專利名稱：視頻目標輪廓跟蹤方法及裝置的制作方法
技術領域：
本發(fā)明實施例涉及計算機視覺技術和圖像處理技術領域，特別涉及一種視頻目標輪廓跟蹤方法和裝置。
背景技術：
目前，人類的視覺系統(tǒng)是獲取外界信息的主要途徑，而運動目標的檢測和跟蹤則是視覺領域的一個重要課題，實時的目標跟蹤更是計算機視覺中的關鍵技術。目前視頻安全監(jiān)控系統(tǒng)在銀行、交通等各部門得到了越來越多的應用，實時地進行視頻目標物體的跟蹤更是能夠起到預警的作用，所以對目標物體進行實時跟蹤得到了人們越來越多的關注。
視頻目標跟蹤方法有多種，根據(jù)是否在幀間進行模式匹配，可以分為基于檢測的方法和基于識別的方法?；跈z測的方法是根據(jù)目標的特征直接在每一幀圖像中提取目標，不需要在幀間傳遞目標的運動參數(shù)并進行匹配，比如差分檢測的方法；基于識別的方法通常首先提取目標的某種特征，然后在每一幀圖像中搜尋出與此特征最為匹配的區(qū)域即為所跟蹤的目標。根據(jù)跟蹤所得的結果可分為跟蹤輪廓的方法和跟蹤目標局部點的方法。常見的跟蹤目標輪廓的方法主要是粒子濾波跟蹤方法；跟蹤目標局部點的方法主要有均值漂移跟蹤方法等。
跟蹤輪廓的方法中，粒子濾波跟蹤方法最為常用。粒子濾波又稱為序列蒙特卡羅(SMC，Sequential Monte Carlo)方法，是以蒙特卡羅方法實現(xiàn)貝葉斯遞推濾波的一種方法。根據(jù)貝葉斯濾波理論，給定當前時刻觀察序列z1k，狀態(tài)xk的后驗概率可利用(k-1)時刻的后驗概率p(xk-1|zk-1)以遞歸的方式估計得到，即 其中p(zk|xk)為似然概率。
粒子濾波不需要獲得概率函數(shù)的具體形式，而是利用Ns個帶有權重的隨機樣本(粒子)
(i＝1，...，Ns)表示后驗概率函數(shù)p(xk-1|zk-1)，這樣，式(1)中的積分就能用樣本集的加權求和來估計，即 當樣本數(shù)量足夠多時，這種概率估算等同于后驗概率密度函數(shù)。
下面，以條件概率密度傳播跟蹤方法為例介紹利用粒子濾波進行視頻目標跟蹤的方法。
條件概率密度傳播跟蹤方法是基于條件概率密度傳播(Condensation，Conditional Density Propagation)算法的。Condensation算法是粒子濾波方法中的一種。利用Condensation算法進行輪廓跟蹤時可以采用一種基于活動輪廓模型和形狀空間的輪廓表征方法，例如，可以用B樣條(B-Snake)的控制點來表征輪廓曲線，用形狀空間來表征輪廓曲線可能的變化。目標輪廓的運動狀態(tài)為T＝(TX，TY，θ，SX，SY)，TX和TY分別是x方向和y方向目標輪廓質心的位置，θ為目標輪廓旋轉的角度，SX和SY分別為目標在x方向和y方向的尺度。目標的形狀空間參數(shù)S表示為 S＝(TX，TY，SXcosθ-1，SYcosθ-1，-SYsinθ，SXsinθ)(3) 這樣，就可以表示出目標的輪廓曲線及其變化了。
圖1為現(xiàn)有技術中采用Condensation算法實現(xiàn)視頻目標輪廓跟蹤的流程圖。如圖1所示，采用Condensation算法根據(jù)目標輪廓的過程主要包含以下的步驟。
步驟101，判斷輸入的圖像數(shù)據(jù)及跟蹤目標信息是否是新對象，即是否需要建立新的跟蹤目標，如果是，則執(zhí)行步驟102，否則執(zhí)行步驟104。
輸入的圖像數(shù)據(jù)可以是經(jīng)過背景分割的圖像數(shù)據(jù)，可以在初始幀圖像中選定某個運動物體作為跟蹤目標。
步驟102，利用現(xiàn)有的輪廓提取技術得到目標的輪廓向量，計算輪廓的質心位置，根據(jù)B樣條技術求得B樣條控制點QX0和QY0，根據(jù)目標的輪廓向量得到目標的運動狀態(tài)初始值 T0＝(TX0，TY0，θ0，SX0，SY0) (4) 其中，TX0和TY0分別是x方向和y方向目標輪廓質心的位置，θ0為目標輪廓旋轉角度的初始值0，SX0和SY0分別為目標輪廓在x方向和y方向的尺度。
步驟103，初始化Ns個粒子，各個粒子的初始權重
均為1/Ns，運動狀態(tài)和形狀空間參數(shù)分別為
其中，B1，B2，B3，B4，B5為常數(shù)，ξ為[-1，+1]的隨機數(shù)； 步驟104，輸入第k幀圖像數(shù)據(jù)時，對各粒子狀態(tài)進行狀態(tài)轉移，系統(tǒng)狀態(tài)轉移方程為 其中，B1，B2，B3，B4，B5為常數(shù)，ξ為[-1，+1]的隨機數(shù)。
步驟105，利用步驟104得到的各個粒子的運動狀態(tài)計算各個粒子的形狀空間參數(shù) 步驟106，計算各個粒子的B樣條控制點向量。
對于粒子Ni，可以由其運動參數(shù)Ti和形狀空間參數(shù)Si求得其B樣條的控制點向量 其中，每個元素都是Nc×1的矩陣，Nc為控制點的數(shù)目，初始控制點
和
由各個粒子的形狀空間參數(shù)得到。
步驟107，得到各個粒子的控制點向量后，就可以用B樣條的方法擬合出各個粒子對應的輪廓曲線，擬合公式如下 其中Pk(k＝0，1，...，Nc-1)為第k個控制點的坐標，Bk，m(k＝0，1，...，Nc-1)為m次規(guī)范B樣條基函數(shù)。
步驟108，在輪廓曲線上隨機抽取N個樣點，計算當前幀的圖像數(shù)據(jù)中各樣點法線方向上灰度的梯度值最大的象素點，該點就是真實輪廓點的一個觀測值，是根據(jù)當前幀圖像數(shù)據(jù)計算獲得的最接近目標真實輪廓的象素點。
