于Bhattacharyya系数、Kullback-Leibler距离、归一化的交 叉相关等指标。为了给出后验概率相似度指标，首先介绍以下概念。搜索区域指一个包 含目标区域及其周围背景的较大区域，属于一帧图像的子区域。对每帧图像 而言，在搜索区域中寻找与目标模板最为相似的区域作为目标区域，该过程 就是图像跟踪中的目标定位过程。搜索区域的特征向量记为s， seiT"，其 中气为特征的维数，iT"为气维的实数空间。所跟踪的目标模板的特征向量 记为g，《eiT"，待匹配目标区域的特征记为/7，户eiT"。用搜索区域特征 向量的分量&除第w个特征对应的目标模板特征和待匹配区域特征的相关积 (当^=0时，表示第w特征在搜索区中缺失，定义商^/&=0)。于是 可以得到如公式(一)所示的后验概率相似度指标函数w/^)-丄l;M; 公式(一)其中，A为待匹配目标区域的第w个特征值，^为目标模板的第"个特征值，m为目标模板中的像素总数。该指标具有明确的物理意义，即该指标的值衡量了待匹配区域是真实的目标区域的后验概率。搜索区域中包含了大量的背 景像素，因此，如果第w个特征属于背景特征，则&的值相对较大，相关积将受到较大的抑制；如果第w个特征属于目标特征， 的值相对较小，相关 积将受到较小的抑制，相当于提升了该特征相对的相关积的权重。上述公式(一)所示的后验概率指标不仅能够通过特征维数求和得到， 还能够通过像素求和得到。在该指标能够按照像素求和得到的计算特性的基 础上，本专利技术可以实现新的待匹配区域相似度的快速计算，即加上新包含进 当前待匹配目标区域的像素的相似度贡献值，减去已不再包含在当前待匹配目标区域的像素的相似度贡献值。不断重复该计算过程，求得具有最大相似 度值的候选目标区域作为最终的目标区域。即可以通过平移待匹配区域来进 行快速搜索目标区域。本专利技术提出的目标区域尺寸自适应算法也是基于后验概率指标的像素级 计算特性的。通过比较当前帧图像中目标区域的边界层像素、边界内层像素 和边界外层像素的相似度贡献平均值，来确定扩大、縮小还是维持下一帧图 像的目标区域尺寸，从而实现目标区域尺寸自适应变化。本专利技术采用以下技术方案予以实现 一种基于背景抑制的后验概率图像 跟踪方法，其特征在于，包括以下步骤步骤一，计算搜索区域内像素的相似度贡献值确定目标模板，其特征 向量为《，《eiT"，实时获取视频图像，以上一帧图像中的目标区域的位置 为中心，确定当前帧图像的搜索区域，统计该搜索区域的特征向量S ， S e iT"， 其中气为特征的维数，iT"为气维的实数空间；根据目标模板的特征向量《和搜索区域的特征向量S，计算搜索区域内每个像素的相似度贡献值^^，其中&c/)表示搜索区域中的第y个像素所对应的目标模板向量中的第"个特征值，^c/)表示搜索区域中的第y个像素所对应的搜索区域向量中的第" 个特征值；步骤二，进行快速平移目标搜索根据当前帧图像中的目标区域尺寸，确定当前帧图像中待匹配目标区域尺寸；平移待匹配目标区域得到新的待匹 配目标区域，按照像素计算所有待匹配目标区域相对目标模板的相似度指标函数0(Z^)， =丄|]^44，其中附表示待匹配目标区域中的像素总附声i数，搜索得到函数值最大的待匹配目标区域为当前帧目标区域；步骤三，进行目标区域尺寸自适应搜索按照像素计算当前帧图像中的目标区域的边界层像素的相似度贡献平均值f、边界内第一层像素的相似度 贡献平均值i,和边界外第一层像素的相似度贡献平均值s,其中边界层由目 标区域边界上的像素组成，边界内第一层由边界层向内最邻近的像素组成，边界外第一层由边界层向外最邻近的像素组成；根据如下公式对下一帧图像的目标区域尺寸进行自适应确定<formula>formula see original document page 8</formula>其他其中W(/)表示当前帧图像中的目标区域尺寸，>1</ + 1)表示下一帧图 像中的目标区域尺寸。所本文档来自技高网...

【技术保护点】
一种基于背景抑制的后验概率图像跟踪方法，其特征在于，包括以下步骤：步骤一，计算搜索区域内像素的相似度贡献值：确定目标模板，其特征向量为ｑ，ｑ∈Ｒ↑［ｍ↓［ｕ］］，实时获取视频图像，以上一帧图像中的目标区域的位置为中心，确定当前帧图像的搜索区域，统计该搜索区域的特征向量ｓ，ｓ∈Ｒ↑［ｍ↓［ｕ］］，其中ｍ↓［ｕ］为特征的维数，Ｒ↑［ｍ↓［ｕ］］为ｍ↓［ｕ］维的实数空间；根据目标模板的特征向量ｑ和搜索区域的特征向量ｓ，计算搜索区域内每个像素的相似度贡献值ｑ↓［ｕ］（ｊ）／ｓ↓［ｕ］（ｊ），其中ｑ↓［ｕ］（ｊ）表示搜索区域中的第ｊ个像素所对应的目标模板向量中的第ｕ个特征值，ｓ↓［ｕ］（ｊ）表示搜索区域中的第ｊ个像素所对应的搜索区域向量中的第ｕ个特征值；步骤二，进行快速平移目标搜索：根据当前帧图像中的目标区域尺寸，确定 当前帧图像中待匹配目标区域尺寸；平移待匹配目标区域得到新的待匹配目标区域，按照像素计算所有待匹配目标区域相对目标模板的相似度指标函数φ（ｐ，ｑ），φ（ｐ，ｑ）＝１／ｍ＊ｑ↓［ｕ］（ｊ）／ｓ↓［ｕ］（ｊ），其中ｍ表示待匹配目标区域中的像素总数，搜索得到函数值最大的待匹配目标区域为当前帧目标区域；步骤三，进行目标区域尺寸自适应搜索：按照像素计算当前帧图像中的目标区域的边界层像素的相似度贡献平均值＊、边界内第一层像素的相似度贡献平均值＊↓［－１］和边界外第一层像素的相似度贡献平均 值＊↓［１］，其中边界层由目标区域边界上的像素组成，边界内第一层由边界层向内最邻近的像素组成，边界外第一层由边界层向外最邻近的像素组成；根据如下公式对下一帧图像的目标区域尺寸进行自适应确定：＊＊＊　其中：ｗ（ｌ）表示当前帧图像中的目标区域 尺寸，ｗ（ｌ＋１）表示下一帧图像中的目标区域尺寸。...

【技术特征摘要】

【专利技术属性】
技术研发人员：冯祖仁，吕娜，苏家全，陈火健，刘锁山，
申请(专利权)人：西安交通大学，
类型：发明
国别省市：87[中国|西安]