專(zhuān)利名稱(chēng)：一種多重對(duì)象追蹤的方法
技術(shù)領(lǐng)域：
本發(fā)明涉及一種影像處理的方法，特別涉及一種根據(jù)五維參數(shù)，以進(jìn)行多 重對(duì)象追蹤的方法。
背景技術(shù)：
智能型視訊監(jiān)控系統(tǒng)能夠從影像中辨識(shí)出移動(dòng)物體，并且追蹤物體，進(jìn)而 判斷發(fā)生的事件。現(xiàn)有自動(dòng)物體追蹤的方法為，在時(shí)間軸上，建立物體的對(duì)應(yīng) 關(guān)系，以獲得物體的移動(dòng)軌跡，進(jìn)而進(jìn)行事件偵測(cè)。此外，現(xiàn)有自動(dòng)物體追蹤
的方法利用物體特征，例如物體的影像、物體的外表才莫型(Appearance Model)、 顏色、邊界框(Bounding Box)等等，以建立物體的對(duì)應(yīng)關(guān)系。亦即，現(xiàn)有自動(dòng) 物體追蹤的方法以視訊(video)為切割的基礎(chǔ)，并進(jìn)行連結(jié)組件分析(connected component analysis)。然后，現(xiàn)有自動(dòng)物體追蹤的方法耳又得連結(jié)組件的特征， 以便將連結(jié)組件對(duì)應(yīng)于特定的物體。相關(guān)的專(zhuān)利案件可參考US6574353, US6226388, US5845009, US6674877。
現(xiàn)有技術(shù)建立顏色統(tǒng)計(jì)模型(Statistical Color Model)，以便利用顏色 統(tǒng)計(jì)模型來(lái)描述對(duì)應(yīng)的物體。當(dāng)現(xiàn)有技術(shù)建立顏色統(tǒng)計(jì)才莫型時(shí)，此方法統(tǒng)計(jì)每 個(gè)像素顏色分布情況，并利用多個(gè)已知的機(jī)率分布，來(lái)近似整體分布。再者， 此方法使用這些機(jī)率分布的參數(shù)，來(lái)做為物體模型。每一機(jī)率分布包含三維， 即R、 G、 B。亦即，每一個(gè)機(jī)率分布對(duì)應(yīng)至某一個(gè)物體模型。
然而，若物體間發(fā)生遮蔽的情形，則現(xiàn)有技術(shù)僅憑屏蔽(mask)無(wú)法正確地 辨識(shí)物體的邊界。因此，現(xiàn)有自動(dòng)物體追蹤的方法無(wú)法有效地對(duì)個(gè)別對(duì)象建立 正確的模型?，F(xiàn)有技術(shù)在追蹤遮蔽物體時(shí)，通常的解決方法是，不以視訊切割為基石出(Non—segmentat ion based)來(lái)建立物體才羊4反(Template)。然后，利用4勿 體樣板，此方法在畫(huà)面中尋找最相似的區(qū)域，以便追蹤遮蔽物體。但是，前述 的方法無(wú)法自動(dòng)化，并且需要手動(dòng)建立物體樣板，不利于實(shí)際的應(yīng)用。另一種 方法以-現(xiàn)訊切割為基礎(chǔ)(Segmentation based) , 乂人某一個(gè)連結(jié)組件中，分辨不 同物體所在的位置。由于此種方法以連結(jié)組件為建立外表模型時(shí)的基本單位，
當(dāng)多重對(duì)象間產(chǎn)生遮蔽的情況時(shí)，仍然不能有效地追蹤遮蔽物體。

發(fā)明內(nèi)容
針對(duì)上述問(wèn)題，本發(fā)明提供一種多重對(duì)象追蹤的方法。本方法將對(duì)象分解 為子區(qū)塊，再重新組合成新對(duì)象，以解決多重對(duì)象間產(chǎn)生遮蔽的問(wèn)題，并提高 對(duì)象追蹤的準(zhǔn)確率。