對粒子Ni，可由其運動參數(shù)Ti和形狀空間參數(shù)Si求得輪廓曲線，在輪廓曲線上取樣N個點，在各樣點法線兩邊按法線方向每隔一定距離抽取一個象素點來計算其在當前幀圖像數(shù)據(jù)中的灰度的梯度值。選擇的象素點的數(shù)目可以根據(jù)需要在樣點周圍一定范圍內選取，因為真實輪廓點不會偏離樣點太遠。象素點取的越多，得到的真實輪廓點的觀測值就越接近真實輪廓點，但是對設備的計算能力的要求就更高。
再求得各樣點與該點處的真實輪廓點的觀測值之間的距離DISi(n)(n＝1，2，...，N)。由于目標真實輪廓點處的灰度的梯度值較大，因此求得的粒子輪廓點與該點處的真實輪廓點的觀測值之間的距離可以作為衡量各個粒子權重的標準，距離大表示該粒子的輪廓與真實輪廓差距較大，距離小則表示該粒子的輪廓與真實輪廓較接近。
步驟109，通過所求得的當前幀的圖像數(shù)據(jù)中各樣點與該點處的真實輪廓點的觀測值之間的距離DISi(n)(n＝1，2，...，N)可以得到各個粒子的觀測概率密度函數(shù)
其中， 步驟110，對前一幀中各粒子的權重值進行權值更新，得到當前幀中各粒子的權重值 其中，
為第k幀第i個粒子的觀測概率密度函數(shù)，
為第k幀第i個粒子的權重值。
步驟111，由各個粒子的運動狀態(tài)參數(shù)和權值進行加權求和得到期望的運動狀態(tài)參數(shù) 其中，
為第k幀第i個粒子的權重值，Tk＝(TXk，TYk，θk，SXk，SYk)為第k幀目標輪廓的運動狀態(tài)參數(shù)，為第k幀第i個粒子的運動狀態(tài)參數(shù)，Ns為粒子總數(shù)。
步驟112，由運動狀態(tài)參數(shù)就可以得到第k幀目標輪廓的形狀空間參數(shù) Sk＝(TXk，TYk，SXkcosθk-1，SYkcosθk-1，-SYksinθk，SXksinθk) (26) 步驟113，由Sk算得輪廓的控制點向量QXk和QYk (QXkQYk)T＝WSk+(QX0QY0)T (27) 其中，每個元素都是Nc×1的矩陣，Nc為控制點的數(shù)目，Sk為第k幀目標輪廓的形狀空間參數(shù)，(QXkQYk)T為第k幀目標輪廓的B樣條的控制點向量。
步驟114，擬合目標的輪廓曲線yk(x) 其中Pk(k＝0，1，...，Nc-1)為第k個控制點的坐標，Bk，m(k＝0，1，...，Nc-1)為m次規(guī)范B樣條基函數(shù)。
這樣就完成了一次對目標物體輪廓的跟蹤過程。
常見的跟蹤目標輪廓的粒子濾波方法還有序列重要重采樣(SIR，Sequential Importance Resampling)，輔助采樣重要重采樣濾波器(ASIR，Auxiliary Sampling Importance Resampling)，正則化粒子濾波器(RPF，Regularized Particle Filter)。這些算法在粒子狀態(tài)轉移(粒子傳播)時具有相同形式的狀態(tài)轉移方程，因此跟蹤目標輪廓的過程是類似的。
上述跟蹤目標輪廓的方法能夠實現(xiàn)對目標物體輪廓的跟蹤，但是由于只從視頻數(shù)據(jù)中提取目標物體的輪廓信息來進行分析和計算，因此當視頻目標的運動速度頻繁變化時跟蹤得到的輪廓會出現(xiàn)“超前”或者“滯后”的抖動現(xiàn)象，跟蹤不準確；另外，當視頻目標的周圍出現(xiàn)類似輪廓信息時，不能夠進行準確的跟蹤。
發(fā)明內容
有鑒于此，本發(fā)明實施例提供了兩種視頻目標輪廓跟蹤方法，該方法對視頻目標的輪廓跟蹤更加準確。
本發(fā)明實施例還提供了兩種視頻目標輪廓跟蹤裝置，該裝置跟蹤視頻目標的輪廓的結果更加準確。
一方面，本發(fā)明的實施例提供了一種視頻目標輪廓跟蹤方法，包含下列步驟 從初始幀圖像數(shù)據(jù)提取目標輪廓，利用所提取的目標輪廓產(chǎn)生多個隨機粒子； 對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移，得到各個隨機粒子的輪廓； 在各個隨機粒子的輪廓上隨機抽取多個樣點，對各樣點計算其真實輪廓點的觀測值； 計算各樣點與其真實輪廓點的觀測值之間的距離； 根據(jù)得到的各個隨機粒子輪廓上各樣點與其真實輪廓點的觀測值之間的距離確定各個隨機粒子的權重值；和 將所有隨機粒子加權累加獲得所跟蹤的目標在當前幀圖像中的輪廓； 在對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移之前，進一步包括 跟蹤目標的質心獲得目標質心的位置； 利用所獲得的目標質心的位置對隨機粒子狀態(tài)轉移的參數(shù)進行調整。
本發(fā)明的實施例提供了另一種視頻目標輪廓跟蹤方法，包含下列步驟 從初始幀圖像數(shù)據(jù)提取目標輪廓，利用所提取的目標輪廓產(chǎn)生多個隨機粒子； 對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移，得到各個隨機粒子的輪廓； 在各個隨機粒子的輪廓上隨機抽取多個樣點，對各樣點計算其真實輪廓點的觀測值； 計算各樣點與其真實輪廓點的觀測值之間的距離； 根據(jù)得到的各個隨機粒子輪廓上各樣點與其真實輪廓點的觀測值之間的距離確定各個隨機粒子的權重值；和 將所有隨機粒子加權累加獲得所跟蹤的目標在當前幀圖像中的輪廓； 所述根據(jù)得到的各個隨機粒子輪廓上各樣點與其真實輪廓點的觀測值之間的距離確定各個隨機粒子的權重值進一步包括 跟蹤目標的質心獲得目標質心的位置； 根據(jù)得到的各個隨機粒子的輪廓獲得各個粒子輪廓的質心； 利用得到的目標質心的位置計算所述目標質心與各個粒子輪廓的質心的距離； 根據(jù)獲得的目標質心與各個粒子的輪廓質心之間的距離調整所述各個粒子的權重值。
