动态场景下基于局部背景剪除的自适应目标跟踪方法技术

本发明专利技术为一种动态场景下基于局部背景剪除的自适应目标跟踪方法，包括步骤：对于每一帧输入图像，根据当前时刻目标模型的特征分量的可分性评价函数计算输入图像的每一个像素属于目标的概率值，并生成一个输入图像对应的概率图；根据输入图像对应的概率图，利用局部背景剪除提取图像中的目标区域和目标周围的局部背景区域，并确定目标在输入图像中的位置和目标尺寸；分别建立目标的观测模型和局部背景的观测模型；根据目标的观测模型和局部背景的观测模型，对目标模型和局部背景模型进行更新；对更新后的目标模型的每一个特征分量进行可分性评价，得到一个新的目标模型的特征分量可分性评价函数，用于下一帧输入图像中目标的跟踪。

【技术实现步骤摘要】

本专利技术属于图像处理
的，具体涉及一种动态场景下基于局部背景剪除的 自适应目标跟踪方法。
技术介绍
视觉信息是人类从客观世界获得信息的主要来源之一，随着计算机技术的不断发 展，利用计算机实现人类的视觉功能吸引了众多的研究者。目标跟踪是当前计算机视觉领 域中的热点问题之一，并被广泛地应用到视频监控、智能交通、图像压缩、视频检索、机器人 导航、人机交互、虚拟现实以及军事等众多领域中。背景剪除是常用的目标检测和跟踪方法，这类方法往往先建立背景的高斯或混 合高斯模型(Stauffer, C. , and Grimson, W. , "Learning patterns ofactivity using real-time tracking,，，IEEE Trans. Pattern Anal. Mach. Intell. , Aug. 2000. 22, (8), pp. 747-757 ；Haritaoglu,I. ,Harwood D. ,and Dacis L. S. ,"W4 :Real_Time Surveillance of People and Their Activities,，，IEEE Trans. Pattern Anal. Mach. Intell. , 2000, 22, (8), pp. 809-830)，继而通过检测图像中像素值的变化来实现对目标的检测和跟踪。这类方 法具有实时性好、可靠性高的特点，或得了广泛的应用。但这类方法往往基于背景不变或变 化较为缓慢的假设，因而只适用于静态场景或场景变化较慢的情况。对于动态场景下的目标跟踪，如移动机器人视觉跟踪系统，由于背景随时间存 在较大的变化，传统的背景剪除方法不再适用。对于动态场景下的目标跟踪，目前常用 W ^ W ^ it ^ # (Comaniciu, D. ， Ramesh, V. ， andMeer, P. ,"Kernel-based object tracking，，，IEEE Trans. Pattern Anal. Mach. Intell. , May 2003，25，(5), pp. 564-577) > 粒子滤波跟踪(Wang，H.，Suter, D.，，Schindler, K.，and Shen, C. ,"Adaptive Object Tracking Based on anEffective Appearance Filter,，，IEEE Trans. Pattern Anal. Mach. Intell.，2007，29，(9)，pp. 1661—1667 ；Y.Lao, J.Zhu and Y. F. Zheng, "Sequential ParticleGeneration for Visual Tracking,，，IEEE Trans. Circuits Syst. Video Technol.，vol. 19，no. 9，pp. 1365-1378，S印· 2009)等，这些方法容易受到背景的干扰，如当 目标周围存在和目标相似的物体时，跟踪精度往往会下降，甚至错误地跟踪到其他物体。动态场景下的目标跟踪的难点可以归结为以下因素(1)内在目标外观变化，包括目标姿态变化、尺度变化、复杂运动、形变，以及部 分或全部遮挡等；(2)外在环境因素造成的干扰，包括光线变化、杂乱背景、背景中存在和目标特 征相似的物体、噪声、摄像机运动和振动等。
技术实现思路
(一)要解决的技术问题有鉴于此，本专利技术的目的在于克服现有技术的不足，提供一种，该专利技术能够在动态场景下，将目标完整地从背景中提 取出来，实现动态场景下对目标自适应提取和跟踪。(二)技术方案为达到上述目的，本专利技术提供动态场景下基于局部背景剪除的自适应目标跟踪方 法，该方法包括步骤如下步骤Sl 对于第t帧输入图像，根据当前时刻目标模型的特征分量的可分性评价 函数计算输入图像的每一个像素属于目标的概率值，并生成一个输入图像对应的概率图；步骤S2 根据输入图像对应的概率图，利用局部背景剪除提取图像中的目标区域 和目标周围的局部背景区域，并确定输入图像中的目标状态，包括目标在输入图像中的位 置和目标尺寸，从而实现在当前输入图像中对目标进行提取和跟踪，并输出目标在当前输 入图像中的位置和目标尺寸；步骤S3 根据目标区域和局部背景区域，分别建立目标的观测模型和局部背景的 观测模型；步骤S4:根据目标的观测模型和局部背景的观测模型，对目标模型和局部背景模 型进行更新，得到新的目标模型和局部背景模型；步骤S5 对更新后的目标模型的每一个特征分量的进行可分性评价，得到一个新 的目标模型特征分量可分性评价函数，用于下一帧输入图像中目标的跟踪。(三)有益效果本专利技术的有益效果在于传统的背景剪除方法只适用于静态场景或场景变化较慢 的情况下，对于动态场景下的目标跟踪，传统的背景剪除方法往往难以获得好的效果。本发 明针对动态场景下，背景随时间变化较快的特点，在跟踪过程中除了建立和更新目标模型， 同时在线建立并实时更新目标周围的局部背景模型。对于新输入的视频图像，利用目标运 动的连续性和上一帧得到的目标模型和局部背景模型，通过对局部背景的剪除实现对当前 图像中目标的提取和跟踪。该专利技术能够在动态场景下，将目标完整地从背景中提取出来，实 现动态场景下对目标自适应提取和跟踪。大量实验证明了本专利技术的有效性。本专利技术(1)解 决了传统背景剪除方法在动态场景下难以获得好的效果的缺陷，通过建立和更新局部背景 模型来应对背景的快速变化；( 能够快速适应环境和目标外观测变化；C3)实时性好，准 确性和稳定性高。附图说明图1为本专利技术所提供方法的流程图。图2为动态场景下基于局部背景剪除的自适应视觉跟踪实例。 具体实施例方式下面结合附图对本专利技术的实施例作详细的说明本实施例在以本专利技术技术方案为 前提下进行实施，结合详细的实施方式和具体的操作过程，但本专利技术的保护范围不限于下 述实施例。如图1示出本专利技术所提供方法的流程图，在跟踪过程中除了建立和更新目标模 型，同时在线建立并实时更新目标周围的局部背景模型，对于每一帧输入图像，通过对局部背景的剪除实现动态场景下对运动目标的提取和自适应跟踪，本专利技术包括以下步骤第一步对于第t帧输入图像，根据当前时刻目标模型的特征分量的可分性评价 函数计算输入图像的每一个像素属于目标的概率值，并生成一个输入图像对应的概率图；第二步根据输入图像对应的概率图，通过局部背景剪除提取图像中的目标区域 和目标周围的局部背景区域，并确定输入图像中的目标状态，包括目标在输入图像中的位 置和目标尺寸，从而实现在当前输入图像中对目标进行提取和跟踪，并输出目标在当前输 入图像中的位置和目标尺寸；第三步根据目标区域和局部背景区域，分别建立目标的观测模型和局部背景的 观测模型；第四步根据目标的观测模型和局部背景的观测模型，对目标模型和局部背景模 型进行更新，得到新的目标模型和局部背景模型；第五步对更新后的目标模型的每一个特征分量的进行可分性评价，得到一个新 的目标模型特征分量可分性评价函数，用于下一帧输入图像中目标的跟踪。所述第一步，具体如下对于第t帧输入图像，目标模型和目标周围的局部背景模型本文档来自技高网...

