国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      基于局部對比顯著性聯(lián)合特征的目標(biāo)跟蹤方法

      文檔序號:8224197閱讀:868來源:國知局
      基于局部對比顯著性聯(lián)合特征的目標(biāo)跟蹤方法
      【技術(shù)領(lǐng)域】
      [0001] 本發(fā)明屬于計算機視覺與圖像處理技術(shù)領(lǐng)域,具體設(shè)及基于局部對比顯著性聯(lián)合 特征的目標(biāo)跟蹤方法。
      [000引背景
      [0003] 目標(biāo)跟蹤尤其是復(fù)雜場景下目標(biāo)跟蹤是計算機視覺面臨的極具挑戰(zhàn)性的難點。能 夠在復(fù)雜場景下利用較少的先驗知識對目標(biāo)進(jìn)行跟蹤,已經(jīng)成為軍事偵查、移動機器人、智 能視頻監(jiān)控等迫切的要求。在復(fù)雜背景下各種環(huán)境因素:目標(biāo)類內(nèi)變化、姿態(tài)、光照條件等 使得很難進(jìn)行目標(biāo)的有效跟蹤。因此,廣大研究者試圖尋求先進(jìn)的技術(shù)手段,提出高效、實 時的復(fù)雜環(huán)境下的目標(biāo)跟蹤算法。
      [0004] 均值漂移(Comaniciu, D. , Ramesh, V. , and Meer, P. , "Kernel - based object tracking)是常用的跟蹤方法,該類方法首先利用顏色直方圖建立目標(biāo)和候選目標(biāo)模型,利 用己氏系數(shù)計算相似性系數(shù),通過Mean Shift找到最相似候選區(qū)域?qū)崿F(xiàn)對目標(biāo)的跟蹤。具 有實時性好、框架優(yōu)美和簡單的優(yōu)點,獲得廣泛的應(yīng)用。然而,由于僅采用顏色特征,只適用 于目標(biāo)和背景顏色區(qū)分度較好的場合,使得該方法具有一定的局限性。
      [0005] 自Itti于1998年提出基于特征整合的視覺注意顯著性可計算模型,并應(yīng)用于計 算機視覺領(lǐng)域的場景分析W后,針對顯著性的目標(biāo)跟蹤方法發(fā)展起來。Su等人于2014年提 出利用先驗知識計算加權(quán)集自適應(yīng)構(gòu)建Itti模型,用于突然運動跟蹤。但該類方法并沒有 考慮背景的信息,且Itti模型本身需要調(diào)節(jié)的參數(shù)比較多,計算耗時,選用目標(biāo)模型作為 先驗難免會有誤差,很難得到客觀公正的結(jié)果。M址adevan等人認(rèn)為視覺跟蹤是時序判別中 屯、顯著性自上而下的調(diào)解過程,于2009年提出利用統(tǒng)計分類學(xué)習(xí)中屯、周邊判別顯著特征, 進(jìn)行目標(biāo)初始化、特征選擇和檢測確定目標(biāo)在下一帖的位置實現(xiàn)目標(biāo)跟蹤。但是,利用統(tǒng)計 學(xué)習(xí)方法計算量較大,且僅僅模擬了跟蹤過程,在面對復(fù)雜場景時對于目標(biāo)特征的變化具 有明顯的不足。
      [0006] 復(fù)雜場景目標(biāo)跟蹤方法存在的難點在于:
      [0007] (1)復(fù)雜場景,包括光線劇烈變化、目標(biāo)周圍存在相似分布的背景、非跟蹤的物體 等干擾因素;
      [000引 (2)目標(biāo)自身的改變,包括姿態(tài)變化、突然運動及被遮擋等;
      [0009] (3)傳統(tǒng)的特征表述框架。選擇的特征不能很好的區(qū)分目標(biāo)和背景,會使跟蹤漂 移;融合多特征缺乏有效的方法,很難獲得魯椿的跟蹤結(jié)果。
      [0010] (4)顯著性特征具有極強的判別力,現(xiàn)有方法獲得的特征不僅計算方法復(fù)雜,而且 特征分布僅僅是零散的,跟蹤過程中的區(qū)分力比較弱;同時,僅僅利用顯著特征,目標(biāo)特征 信息不完整,目標(biāo)如何從復(fù)雜背景完整有效突顯出來是顯著性在目標(biāo)跟蹤應(yīng)用的難點。