另一方面，本發(fā)明實施例提供了一種視頻目標輪廓跟蹤裝置，包括 輪廓提取模塊，用于從初始幀圖像數(shù)據(jù)提取目標輪廓； 隨機粒子產(chǎn)生模塊，用于利用所述輪廓提取模塊所提取的目標輪廓產(chǎn)生多個隨機粒子； 粒子狀態(tài)轉移模塊，用于對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移，得到各個隨機粒子的輪廓； 粒子權重計算模塊，用于在各個隨機粒子的輪廓上隨機抽取多個樣點，對各樣點計算其真實輪廓點的觀測值，計算各樣點與其真實輪廓點的觀測值之間的距離，并根據(jù)得到的各個隨機粒子輪廓上各樣點與其真實輪廓點的觀測值之間的距離確定各個隨機粒子的權重值； 輪廓擬合模塊，用于將所有隨機粒子加權累加獲得所跟蹤的目標在當前幀圖像中的輪廓； 該裝置進一步包括 質心計算模塊，用于跟蹤目標的質心獲得目標質心的位置； 所述粒子狀態(tài)轉移模塊進一步用于在對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移之前，利用所述質心計算模塊所獲得的目標質心的位置對隨機粒子狀態(tài)轉移的參數(shù)進行調整。
本發(fā)明實施例還提供了另一種視頻目標輪廓跟蹤裝置，包括 輪廓提取模塊，用于從初始幀圖像數(shù)據(jù)提取目標輪廓； 隨機粒子產(chǎn)生模塊，用于利用所述輪廓提取模塊所提取的目標輪廓產(chǎn)生多個隨機粒子； 粒子狀態(tài)轉移模塊，用于對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移，得到各個隨機粒子的輪廓； 粒子權重計算模塊，用于在各個隨機粒子的輪廓上隨機抽取多個樣點，對各樣點計算其真實輪廓點的觀測值，計算各樣點與其真實輪廓點的觀測值之間的距離，并根據(jù)得到的各個隨機粒子輪廓上各樣點與其真實輪廓點的觀測值之間的距離確定各個隨機粒子的權重值； 輪廓擬合模塊，用于將所有隨機粒子加權累加獲得所跟蹤的目標在當前幀圖像中的輪廓； 該裝置進一步包括質心計算模塊，用于跟蹤目標的質心獲得目標質心的位置； 粒子權重計算模塊進一步用于根據(jù)所述粒子狀態(tài)轉移模塊得到的各個隨機粒子的輪廓獲得各個粒子輪廓的質心，利用質心計算模塊得到的目標質心的位置計算所述目標質心與各個粒子輪廓的質心的距離，并根據(jù)獲得的目標質心與各個粒子的輪廓質心之間的距離調整所述各個粒子的權重值。
由上述的技術方案可見，本發(fā)明實施例提供的一種視頻目標輪廓跟蹤方法，通過跟蹤目標的質心得到的目標質心的位置來調整輪廓跟蹤過程中各個隨機粒子的狀態(tài)轉移參數(shù)，使隨機粒子的狀態(tài)轉移參數(shù)能夠隨著目標質心位置的變化進行相應的變化，目標的質心位置變化較大時隨機粒子的位置變化隨之變大，從而使對目標輪廓的跟蹤更準確。
本發(fā)明的實施例提供的另一種視頻目標輪廓跟蹤方法，通過跟蹤目標的質心得到跟蹤目標質心的位置來對各個隨機粒子進行評估，按照各粒子的輪廓的質心與跟蹤目標質心的遠近程度來調整粒子的權重值，使得接近真實輪廓的粒子的權重值增大，偏離真實輪廓的粒子的權重值減小，各個粒子加權累加得到的目標輪廓更加接近真實的目標輪廓，使得對目標輪廓的跟蹤更準確。
本發(fā)明實施例提供的一種視頻目標輪廓跟蹤裝置，用于跟蹤目標的質心得到的目標質心的位置，并利用該質心位置調整輪廓跟蹤所得的各個隨機粒子的狀態(tài)轉移參數(shù)，使隨機粒子的狀態(tài)轉移參數(shù)隨著目標質心位置的變化進行相應的變化，目標的質心位置變化較大時隨機粒子的位置變化隨之變大，得到的目標輪廓的跟蹤結果更準確。
本發(fā)明的實施例提供的另一種視頻目標輪廓跟蹤方法裝置，用于跟蹤目標的質心得到跟蹤目標質心的位置，并利用該質心位置來對各個隨機粒子進行評估，按照各粒子的輪廓的質心與跟蹤目標質心的遠近程度來調整粒子的權重值，使得接近真實輪廓的粒子的權重值增大，偏離真實輪廓的粒子的權重值減小，各個粒子加權累加得到的目標輪廓更加接近真實的目標輪廓，得到的目標輪廓的跟蹤結果更準確。
圖1為現(xiàn)有技術中采用Condensation算法實現(xiàn)視頻目標輪廓跟蹤的流程圖。
圖2為本發(fā)明實施例一中視頻目標輪廓跟蹤方法的流程圖。
圖3為本發(fā)明實施例一中視頻目標輪廓跟蹤裝置的結構圖。
圖4為本發(fā)明實施例二中視頻目標輪廓跟蹤方法的流程圖。
圖5為本發(fā)明實施例二中視頻目標輪廓跟蹤裝置的結構圖。
圖6為本發(fā)明實施例三中視頻目標輪廓跟蹤方法的流程圖。
圖7為采用現(xiàn)有技術的Condensation算法進行視頻目標輪廓跟蹤的效果圖。
圖8為采用本發(fā)明實施例三的視頻目標輪廓跟蹤方法后跟蹤效果圖。
具體實施例方式 為使本發(fā)明的實施例的目的、技術方案及優(yōu)點更加清楚明白，以下參照附圖并舉實施例，對本發(fā)明實施例進一步詳細說明。