為達(dá)到上述目的，本發(fā)明提出一種多重對(duì)象追蹤的方法，適用于影像處理。 其中，第二影像數(shù)據(jù)(第t-n秒)產(chǎn)生的時(shí)間在第一影像數(shù)據(jù)(第t秒)之前，本 方法包括下列步驟本方法執(zhí)行模型建立程序，使前述第二影像數(shù)據(jù)與前述第 一影像數(shù)據(jù)中的每一像素，個(gè)別地具有顏色參數(shù)(R, G， B)與位置參數(shù)(x， y)。 然后，根據(jù)顏色參數(shù)與位置參數(shù)，使前述第一影像數(shù)據(jù)中的每一個(gè)第一對(duì)象個(gè) 別地分解為復(fù)數(shù)個(gè)第一子區(qū)塊。其后，根據(jù)顏色參^t與位置參數(shù)，使前述第二 影像數(shù)據(jù)中的每一個(gè)第二對(duì)象個(gè)別地分解為復(fù)數(shù)個(gè)第二子區(qū)塊。接著，根據(jù)前 述第一子區(qū)塊與前述第二子區(qū)塊，以形成物件區(qū)塊。
依照本發(fā)明的較佳實(shí)施例所述，上述方法更包括本方法執(zhí)行對(duì)象切割程 序，以取得至少一個(gè)前景物體。然后，本方法執(zhí)行對(duì)象巻標(biāo)程序，以標(biāo)示前述 第一對(duì)象或第二對(duì)象。
依照本發(fā)明的較佳實(shí)施例所述，上述模型建立程序包括下列步驟本方法
6設(shè)定每一個(gè)像素具有紅色值、綠色值、藍(lán)色值、x坐標(biāo)與y坐標(biāo)。然后，根據(jù)前 述紅色值、前述綠色值、前述藍(lán)色值、前述x坐標(biāo)、前述y坐標(biāo)與機(jī)率模型(高 斯機(jī)率分布模型)，使至少一個(gè)對(duì)象具有對(duì)應(yīng)的外表機(jī)率分布。其后，本方法分 析對(duì)應(yīng)像素，以產(chǎn)生復(fù)數(shù)個(gè)子機(jī)率分布，以使對(duì)應(yīng)對(duì)象個(gè)別地分解為復(fù)數(shù)個(gè)子 區(qū)塊。
依照本發(fā)明的較佳實(shí)施例所述，上述機(jī)率模型具有至少 一個(gè)特定分布參數(shù)， 前述特定分布參數(shù)為高斯機(jī)率分布模型的高斯分布平均值。前述模型建立程序 更包括下列步驟本方法組合前述紅色值、前述綠色值、前述藍(lán)色值、前述x 坐標(biāo)、前述y坐標(biāo)成為一個(gè)目標(biāo)參數(shù)。然后，本方法逐一地比4交對(duì)應(yīng)像素的目 標(biāo)參數(shù)與對(duì)應(yīng)的特定分布參數(shù)，以取得至少一個(gè)第一差異值。其后，本方法判
斷前述第一差異值是否小于一個(gè)第一臨界值。接著，若前述第一差異值小于前 述第一臨界值，則根據(jù)對(duì)應(yīng)像素，重新計(jì)算對(duì)應(yīng)的子機(jī)率分布參數(shù)。接下來(lái)， 根據(jù)對(duì)應(yīng)的子機(jī)率分布參數(shù)，本方法形成前述第一子區(qū)塊與前述第二子區(qū)塊。
依照本發(fā)明的較佳實(shí)施例所述，上述方法更包括本方法比對(duì)前述些第一子 區(qū)塊與前述些第二子區(qū)塊。然后，根據(jù)前述些第一子區(qū)塊與前述些第二子區(qū)塊 之比對(duì)結(jié)果，重新組合前述第一子區(qū)塊，以形成新的對(duì)象區(qū)塊，以處理可能的 遮蔽情形。