      【發(fā)明內(nèi)容】

      [0011] 本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足,提供一種基于局部對比顯著性聯(lián)合特征 的目標(biāo)跟蹤方法,通過提取目標(biāo)模型的局部對比顯著特征,采取自下而上和自上而下聯(lián)合 調(diào)節(jié)的方法處理目標(biāo)自身變化和復(fù)雜背景問題,獲得更好的目標(biāo)跟蹤效果。
      [0012] 本發(fā)明的基于局部對比顯著性聯(lián)合特征的目標(biāo)跟蹤方法,包括W下步驟:
      [0013] 步驟S1:選取動態(tài)場景下視頻的第t帖輸入含有跟蹤目標(biāo)和常用背景環(huán)境的視頻 帖,手動選取目標(biāo)區(qū)域,并用矩形框表示目標(biāo)區(qū)域的邊界;
      [0014] 步驟S2 ;根據(jù)目標(biāo)區(qū)域選取背景區(qū)域,并用矩形框表示背景區(qū)域的邊界;
      [00巧]步驟S3 ;分別提取目標(biāo)區(qū)域和背景區(qū)域的顏色直方圖特征、紋理直方圖特征、梯 度直方圖特征,計算每個特征的概率值,并生成對應(yīng)的概率圖;
      [0016] 步驟S4 ;依據(jù)提取的顏色直方圖特征、紋理直方圖特征、梯度直方圖特征,分別計 算每個特征的對比度值,定義為顯著性特征,并生成對應(yīng)的特征向量fl、f2、fs;
      [0017] 步驟S5 ;基于特征向量fi、f2、fs,堆找構(gòu)造樣本特征向量 [00化]F =化,f2,f3]T
      [0019] 步驟S6;依據(jù)每個特征圖對目標(biāo)顯著性的貢獻(xiàn)度,利用學(xué)習(xí)算法估計最優(yōu)特征 權(quán),選出最顯著特征;
      [0020] 步驟S7 ;利用最顯著特征分別建立目標(biāo)和背景觀測模型,利用Mean化ift算法找 到目標(biāo)下一帖的位置;
      [0021] 步驟S8 ;判斷顯著性特征確定的跟蹤框和目標(biāo)位置的相似性,檢測跟蹤目標(biāo)是否 失??;
      [0022] 步驟S9 ;當(dāng)檢測出跟蹤目標(biāo)正常,執(zhí)行步驟13 ;若檢測出跟蹤目標(biāo)失敗,執(zhí)行步驟 10 ;
      [002引步驟10 ;構(gòu)建可分性評價函數(shù)町,公式為
      [0024]
      【主權(quán)項】
      1. 基于局部對比顯著性聯(lián)合特征的目標(biāo)跟蹤方法,其特征在于:包括以下步驟: 步驟Sl:選取動態(tài)場景下視頻的第t幀輸入含有跟蹤目標(biāo)和常用背景環(huán)境的視頻幀, 手動選取目標(biāo)區(qū)域,并用矩形框表示目標(biāo)區(qū)域的邊界; 步驟S2 :根據(jù)目標(biāo)區(qū)域選取背景區(qū)域,并用矩形框表示背景區(qū)域的邊界; 步驟S3:分別提取目標(biāo)區(qū)域和背景區(qū)域的顏色直方圖特征、紋理直方圖特征、梯度直 方圖特征,計算每個特征的概率值,并生成對應(yīng)的概率圖; 步驟S4 :依據(jù)提取的顏色直方圖特征、紋理直方圖特征、梯度直方圖特征,分別計算每 個特征的對比度值,定義為顯著性特征,并生成對應(yīng)的特征向量f\、f2、f3; 步驟S5 :基于特征向量?\、f2、f3,堆棧構(gòu)造樣本特征向量 F = Lf1, f2, f3]T 步驟S6 :依據(jù)每個特征圖對目標(biāo)顯著性的貢獻(xiàn)度,利用學(xué)習(xí)算法估計最優(yōu)特征權(quán),選 出最顯著特征; 步驟S7 :利用最顯著特征分別建立目標(biāo)和背景觀測模型,利用Mean Shift算法找到目 標(biāo)下一幀的位置; 步驟S8 :判斷顯著性特征確定的跟蹤框和目標(biāo)位置的相似性,檢測跟蹤目標(biāo)是否失 ??; 步驟S9 :當(dāng)檢測出跟蹤目標(biāo)正常,執(zhí)行步驟13 ;若檢測出跟蹤目標(biāo)失敗,執(zhí)行步驟10 ; 步驟10 :構(gòu)建可分性評價函數(shù)Dt,公式為