根據(jù)本發(fā)明的實施例，在對目標輪廓進行跟蹤的同時，對目標的質心進行跟蹤，并且利用質心跟蹤得到的目標質心的位置及其變化信息對輪廓跟蹤過程中目標輪廓質心的位置轉移參數(shù)進行調整，使得到的目標輪廓減少因為目標物體移動速度的變化而產(chǎn)生“抖動”，從而使得對目標輪廓的跟蹤更加準確；或者，利用質心跟蹤得到的目標質心的位置及其變化信息對輪廓跟蹤過程中的各個隨機粒子(隨機樣本)的權重進行調整，從而使得對隨機樣本加權累加得到的目標輪廓更加準確。
常見的跟蹤目標輪廓的SIR算法，Condensation算法，ASIR算法，RPF算法。
以下的實施例中以采用Condensation算法來跟蹤目標的輪廓，利用均值漂移(Mean Shift)跟蹤算法來跟蹤目標的質心為例來說明本發(fā)明實施例的具體實施過程。
上面的跟蹤目標輪廓的算法在粒子狀態(tài)轉移(粒子傳播)時具有相同形式的狀態(tài)轉移方程，所以本領域技術人員可以容易地用其他的幾個算法替代Condensation算法來實施本發(fā)明實施例。
均值漂移跟蹤算法能夠比較準確地對視頻中目標物體進行跟蹤，得到較準確的目標質心值，首先簡單介紹該算法的原理。
假設表示跟蹤目標模型的歸一化像素位置，其質心坐標為O；將顏色灰度值進一步量化為m個等級，b(x)為將位置為x的像素的顏色灰度進行量化的函數(shù)，則顏色u出現(xiàn)的概率為 其中，k(x)為任意一種核函數(shù)，使得距離質心較遠的像素的權重較??； C為常數(shù)，其表達式為 則跟蹤目標模型表示為 假設
為當前幀中候選目標的像素位置，其質心位置為y，在范圍h中運用同樣的核函數(shù)k(x)，則候選目標中顏色u出現(xiàn)的概率可以表示成 其中，Ch為常數(shù)，其表達式為 則候選目標模型表示為 由以上定義的跟蹤目標模型與候選目標模型，它們之間的距離為 其中，
為候選目標中顏色u出現(xiàn)的概率，
為跟蹤目標中顏色u出現(xiàn)的概率。
最佳候選目標即為與跟蹤目標模型距離最近的候選目標，也就是使d(y)最小的候選區(qū)域，因此要求得使d(y)取得最小值的目標質心y?？梢允褂萌缦碌牡絹砬蟮胐(y)的最小值 其中，y0為當前位置，y1為下一時刻的新位置
為當前幀中候選目標的像素位置，h為目標所在范圍，函數(shù)g(x)為核函數(shù)k(x)的導數(shù)，wi的表達式為 接下來便可以在每一幀圖片中應用此迭代公式，來求得使d(y)取得最小值的候選目標及其質心的位置，此候選目標即為跟蹤目標的最佳候選目標，這樣也就實現(xiàn)了對視頻中目標物體質心的跟蹤。
實施例一 本實施例通過利用均值漂移算法得到的目標質心的位置來調整粒子狀態(tài)轉移的參數(shù)，使得粒子狀態(tài)轉移的參數(shù)能夠隨著目標質心的位置改變進行相應的調整，從而使目標輪廓的跟蹤更加準確。
圖2為本實施例進行視頻目標輪廓跟蹤的流程圖，主要包含下面的步驟。
步驟201，由輸入的圖像數(shù)據(jù)判斷是否是新的跟蹤對象，即是否需要建立新的跟蹤目標，如果是，則執(zhí)行步驟202；如果不是，則執(zhí)行步驟215。
輸入的圖像數(shù)據(jù)可以是經(jīng)過背景分割技術得到的圖像數(shù)據(jù)和選定的跟蹤目標的索引，或者是數(shù)據(jù)圖像以及在其中由用戶手工輸入的跟蹤目標所在區(qū)域。
步驟202，根據(jù)輸入的跟蹤目標的索引或區(qū)域利用現(xiàn)有的輪廓提取技術得到目標的輪廓向量和B樣條控制點QX0和QY0，根據(jù)得到的輪廓向量計算輪廓的質心TX0和TY0，計算目標的初始狀態(tài)向量T0，其計算公式為公式(4)，本步驟與背景技術中的步驟102相同。
步驟203，由初始的運動狀態(tài)向量T0進行隨機粒子初始化，初始化Ns個粒子，各個粒子的初始權重
均為1/Ns，運動狀態(tài)分別為其計算公式為公式(5)至(9) B3，B4，B5均為常數(shù)，B4，B5取
，B1，B2初始值取[3，15]，ξ為[-1，+1]的隨機數(shù)。
本步驟與背景技術中的步驟103相同。
步驟215，利用均值漂移算法計算目標質心在前M幀圖片中的位置坐標{(CXt，CYt)}t＝1，2，...，M。
步驟216，根據(jù)步驟215得到的目標質心的坐標可以得到由第t幀到第t+1幀時目標質心在x方向和y方向的運動速度 步驟217，調整參數(shù)B1，B2。
狀態(tài)轉移方程和即公式(11)和(12)為由當前幀的目標運動狀態(tài)(目標輪廓的質心位置)向下一幀的目標運動狀態(tài)(目標輪廓的質心位置)的轉移或稱為預測，所以狀態(tài)轉移方程中的輪廓質心位置轉移參數(shù)應該隨著目標輪廓質心的運動速度的改變而改變。如果目標輪廓的質心在x和y方向的運動速度增快，則參數(shù)B1，B2就要相應增大，反之，就要減小，這樣才能使跟蹤過程穩(wěn)定，不會出現(xiàn)跟蹤“超前”和“滯后”的抖動現(xiàn)象。
由均值漂移跟蹤算法可以較準確地跟蹤得到目標的質心，因此這里引入該算法的跟蹤結果來對上述的參數(shù)B1，B2進行調整，以使對目標輪廓的跟蹤更加穩(wěn)定。
根據(jù)目標物體運動速度集合(t＝0時表示為初始幀)進行預測即可得到第k幀的參數(shù)
和
預測公式為 其中，f(·)為預測函數(shù)，即