依照本發(fā)明的較佳實(shí)施例所述，上述方法更包括根據(jù)第n個(gè)第一子區(qū)塊， 本方法計(jì)算對(duì)應(yīng)的第一分布平均值(高斯分布平均值)。此外，根據(jù)第m個(gè)第二 子區(qū)塊，本方法計(jì)算對(duì)應(yīng)的第二分布平均值(高斯分布平均值)。然后，本方法 比較前述第一分布平均值與前述些第二分布平均值，以得到一個(gè)第二差異值。 其后，本方法判斷前述第二差異值是否小于第二臨界值。若前述第二差異值小 于前述第二臨.界值，則本方法判斷第n個(gè)第一子區(qū)塊是否已對(duì)應(yīng)至前述對(duì)象區(qū)塊。若前述第二差異值小于前述第二臨界值，且對(duì)應(yīng)的第n個(gè)第一子區(qū)塊未被 對(duì)應(yīng)至前述對(duì)象區(qū)塊，則本方法設(shè)定第n個(gè)第一子區(qū)塊與第m個(gè)第二子區(qū)塊具 有對(duì)應(yīng)的子機(jī)率分布。接下來(lái)，本方法組合具有對(duì)應(yīng)子機(jī)率分布的第一子區(qū)塊 的邊界框，形成前述對(duì)象區(qū)塊。
綜合上述，本發(fā)明提出一種多重對(duì)象追蹤的方法。本方法建立五維的空間對(duì) 顏色的機(jī)率模型，并且，本方法將對(duì)象分解為子區(qū)塊，再重新組合成新對(duì)象， 以解決對(duì)象遮蔽的問(wèn)題，并提高對(duì)象追蹤的準(zhǔn)確率。本發(fā)明至少具有下列優(yōu)點(diǎn)
1、 本方法建立五維的空間對(duì)顏色的機(jī)率模型，能夠更詳細(xì)的描述一個(gè)連結(jié)組 件的組成，以有效地取得更多的對(duì)象特征，以更精密地分析對(duì)象行為。
2、 本方法將對(duì)象分解為子區(qū)塊，再重新組合成新對(duì)象，能精確地區(qū)別出各對(duì) 象的邊界。這種方法不僅具有新穎性，而且能解決多重對(duì)象間產(chǎn)生遮蔽的問(wèn)題， 極具有進(jìn)步性。


為讓本發(fā)明的目的、特征、和優(yōu)點(diǎn)能更明顯易懂，下文特舉較佳實(shí)施例， 并配合所附圖式，作詳細(xì)說(shuō)明如下
圖1為依照本發(fā)明一較佳實(shí)施例的多重對(duì)象追蹤的方法的流程圖； 圖2為依照本發(fā)明一較佳實(shí)施例的模型建立程序的流程圖； 圖3為依照本發(fā)明另一較佳實(shí)施例的多重對(duì)象追蹤的方法的流程圖； 圖4為依照本發(fā)明一較佳實(shí)施例的對(duì)象區(qū)塊的示意圖； 圖5為依照本發(fā)明一較佳實(shí)施例的建立遮蔽時(shí)的對(duì)象區(qū)塊的示意圖。 圖中主要組件符號(hào)說(shuō)明
S102-S114:流程圖的步驟S202-S218:流程圖的步驟 S302-S320:流程圖的步驟 402-424， 502-518:子區(qū)塊 426， 428， 520， 522:物件區(qū)塊
具體實(shí)施例方式
為了更清楚地說(shuō)明本發(fā)明實(shí)施例的技術(shù)方案，下面將結(jié)合附圖對(duì)本發(fā)明的實(shí) 施例進(jìn)行詳細(xì)的介紹，下面的描述僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普 通技術(shù)人員來(lái)講，在不付出創(chuàng)造性勞動(dòng)性的前提下，還可以根據(jù)這些實(shí)施例獲 得本發(fā)明的其它的實(shí)施方式。