【技术保护点】
１．一种动态场景下基于局部背景剪除的自适应目标跟踪方法，其特征是，在跟踪过程中除了建立和更新目标模型，同时在线建立并实时更新目标周围的局部背景模型，对于每一帧输入图像，通过对局部背景的剪除实现动态场景下对运动目标的提取和自适应跟踪，包括如下步骤：步骤Ｓ１：对于第ｔ帧输入图像，根据当前时刻目标模型的特征分量的可分性评价函数计算输入图像的每一个像素属于目标的概率值，并生成一个输入图像对应的概率图；步骤Ｓ２：根据输入图像对应的概率图，利用局部背景剪除提取图像中的目标区域和目标周围的局部背景区域，并确定输入图像中的目标状态，包括目标在输入图像中的位置和目标尺寸，从而实现在当前输入图像中对目标进行提取和跟踪，并输出目标在当前输入图像中的位置和目标尺寸；步骤Ｓ３：根据目标区域和局部背景区域，分别建立目标的观测模型和局部背景的观测模型；步骤Ｓ４：根据目标的观测模型和局部背景的观测模型，对目标模型和局部背景模型进行更新，得到新的目标模型和局部背景模型；步骤Ｓ５：对更新后的目标模型的每一个特征分量进行可分性评价，得到一个新的目标模型的特征分量可分性评价函数，用于下一帧输入图像中目标的跟踪。

【技术特征摘要】

【专利技术属性】
技术研发人员：王鹏，乔红，苏建华，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：11