和
取決于初始的
以及前面幀中目標輪廓質心的運動速度集合，
和
為目標由第t幀到第t+1幀時在x方向和y方向的運動速度，
和
為初始時設定的轉移方程參數(shù)。
步驟204，根據(jù)步驟217得到的經(jīng)過調整的參數(shù)
和
對各個粒子進行狀態(tài)轉移得到各粒子的運動狀態(tài)向量參數(shù) 其中
和
由步驟217得到；
為[-1，+1]的隨機數(shù)。
步驟205，根據(jù)步驟204得到的各個粒子的運動狀態(tài)向量參數(shù)按照公式(16)計算各個粒子對應的形狀空間參數(shù)
步驟206根據(jù)得到的各個粒子的形狀空間參數(shù)按照公式(17)計算各自的B樣條控制點向量。
步驟207，用公式(18)擬合出各個粒子對應的輪廓曲線，其中Bk，m為m次規(guī)范B樣條基函數(shù)，m可以取為3。
步驟208，計算各樣點與該點處的真實輪廓點的觀測值之間的距離，本步驟與背景技術的步驟108相同。
步驟209，通過所求得的當前幀的圖像數(shù)據(jù)中各樣點與該點處的真實輪廓點的觀測值之間的距離DISi(n)(n＝1，2，...，N)按照公式(19)可以得到各個粒子的觀測概率密度函數(shù)
步驟210，對前一幀中各粒子的權重值進行權值更新，按照公式(20)得到當前幀中各粒子的權重值。
步驟211，按照公式(21)到(25)由各個粒子的運動狀態(tài)參數(shù)和權值進行加權求和得到期望的運動狀態(tài)參數(shù)。
步驟212，由運動狀態(tài)值按照公式(26)就可以得到形狀空間參數(shù)Sk。
步驟213，由Sk根據(jù)公式(27)算得輪廓的控制點向量QXk和QYk。
步驟214，根據(jù)公式(28)擬合目標的輪廓曲線yk(x)。
這樣就完成了一次對目標輪廓的跟蹤。
圖3為本實施例視頻目標輪廓跟蹤裝置的結構圖。如圖3所示，本裝置包括存儲模塊301、輪廓提取模塊302、隨機粒子產(chǎn)生模塊303、粒子狀態(tài)轉移模塊304、質心計算模塊305、控制模塊306、粒子權重計算模塊307和輪廓擬合模塊308。該裝置所利用的方法已經(jīng)給出了詳細的描述，因此，下面對于該裝置的功能只作簡單的介紹。
存儲模塊301用于存儲輸入的圖像數(shù)據(jù)；。
控制模塊306控制各模塊完成相應的操作。
收到來自控制模塊306的建立新跟蹤目標的命令，輪廓提取模塊302用于利用現(xiàn)有的輪廓提取技術根據(jù)提取存儲模塊301中的初始幀圖像幀數(shù)據(jù)中目標的輪廓，計算目標的輪廓向量和B樣條控制點QX0和QY0，根據(jù)得到的輪廓向量計算輪廓的質心TX0和TY0，計算目標的初始狀態(tài)向量T0；。
隨機粒子產(chǎn)生模塊303用于由利用輪廓提取模塊302計算得到的初始的運動狀態(tài)向量T0初始化Ns個粒子，各個粒子的初始權重
均為1/Ns，運動狀態(tài)分別為 這里，將初始圖像幀之后的每一幀圖像幀數(shù)據(jù)依次作為當前圖像幀數(shù)據(jù)進行下面的處理。
質心計算模塊305用于利用均值漂移算法跟蹤目標的質心計算存儲模塊301中保存的當前圖像幀數(shù)據(jù)中目標質心的位置，和/或計算目標質心在x方向和y方向的運動速度。
粒子狀態(tài)轉移模塊304用于根據(jù)質心計算模塊305計算得到的目標質心的位置和/或目標質心在x方向和y方向的運動速度對粒子狀態(tài)轉移方程中的參數(shù)B1，B2進行調整，并利用調整后的參數(shù)
和
對各個粒子進行狀態(tài)轉移，得到各個粒子的輪廓；。
控制模塊306用于控制各模塊完成相應的操作； 粒子權重計算模塊307用于在各個隨機粒子的輪廓上隨機抽取多個樣點，在當前圖像幀數(shù)據(jù)中對各樣點計算其真實輪廓點的觀測值，計算各樣點與其真實輪廓點的觀測值之間的距離，根據(jù)得到的各個隨機粒子輪廓上各樣點與其真實輪廓點的觀測值之間的距離確定各個隨機粒子的權重值。； 輪廓擬合模塊308用于將所有粒子根據(jù)其權重值擬合得到當前圖像幀數(shù)據(jù)中跟蹤目標的輪廓曲線并輸出。
只要繼續(xù)向該裝置輸入新的圖像幀數(shù)據(jù)或該裝置的存儲模塊中還有未處理的圖像幀數(shù)據(jù)，該裝置就針對這些圖像幀數(shù)據(jù)計算跟蹤目標的輪廓曲線。
本實施例通過利用均值漂移算法得到的目標質心的運動速度來調整狀態(tài)轉移方程中輪廓質心的位置轉移參數(shù)，使得輪廓質心位置能夠隨著目標的運動速度變化而相應地變化，在一定程度上減少了跟蹤的目標輪廓相對真實目標輪廓“超前”或者“滯后”的抖動現(xiàn)象的發(fā)生，增加了輪廓跟蹤的穩(wěn)定性，使得輪廓跟蹤結果更準確。
實施例二 本實施例通過利用均值漂移算法得到的跟蹤目標質心的位置和運動速度來對候選粒子進行評估，按照各粒子的輪廓的質心與跟蹤目標質心的遠近程度來影響粒子的權重值，使得各個粒子加權累加得到的目標輪廓更加接近真實的目標輪廓，從而達到使目標輪廓的跟蹤更加準確的目的。
圖4為本實施例進行視頻目標輪廓跟蹤的流程圖，主要包含下面的步驟。
步驟401，判斷輸入的圖像數(shù)據(jù)及跟蹤目標信息是否是新對象，即是否需要建立新的跟蹤目標，如果是，則執(zhí)行步驟402，否則執(zhí)行步驟415。