請(qǐng)參照?qǐng)D1,其繪示的是依照本發(fā)明一較佳實(shí)施例的多重對(duì)象追蹤的方法 的流程圖。本方法適用于影像處理，復(fù)數(shù)筆第二影像數(shù)據(jù)(第t-l秒)產(chǎn)生的時(shí) 間在第一影像數(shù)據(jù)(第t秒)之前。本方法包括下列步驟本方法輸入第一影像 數(shù)據(jù)S102。然后，本方法執(zhí)行對(duì)象切割程序，以取得前景物體，成為一個(gè)對(duì)象 S]04。其后，本方法執(zhí)行對(duì)象巻標(biāo)程序，通過(guò)巻標(biāo)連結(jié)算法，標(biāo)示至少一個(gè)連 結(jié)組件S106。接著，本方法執(zhí)行模型建立程序，在前述第二影像數(shù)據(jù)與前述第 一影像數(shù)據(jù)中，每一個(gè)像素個(gè)別地具有至少一個(gè)顏色參數(shù)與至少一個(gè)位置參數(shù)。 根據(jù)前述顏色參數(shù)與前述位置參數(shù)，使前述第一影像數(shù)據(jù)中的第一對(duì)象個(gè)別地 分解為復(fù)數(shù)個(gè)第一子區(qū)塊S108。接下來(lái)，根據(jù)前述顏色參數(shù)與前述位置參數(shù)， 使前述第二影-像數(shù)據(jù)中的第二對(duì)象個(gè)別地分解為復(fù)^t個(gè)第二子區(qū)塊SllO。然后， 本方法比對(duì)第一子區(qū)塊與第二子區(qū)塊S112。其后，才艮據(jù)第一子區(qū)塊與第二子區(qū) 塊，以形成前述第一影像數(shù)據(jù)中的至少一個(gè)對(duì)象區(qū)塊S114。其中，前述顏色參 數(shù)為紅色值、綠色值與藍(lán)色值。前述位置參數(shù)為對(duì)應(yīng)像素的x坐標(biāo)與y坐標(biāo)。請(qǐng)參照?qǐng)D2,其繪示的是依照本發(fā)明一較佳實(shí)施例的模型建立程序的流程 圖。模型建立程序包括下列步驟本方法初始化子機(jī)率分布參數(shù)S202。然后， 根據(jù)子機(jī)率分布參數(shù)，本方法建立對(duì)應(yīng)的子區(qū)塊S204。接著，本方法設(shè)定每一 像素具有紅色值、綠色值、藍(lán)色值、x坐標(biāo)、y坐標(biāo)，以成為目標(biāo)參數(shù)，并且， 本方法取得第一對(duì)象或第二對(duì)象對(duì)應(yīng)的像素的目標(biāo)參數(shù)S206。接下來(lái)，本方法 逐一地比較對(duì)應(yīng)像素的目標(biāo)參數(shù)與對(duì)應(yīng)的子機(jī)率分布參數(shù)，以取得第一差異值 S208。然后，判斷前述第一差異值是否小于第一臨界值S210。其后，若前述第 一差異值小于第一臨界值，則根據(jù)前述對(duì)象的像素，本方法更新子機(jī)率分布參 數(shù)，使新的子機(jī)率分布對(duì)應(yīng)的子區(qū)塊包含此對(duì)應(yīng)像素的信息。本方法根據(jù)對(duì)應(yīng) 的子機(jī)率分布參數(shù)，可形成第一子區(qū)塊與第二子區(qū)塊S212。若前述第一差異值 大于第一臨界值，則本方法判斷對(duì)應(yīng)子機(jī)率分布參數(shù)是否為最后一個(gè)子機(jī)率分 布參數(shù)S214。若對(duì)應(yīng)子機(jī)率分布參數(shù)為最后一個(gè)子機(jī)率分布參數(shù)，則代表此對(duì) 應(yīng)像素?zé)o法找到對(duì)應(yīng)的子機(jī)率分布，則本方法利用此對(duì)應(yīng)^f象素，建立一個(gè)新的 子機(jī)率分布S216。若對(duì)應(yīng)子機(jī)率分布參數(shù)不為最后一個(gè)子機(jī)率分布參數(shù)，則本 方法重新執(zhí)行步驟S204。其后，本方法判斷對(duì)應(yīng)像素是否為最后一個(gè)像素S218。 若對(duì)應(yīng)像素為最后一個(gè)像素，則結(jié)束模型建立程序S220。若對(duì)應(yīng)像素不為最后 一個(gè)像素，則本方法重新執(zhí)行步驟S206。