      其中,/?,α為目標(biāo)觀測;為背景觀測;ε為設(shè)定常數(shù),用于去掉較小的目 標(biāo)觀測和背景觀測,以提高算法的穩(wěn)定性;r為背景特征分布;ω為前景特征分布;目標(biāo)觀 測和背景觀測采用具有H個區(qū)間的直方圖來表示,h表示特征分量,h = 1,2,……,H;t為 選取圖像的幀數(shù); 通過可分性評價函數(shù)Dt將顯著性目標(biāo)模型與背景共有的特征映射為零值,存在于背景 特征分布映射為負(fù)值,只保留目標(biāo)最能區(qū)分的特征分量構(gòu)成目標(biāo)的顯著性模型; 步驟Sll :構(gòu)建目標(biāo)觀測的連續(xù)性模型
      其中ZSfI為顯著性目標(biāo)連續(xù)模型;為t-k時刻目標(biāo)模型;/=1/,為t時刻 顯著性目標(biāo)模型;γ k為遺忘因子;C 2為歸一化常數(shù);t為選取圖像的幀數(shù);k為選取圖像的 第k幀視頻; 步驟S12 :利用可分性評價函數(shù)Dt及目標(biāo)觀測的連續(xù)性模型對目標(biāo)模型進(jìn)行修正,得 到目標(biāo)合作模型; 步驟S13 :利用均值漂移算法實現(xiàn)的定位。
      2. 根據(jù)權(quán)利要求1所述的方法,其特征在于: 提取目標(biāo)區(qū)域的顏色直方圖特征、紋理直方圖特征、梯度直方圖特征,分別生成的概率 圖,其向量均可表示為
      提取背景區(qū)域的顏色直方圖特征、紋理直方圖特征、梯度直方圖特征,分別生成的概率 圖,其向量均可表示為
      步驟S4中計算對比度值的公式為
      其中目標(biāo)區(qū)域和背景區(qū)域采用具有H個區(qū)間的直方圖來表示,h表示特征分量,h = 1,2,……,H,f e {C,LBP,HOG}表示特征向量,C為顏色、LBP為紋理、HOG為梯度方向直方 圖。
      3. 根據(jù)權(quán)利要求2所述的方法,其特征在于:步驟2中所述背景區(qū)域與目標(biāo)區(qū)域形狀 相同且具有相同中心點。
      4. 根據(jù)權(quán)利要求3所述的方法,其特征在于:步驟S6中所述的學(xué)習(xí)算法為AdaBoost算 法。
      5. 根據(jù)權(quán)利要求4所述的方法,其特征在于:步驟SlO中參數(shù)ε通過中位數(shù)估算得到, 其取值范圍為(〇,1)。
      【專利摘要】本發(fā)明為一種基于局部對比顯著性聯(lián)合特征的目標(biāo)跟蹤方法。包括步驟:(1)目標(biāo)跟蹤開始初始化選取目標(biāo)區(qū)域和背景區(qū)域;(2)提取目標(biāo)區(qū)域和局部背景區(qū)域的顏色、紋理、梯度方向直方圖特征,進(jìn)行自下而上顯著特征提取;(3)自上而下的特征評估,修正顯著性模型;本發(fā)明利用顯著性特征強區(qū)分性、穩(wěn)健性,作為單一的特征的補充,能夠較好的表述目標(biāo),可以提高系統(tǒng)在目標(biāo)與背景具有相似特征分布、局部遮擋、目標(biāo)自身變化等復(fù)雜場景下的跟蹤性能,具有較強的魯棒性。
      【IPC分類】G06T7-20
      【公開號】CN104537689
      【申請?zhí)枴緾N201410822318
      【發(fā)明人】鄭碎武, 劉林山, 喬紅
      【申請人】中國科學(xué)院自動化研究所
      【公開日】2015年4月22日
      【申請日】2014年12月25日
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點贊!
      1