輸入的圖像數(shù)據(jù)可以是經(jīng)過背景分割的圖像數(shù)據(jù)，可以在初始幀圖像中選定某個運動物體作為跟蹤目標。
步驟402，根據(jù)輸入的跟蹤目標的索引或區(qū)域利用現(xiàn)有的輪廓提取技術得到目標的輪廓向量和B樣條控制點QX0和QY0，根據(jù)得到的輪廓向量計算輪廓的質心TX0和TY0，計算目標的初始狀態(tài)向量T0，其計算公式為公式(4)，本步驟與背景技術中的步驟102相同。
步驟403，由初始的運動狀態(tài)向量T0進行隨機粒子初始化，初始化Ns個粒子，各個粒子的初始權重
均為1/Ns，運動狀態(tài)分別為
其計算公式為公式(5)至(9) B1，B2，B3，B4，B5均為常數(shù)，B1，B2取[3，15]，B4，B5取
，ξ為[-1，+1]的隨機數(shù)。
本步驟與背景技術中的步驟103相同。
步驟415，利用均值漂移算法計算目標質心在前M幀圖片中的位置坐標{(CXt，CYt)}t＝1，2，...，M。
步驟404，輸入第k幀圖像數(shù)據(jù)時，對各粒子狀態(tài)進行狀態(tài)轉移，系統(tǒng)狀態(tài)轉移方程為公式(11)到(15)，本步驟與背景技術中步驟104相同。
步驟405，利用步驟404得到的各個粒子的運動狀態(tài)按照公式(16)計算各個粒子的形狀空間參數(shù)
步驟406，按照公式(17)計算各個粒子的B樣條控制點向量。
步驟407，得到各個粒子的控制點向量后，就可以用B樣條的方法擬合出各個粒子對應的輪廓曲線，擬合公式為公式(18) 步驟408，對候選粒子進行評估。
本實施例的方法通過當前幀的兩種衡量因素對各個粒子進行評估a.粒子輪廓點與真實輪廓點的觀測值之間的距離；b.粒子質心位置與跟蹤目標質心位置之間的距離。其中，衡量因素a是現(xiàn)有的技術。
按照背景技術中的步驟108求得輪廓各樣點與該點處的真實輪廓點的觀測值之間的距離DISi(n)，此距離作為第一個衡量因素。
現(xiàn)有技術中只利用了上述衡量因素a進行粒子的評估，為了使輪廓跟蹤更加準確，本實施例在這里引入了利用均值漂移跟蹤算法得到的較準確的質心位置來對各個候選粒子進行評估。
由均值漂移跟蹤算法可以比較準確的跟蹤到每一幀中目標輪廓質心位置(CXt，CYt)，可用此質心(跟蹤目標質心)，即步驟415得到的質心與由各個粒子輪廓的質心之間的距離DISi(Ck)作為另一個衡量因素，其值越大說明該粒子質心位置與目標真實質心位置偏差越大；反之，說明它們之間的偏差就越小。
步驟409，由步驟408中得到的兩個距離衡量因素可得各個粒子的觀測概率密度函數(shù) 其中，Φ2＝DISi(Ck)，DISi(n)輪廓各樣點與該點處的真實輪廓點的觀測值之間的距離，DISi(Ck)為跟蹤目標的質心與由為第i個粒子輪廓的質心之間的距離。
步驟410，根據(jù)步驟409中得到的各個粒子的觀測概率密度函數(shù)
按照公式(20)進行各個粒子的權值更新。
步驟411，按照公式(21)到(25)由各個粒子的運動狀態(tài)參數(shù)以及它們的權重值進行加權平均，得到第k幀跟蹤目標輪廓的運動狀態(tài)參數(shù)Tk＝(TXk，TYk，θk，SXk，SYk)。
步驟412，由運動狀態(tài)參數(shù)Tk得到形狀空間參數(shù)Sk。
步驟413，按照公式(27)由Sk算得輪廓的控制點向量QXk和QYk。
步驟414，按照公式(28)擬合出物體的輪廓曲線yk(x)。這樣就完成了對跟蹤目標的一次輪廓跟蹤。
圖5為本實施例視頻目標輪廓跟蹤裝置的結構圖。如圖5所示，本裝置包括存儲模塊501、輪廓提取模塊502、隨機粒子產(chǎn)生模塊503、粒子狀態(tài)轉移模塊504、質心計算模塊505、控制模塊506、粒子權重計算模塊507和輪廓擬合模塊508。該裝置所利用的方法已經(jīng)給出了詳細的描述，因此，下面對于該裝置的功能只作簡單的介紹。
存儲模塊301存儲輸入的圖像數(shù)據(jù)。
控制模塊306控制各模塊完成相應的操作。
收到來自控制模塊306的建立新跟蹤目標的命令，輪廓提取模塊502用于利用現(xiàn)有的輪廓提取技術根據(jù)存儲模塊501中的初始幀圖像幀數(shù)據(jù)，計算目標的輪廓向量和B樣條控制點QX0和QY0，根據(jù)得到的輪廓向量計算輪廓的質心TX0和TY0，計算目標的初始狀態(tài)向量T0。
隨機粒子產(chǎn)生模塊503用于由利用輪廓提取模塊502計算得到的初始的運動狀態(tài)向量T0初始化Ns個粒子，各個粒子的初始權重
均為1/Ns，運動狀態(tài)分別為 這里，將初始圖像幀之后的每一幀圖像幀數(shù)據(jù)依次作為當前圖像幀數(shù)據(jù)進行下面的處理。
質心計算模塊505用于利用均值漂移算法計算目標質心在前M幀圖片中的位置坐標{(CXt，CYt)}t＝1，2，...，M。
粒子狀態(tài)轉移模塊504用于根據(jù)現(xiàn)有技術對各個粒子進行狀態(tài)轉移。
質心計算模塊505利用均值漂移算法計算目標質心在當前圖像幀數(shù)據(jù)中的位置。
粒子權重計算模塊507用于通過當前圖像幀數(shù)據(jù)中粒子輪廓點與觀測輪廓點之間的距離，和粒子質心位置與質心計算模塊505計算得到的跟蹤目標質心位置之間的距離兩個因素計算各個粒子的觀測概率密度函數(shù)，根據(jù)獲得的各個粒子的觀測概率密度函數(shù)確定各粒子的權重值。