根據(jù)前述步驟可產(chǎn)生復(fù)數(shù)筆子機(jī)率分布參數(shù)。根據(jù)不同的子機(jī)率分布參 數(shù)，本方法可形成多個(gè)第一子區(qū)塊或多個(gè)第二子區(qū)塊。亦即，本方法比對(duì)第一 子區(qū)塊與第二子區(qū)塊，根據(jù)第一子區(qū)塊與第二子區(qū)塊的比對(duì)結(jié)果，本方法組合 第一子區(qū)塊，以形成對(duì)象區(qū)塊。
請(qǐng)參照?qǐng)D3，其繪示的是依照本發(fā)明另一較佳實(shí)施例的多重對(duì)象追蹤的方 法的流程圖。本方法包括下列步驟根據(jù)第n個(gè)第一子區(qū)塊，本方法計(jì)算對(duì)應(yīng)的第一分布平均值S302。根據(jù)第m個(gè)第二子區(qū)塊，計(jì)算對(duì)應(yīng)的第二分布平均值 S304。然后，本方法比較前述第一分布平均值與前述第二分布平均值，以得到 第二差異值S306。其后，本方法判斷前述第二差異值是否小于第二臨界值S308。 若前述第二差異值不小于第二臨界值，則本方法重新執(zhí)行步驟S304。接著，若 前述第二差異值小于第二臨界值，則本方法判斷第n個(gè)第一子區(qū)塊是否已對(duì)應(yīng) 至某一個(gè)對(duì)象區(qū)塊S310。接下來(lái)，若第n個(gè)第一子區(qū)塊已對(duì)應(yīng)至某一個(gè)對(duì)象區(qū) 塊，則本方法重新執(zhí)行步驟304。若第n個(gè)第一子區(qū)塊未對(duì)應(yīng)至某一個(gè)對(duì)象區(qū)塊， 則本方法設(shè)定第n個(gè)第一子區(qū)塊與第m個(gè)第二子區(qū)塊為對(duì)應(yīng)的子區(qū)^ S312。接 著，本方法判斷是否第一子區(qū)塊皆已經(jīng)進(jìn)行過(guò)尋找對(duì)應(yīng)子區(qū)塊的流程S314。若 第一子區(qū)塊皆已進(jìn)行過(guò)尋找對(duì)應(yīng)子區(qū)塊的流程，則沖艮據(jù)對(duì)應(yīng)的子機(jī)率分布，本 方法組合第一子區(qū)塊的邊界框S316。然后，本方法形成對(duì)應(yīng)的對(duì)象區(qū)塊S318。 舉例來(lái)說(shuō)，本方法設(shè)定每一像素具有紅色值、綠色值、藍(lán)色值、x坐標(biāo)與 y坐標(biāo)，形成五維空間。根據(jù)紅色值、綠色值、藍(lán)色值、x坐標(biāo)、y坐標(biāo)與機(jī)率 模型，使至少一個(gè)對(duì)象具有外表機(jī)率分布。本方法分析對(duì)應(yīng)像素與對(duì)象的子機(jī) 率分布參數(shù)的差異，以產(chǎn)生復(fù)數(shù)個(gè)子機(jī)率分布，以使對(duì)應(yīng)的對(duì)象個(gè)別地分解為 復(fù)數(shù)個(gè)子區(qū)塊。在本實(shí)施例中，若前述機(jī)率模型為高斯機(jī)率分布模型，則特定 分布參數(shù)為高斯分布平均值h若本方法以像素為p，對(duì)象為P，則數(shù)學(xué)形式為，
P二te，a,a……,aJ
/(p)=i>,."/^，w)
' =i
其中，R, G, B， X與Y分別為前述紅色值、前述綠色值、前述藍(lán)色
11述y坐標(biāo)。而對(duì)象P可以使用K個(gè)子機(jī)率分布之和來(lái)近似。 本方法以p的目標(biāo)參數(shù)(R， G， B， X， Y)減去對(duì)應(yīng)的高斯分布平均值;/,求傳能夠 使得差值為最小的i，而以^-A為第一差異值。亦即，每一像素找平均值與其 最接近的子分布。其數(shù)學(xué)形式可表示如下
/ = arg min[/^ - j
然后，若第一差異值小于利用經(jīng)驗(yàn)設(shè)定的第一臨界值，則根據(jù)對(duì)象的像素， 本方法更新機(jī)率分布參數(shù)，而使此對(duì)應(yīng)機(jī)率分布包含像素p的信息，前述機(jī)率 分布參數(shù)可更新為，
因此，每一筆子機(jī)率分布參數(shù)可對(duì)應(yīng)至某一子區(qū)塊。然后，當(dāng)對(duì)象內(nèi)的像素 都分配到對(duì)應(yīng)的子機(jī)率分布后，本方法即可將子機(jī)率分布再加以分類(lèi)。本方法 預(yù)測(cè)近似的子機(jī)率分布可能屬于同一對(duì)象，故根據(jù)對(duì)應(yīng)的子機(jī)率分布，本方法 可組合第一子區(qū)塊的邊界框，以形成對(duì)應(yīng)的對(duì)象區(qū)塊。值得說(shuō)明的是，本方法 以五維空間，將對(duì)象劃分為多個(gè)子區(qū)塊，通過(guò)重組子區(qū)塊，以解決對(duì)象遮蔽的 問(wèn)題。
請(qǐng)參照?qǐng)D4，其繪示的是依照本發(fā)明一較佳實(shí)施例的對(duì)象區(qū)塊的示意圖。 請(qǐng)配合參照?qǐng)D1至3，本方法可將圖4中的人物切割成子區(qū)塊402至子區(qū)塊424。 然后，本方法組合子區(qū)塊402至子區(qū)塊414的邊界框，以形成對(duì)象區(qū)塊426。本 方法組合子區(qū)塊416至子區(qū)塊424的邊界框，以形成對(duì)象區(qū)塊428。
請(qǐng)參照?qǐng)D5,其繪示的是依照本發(fā)明一較佳實(shí)施例的建立遮蔽時(shí)的對(duì)象區(qū)塊的示意圖。請(qǐng)配合參照?qǐng)D4，若圖4為第二影像數(shù)據(jù)(第t-l秒)，而圖5為第 一影像數(shù)據(jù)(第t秒)，則子區(qū)塊402對(duì)應(yīng)于子區(qū)塊502，子區(qū)塊406對(duì)應(yīng)于子區(qū) 塊504等等，其余以此類(lèi)推。由于子區(qū)塊406對(duì)應(yīng)于子區(qū)塊504，故子區(qū)塊406 的子機(jī)率分布參數(shù)對(duì)應(yīng)于子區(qū)塊504的子機(jī)率分布參數(shù)。由于子區(qū)塊518與子 區(qū)塊510產(chǎn)生遮蔽情況。其中子區(qū)塊518是由子區(qū)塊404與子區(qū)塊418連結(jié)而 產(chǎn)生，故根據(jù)圖3所示的方法中，子區(qū)塊518會(huì)先對(duì)應(yīng)到子區(qū)塊404，而后再對(duì) 應(yīng)到子區(qū)塊418,當(dāng)此多重對(duì)應(yīng)發(fā)生時(shí)，圖3所示的方法會(huì)將子區(qū)塊518舍棄不 用。另外，子區(qū)塊510是由子區(qū)塊414與子區(qū)塊424連結(jié)而產(chǎn)生，同樣也會(huì)發(fā) 生多重對(duì)應(yīng)的情況，而子區(qū)塊510將會(huì)被舍棄不用。才艮據(jù)圖3的方法，可找出 圖5中的子區(qū)塊，與圖4中，對(duì)象426與對(duì)象428的子區(qū)塊的對(duì)應(yīng)關(guān)系，使用 對(duì)應(yīng)的子區(qū)塊以重組邊界框，即可得對(duì)象區(qū)塊520與對(duì)象區(qū)塊522。因此，子區(qū) 塊518與子區(qū)塊510的遮蔽問(wèn)題即可獲得解決。