輪廓擬合模塊508用于利用各粒子及其權重值擬合得到當前圖像幀數(shù)據(jù)中目標的輪廓曲線并輸出。
只要繼續(xù)向該裝置輸入新的圖像幀數(shù)據(jù)或者該裝置的存儲模塊中還有未處理的圖像幀數(shù)據(jù)，該裝置就針對這些圖像幀數(shù)據(jù)計算跟蹤目標的輪廓曲線。
本實施例通過利用均值漂移算法得到的跟蹤目標質心來參與評估各個候選粒子，使得各個粒子的權重與其輪廓質心位置與跟蹤目標質心間的距離相關，使得由各個粒子加權累加得到的目標輪廓更接近真實目標輪廓，增加了輪廓跟蹤的準確性。
實施例三 本實施例通過利用均值漂移算法得到的目標質心的位置及其變化來調整粒子狀態(tài)轉移的參數(shù)，使得粒子的狀態(tài)轉移能夠隨著目標質心的位置變化進行相應的調整；同時，還使用均值漂移算法得到的跟蹤目標質心的位置和運動速度來對候選粒子進行評估，按照各粒子的輪廓的質心與跟蹤目標質心的遠近程度來影響粒子的權重值，使得各個粒子加權累加得到的目標輪廓更加接近真實的目標輪廓，以上兩個方面使得目標輪廓的跟蹤更加準確。
圖6為本實施例進行視頻目標輪廓跟蹤的流程圖，主要包含下面的步驟。
步驟601，由輸入的圖像數(shù)據(jù)判斷是否是新的跟蹤對象，即是否需要建立新的跟蹤目標，如果是，則執(zhí)行步驟602；如果不是，則執(zhí)行步驟615。
輸入的圖像數(shù)據(jù)可以是經(jīng)過背景分割技術得到的圖像數(shù)據(jù)和選定的跟蹤目標的索引，或者是數(shù)據(jù)圖像以及在其中由用戶手工輸入的跟蹤目標所在區(qū)域。
步驟602，根據(jù)輸入的跟蹤目標的索引或區(qū)域利用現(xiàn)有的輪廓提取技術得到目標的輪廓向量和B樣條控制點QX0和QY0，根據(jù)得到的輪廓向量計算輪廓的質心TX0和TY0，計算目標的初始狀態(tài)向量T0，其計算公式為公式(4)，本步驟與背景技術中的步驟102相同。
步驟603，由初始的運動狀態(tài)向量T0進行隨機粒子初始化，初始化Ns個粒子，各個粒子的初始權重
均為1/Ns，運動狀態(tài)分別為
其計算公式為公式(5)至(9) B3，B4，B5均為常數(shù)，B4，B5取
，B1，B2初始值取[3，15]，ξ為[-1，+1]的隨機數(shù)。本步驟與背景技術中的步驟103相同。
步驟615，利用均值漂移算法計算目標質心在前M幀圖片中的位置坐標{(CXt，CYt)}t＝1，2，...，M。
步驟616，根據(jù)步驟615得到的目標質心的坐標可以按照公式(38)和(39)得到目標由第t幀到第t+1幀時在x方向和y方向的運動速度
和
步驟617，按照公式(60)調整參數(shù)B1，B2，本步驟與實施例一的步驟217相同。
步驟604，根據(jù)步驟617得到的經(jīng)過自適應調整的參數(shù)
和
，對各個粒子進行狀態(tài)轉移得到各粒子的運動狀態(tài)向量參數(shù)，本步驟與實施例一的步驟204相同。
步驟605，根據(jù)步驟604得到的各個粒子的運動狀態(tài)向量參數(shù)按照公式(16)計算各個粒子對應的形狀空間參數(shù)
步驟606根據(jù)得到的各個粒子的形狀空間參數(shù)按照公式(17)計算各自的B樣條控制點向量。
步驟607，用公式(18)擬合出各個粒子對應的輪廓曲線，其中Bk，m為m次規(guī)范B樣條基函數(shù)，m可以取為3。
步驟608，對候選粒子進行評估，計算輪廓各樣點與該點處的真實輪廓點的觀測值之間的距離DISi(n)和粒子質心位置與跟蹤目標質心位置之間的距離DISi(Ck)。本步驟與實施例二中的步驟408相同。
步驟609，由步驟608中得到的兩個距離衡量因素可按照公式(43)得到各個粒子的觀測概率密度函數(shù)
本步驟與實施例二的步驟409相同。
步驟610，根據(jù)步驟609中得到的各個粒子的觀測概率密度函數(shù)
按照公式(20)進行各個粒子的權值更新。
步驟611，按照公式(21)到(25)由各個粒子的運動狀態(tài)參數(shù)以及它們的權重值進行加權平均，得到跟蹤目標的運動狀態(tài)參數(shù)Tk＝(TXk，TYk，θk，SXk，SYk)。
步驟612，由運動狀態(tài)參數(shù)Tk得到形狀空間參數(shù)Sk。
步驟613，按照公式(27)由Sk算得輪廓的控制點向量QXk和QYk。
步驟614，按照公式(28)擬合出物體的輪廓曲線yk(x)。這樣就完成了對跟蹤目標的一次輪廓跟蹤。
本實施例實際上是通過同時使用實施例一和實施例二中的兩種手段來使對目標輪廓的跟蹤同時具有實施例一的跟蹤穩(wěn)定性高的優(yōu)點和實施例二的跟蹤準確性高的優(yōu)點。
本領域技術人員應該容易地將實施例一和實施例二中的兩種裝置結合起來組成同時具有所述兩種裝置的功能的新裝置，該裝置用于實現(xiàn)本實施例中的視頻目標輪廓的跟蹤方法，對視頻目標進行準確地跟蹤。
圖7為采用現(xiàn)有技術的Condensation算法進行視頻目標輪廓跟蹤的效果圖；圖8為采用本發(fā)明實施例三的視頻目標輪廓跟蹤方法的跟蹤效果圖。我們選取了開始、中間和結束時的幾幀代表圖片。圖片中用白色曲線標示出的汽車輪廓即為計算機利用輪廓跟蹤方法“看”到的汽車的輪廓?？梢钥吹?，沒有引入均值漂移算法時，跟蹤過程中出現(xiàn)了跟蹤不穩(wěn)定的現(xiàn)象，這是因為沒有引入均值漂移算法時，狀態(tài)轉移參數(shù)固定不變；引入了均值漂移算法實現(xiàn)了狀態(tài)轉移參數(shù)對汽車運動速度變化的自適應調整和加入了用均值漂移方法跟蹤的汽車質心對各個粒子進行評估的方法，使跟蹤效果有了很大改善，跟蹤更為穩(wěn)定和準確。