通過(guò)程序指令相關(guān)硬件完成。所述實(shí)施例對(duì)應(yīng)的軟件可以存儲(chǔ)在一個(gè)計(jì)算機(jī)可 存儲(chǔ)讀取的介質(zhì)中。
以上所述，僅為本發(fā)明的具體實(shí)施方式
，但本發(fā)明的保護(hù)范圍并不局限于 此，任何熟悉本技術(shù)領(lǐng)域的技術(shù)人員在本發(fā)明揭露的技術(shù)范圍內(nèi)，可輕易想到 變化或替換，都應(yīng)涵蓋在本發(fā)明的保護(hù)范圍之內(nèi)。因此，本發(fā)明的保護(hù)范圍應(yīng) 以權(quán)利要求的保護(hù)范圍為準(zhǔn)。
權(quán)利要求
1.一種多重對(duì)象追蹤的方法，適用于影像處理，其特征在于，至少一第二影像數(shù)據(jù)產(chǎn)生的時(shí)間在一第一影像數(shù)據(jù)之前，本方法包括下列步驟執(zhí)行模型建立程序，使該第二影像數(shù)據(jù)與該第一影像數(shù)據(jù)中的每一像素，個(gè)別地具有至少一顏色參數(shù)與至少一位置參數(shù)；根據(jù)該顏色參數(shù)與該位置參數(shù)，使該第一影像數(shù)據(jù)中的至少一第一對(duì)象個(gè)別地分解為復(fù)數(shù)個(gè)第一子區(qū)塊；根據(jù)該顏色參數(shù)與該位置參數(shù)，使該第二影像數(shù)據(jù)中的至少一第二對(duì)象個(gè)別地分解為復(fù)數(shù)個(gè)第二子區(qū)塊；根據(jù)該些第一子區(qū)塊與該些第二子區(qū)塊，以形成至少一物件區(qū)塊。
2. 如權(quán)利要求1所述的多重對(duì)象追蹤的方法，其特征在于，該方法更包括: 執(zhí)行對(duì)象切割程序，以取得至少一前景物體；執(zhí)行對(duì)象巻標(biāo)程序，以標(biāo)示至少一連結(jié)組件。
3. 如權(quán)利要求1所述的多重對(duì)象追蹤的方法，其特征在于，該顏色參數(shù)為 紅色值、綠色值與藍(lán)色值。
4. 如權(quán)利要求1所述的多重對(duì)象追蹤的方法，其特征在于，該位置參數(shù)為 對(duì)應(yīng)像素的一 x坐標(biāo)與一 y坐標(biāo)。
5. 如權(quán)利要求1所述的多重對(duì)象追蹤的方法，其特征在于，該模型建立程 序包括下列步驟設(shè)定每一該像素具有一紅色值、 一綠色值、 一藍(lán)色值、一x坐標(biāo)與一y坐標(biāo)；根據(jù)該紅色值、該綠色值、該藍(lán)色值、該x坐標(biāo)、該y坐標(biāo)與一機(jī)率模型， 使對(duì)應(yīng)的對(duì)象個(gè)別地具有 一外表機(jī)率分布；分析對(duì)應(yīng)像素與對(duì)應(yīng)對(duì)象的像素的差異，以產(chǎn)生復(fù)數(shù)個(gè)子機(jī)率分布，以使對(duì)應(yīng)對(duì)象個(gè)別地分解為復(fù)數(shù)個(gè)子區(qū)塊。
6. 如權(quán)利要求5所述的多重對(duì)象追蹤的方法，其特征在于，該機(jī)率模型具 有一特定分布參數(shù)，該模型建立程序更包括下列步驟設(shè)定該紅色值、該綠色值、該藍(lán)色值、該x坐標(biāo)、該y坐標(biāo)成為一目標(biāo)參數(shù)；逐一比較對(duì)應(yīng)像素的該目標(biāo)參數(shù)與對(duì)應(yīng)的該特定分布參數(shù)，以取得至少一 第一差異值；判斷該第 一差異值是否小于一第 一臨界值；若該第一差異值小于該第一臨界值，則根據(jù)對(duì)應(yīng)像素，以形成對(duì)應(yīng)的子機(jī) 率分布參數(shù)；根據(jù)對(duì)應(yīng)的子機(jī)率分布參數(shù)，以形成該些第一子區(qū)塊與該些第二子區(qū)塊。
7. 如權(quán)利要求5所述的多重對(duì)象追蹤的方法，其特征在于，該特定分布參 數(shù)為 一 高斯機(jī)率分布模型的 一 高斯分布平均值。
8. 如權(quán)利要求5所述的多重對(duì)象追蹤的方法，其特征在于，該機(jī)率模型為 高斯機(jī)率分布模型，若對(duì)應(yīng)的像素為p,對(duì)應(yīng)的對(duì)象為P，則數(shù)學(xué)形式為，<formula>formula see original document page 3</formula>其中，R、 G、 B、 X與Y分別為該紅色值、該綠色值、該藍(lán)色值、該x坐標(biāo) 與該y坐標(biāo)。
9. 如權(quán)利要求8所述的多重對(duì)象追蹤的方法，其特征在于，根據(jù)該對(duì)象的像素，可更新機(jī)率分布參數(shù)為，
10. 如權(quán)利要求1所述的多重對(duì)象追蹤的方法，其特征在于，該方法更包括: 比對(duì)該些第一子區(qū)塊與該些第二子區(qū)塊；根據(jù)該些第一子區(qū)塊與該些第二子區(qū)塊的比對(duì)結(jié)果，組合該些第一子區(qū)塊， 以形成該物件區(qū)塊。
11. 如權(quán)利要求IO所述的多重對(duì)象追蹤的方法，其特征在于，該方法更包括根據(jù)第n個(gè)第一子區(qū)塊，計(jì)算對(duì)應(yīng)的一第一分布平均值； 才艮據(jù)第m個(gè)第二子區(qū)塊，計(jì)算對(duì)應(yīng)的一第二分布平均值； 比較該第一分布平均值與該些第二分布平均值，以得到一第二差異值； 判斷該第二差異值是否小于一第二臨界值；若該第二差異值小于該第二臨界值，則判斷第n個(gè)第一子區(qū)塊是否已對(duì)應(yīng) 至該對(duì)象區(qū)塊；若該些第二差異值小于該第二臨界值，且對(duì)應(yīng)的第n個(gè)第一子區(qū)塊未被對(duì) 應(yīng)至該對(duì)象區(qū)塊，則設(shè)定第n個(gè)第一子區(qū)塊與第m個(gè)第二子區(qū)塊具有對(duì)應(yīng)的子 機(jī)率分布；組合具有對(duì)應(yīng)的子機(jī)率分布的該些第一子區(qū)塊，形成該物件區(qū)塊。
12. 如權(quán)利要求11所述的多重對(duì)象追蹤的方法，其特征在于，根據(jù)至少一 邊界框，組合具有對(duì)應(yīng)的子機(jī)率分布的子區(qū)塊，形成該物件區(qū)塊。
全文摘要
本發(fā)明公開(kāi)了一種多重對(duì)象追蹤的方法，涉及一種影像處理的方法，適用于影像處理。本方法包括下列步驟執(zhí)行模型建立程序，使第二影像數(shù)據(jù)與第一影像數(shù)據(jù)中的每一像素個(gè)別地具有顏色參數(shù)與位置參數(shù)。然后，使第一影像數(shù)據(jù)中的第一對(duì)象個(gè)別地分解為復(fù)數(shù)個(gè)第一子區(qū)塊。其后，使第二影像數(shù)據(jù)中的第二對(duì)象個(gè)別地分解為復(fù)數(shù)個(gè)第二子區(qū)塊。接著，根據(jù)第一子區(qū)塊與第二子區(qū)塊，以形成物件區(qū)塊。
文檔編號(hào)G06T7/20GK101615294SQ20081012612
公開(kāi)日2009年12月30日 申請(qǐng)日期2008年6月26日 優(yōu)先權(quán)日2008年6月26日
發(fā)明者張智豪, 成德鈞 申請(qǐng)人:睿致科技股份有限公司