下表為使用實施例三的方法時狀態(tài)轉移參數(shù)B1，B2與汽車質心運動速度的變化關系(此處采用的是線性變化關系)。
表1 B1跟隨Vx的變化 表2 B2跟隨Vy的變化 本實施例中是用粒子濾波跟蹤算法中的Condensation算法和質心跟蹤算法中的均值漂移算法為例的。
常見的其它粒子濾波方法有SIR算法，ASIR算法，RPF算法等。
上面的這些粒子濾波算法在粒子狀態(tài)轉移(粒子傳播)時與Condensation算法具有相同形式的狀態(tài)轉移方程，所以本領域技術人員應當能夠將本發(fā)明實施例的方法應用在其它粒子濾波算法當中得到更優(yōu)的輪廓跟蹤結果。
另外，任何能夠得到目標質心位置的跟蹤算法都可以代替均值漂移算法應用在本發(fā)明實施例的實施之中。
由上述的實施例可見，本發(fā)明實施例的這種視頻目標輪廓跟蹤方法通過跟蹤目標的質心得到的目標質心的位置和運動速度來調整輪廓跟蹤過程中粒子狀態(tài)轉移的參數(shù)，使粒子的狀態(tài)轉移能夠隨著目標質心的位置變化進行相應的調整，從而使對目標輪廓的跟蹤更準確。
本發(fā)明實施例的另一種視頻目標輪廓跟蹤方法通過跟蹤目標的質心得到跟蹤目標質心的位置和運動速度來對候選粒子進行評估，按照各粒子的輪廓的質心與得到的目標質心的遠近程度來影響粒子的權重值，使得各個粒子加權累加得到的目標輪廓更加接近真實的目標輪廓，使得對目標輪廓的跟蹤更加準確。
本發(fā)明實施例的一種視頻目標輪廓跟蹤裝置，用于跟蹤目標的質心得到的目標質心的位置，并利用該質心位置調整輪廓跟蹤所得的各個隨機粒子的狀態(tài)轉移參數(shù)，使隨機粒子的狀態(tài)轉移參數(shù)隨著目標質心位置的變化進行相應的變化，目標的質心位置變化較大時隨機粒子的位置變化隨之變大，得到的目標輪廓的跟蹤結果更準確。
本發(fā)明實施例的另一種視頻目標輪廓跟蹤方法，用于跟蹤目標的質心得到跟蹤目標質心的位置，并利用該質心位置來對各個隨機粒子進行評估，按照各粒子的輪廓的質心與跟蹤目標質心的遠近程度來調整粒子的權重值，使得接近真實輪廓的粒子的權重值增大，偏離真實輪廓的粒子的權重值減小，各個粒子加權累加得到的目標輪廓更加接近真實的目標輪廓，得到的目標輪廓的跟蹤結果更準確。
綜上所述，以上僅為本發(fā)明的部分實施例而已，并非用于限定本發(fā)明的保護范圍。凡在本發(fā)明的精神和原則之內，所作的任何修改、等同替換、改進等，均應包含在本發(fā)明的保護范圍之內。
權利要求
1、一種視頻目標輪廓跟蹤方法，包括
從初始幀圖像數(shù)據(jù)提取目標輪廓，利用所提取的目標輪廓產(chǎn)生多個隨機粒子；
對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移，得到各個隨機粒子的輪廓；
在各個隨機粒子的輪廓上隨機抽取多個樣點，對各樣點計算其真實輪廓點的觀測值；
計算各樣點與其真實輪廓點的觀測值之間的距離；
根據(jù)得到的各個隨機粒子輪廓上各樣點與其真實輪廓點的觀測值之間的距離確定各個隨機粒子的權重值；和
將所有隨機粒子加權累加獲得所跟蹤的目標在當前幀圖像中的輪廓；
其特征在于，在對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移之前，進一步包括
跟蹤目標的質心獲得目標質心的位置；
利用所獲得的目標質心的位置對隨機粒子狀態(tài)轉移的參數(shù)進行調整。
2、根據(jù)權利要求1所述的方法，其特征在于，所述隨機粒子狀態(tài)轉移的參數(shù)為對隨機粒子輪廓的質心進行位置轉移的參數(shù)；
所述利用所獲得的目標質心的位置對隨機粒子狀態(tài)轉移的參數(shù)進行調整的方法包括
使對隨機粒子輪廓的質心進行位置轉移的參數(shù)隨著所述目標質心在相鄰兩幀間的位置差增大而增大，隨著所述目標質心在相鄰兩幀間的位置差減小而減小。
3、根據(jù)權利要求1所述的方法，其特征在于，所述跟蹤目標的質心獲得目標質心的位置包括
利用跟蹤質心獲得的之前各幀中目標質心的位置計算目標質心在相鄰幀間的各方向上的運動速度集合；
所述利用所獲得的目標質心的位置對隨機粒子狀態(tài)轉移的參數(shù)進行調整的方法包括
利用所述速度集合對所述隨機粒子狀態(tài)轉移的參數(shù)進行預測并調整，獲得調整后的隨機粒子的狀態(tài)轉移的參數(shù)。
4、根據(jù)權利要求3所述的方法，其特征在于，所述進行對各個隨機粒子進行狀態(tài)轉移包括
利用以下狀態(tài)轉移方程對各個隨機粒子進行狀態(tài)轉移
其中，為[-1，+1]的隨機數(shù)，B3，B4，B5為常數(shù)，所述進行調整的狀態(tài)轉移的參數(shù)為B1，B2；
所述利用跟蹤質心獲得的之前各幀中目標質心的位置計算得到目標質心在相鄰幀間的各方向上的運動速度集合為
其中，
為從第t幀到第t+1幀時目標質心在x方向的速度，
為從第t幀到第t+1幀時目標質心在y方向的速度，初始幀為第0幀；
所述利用速度集合對所述隨機粒子狀態(tài)轉移的參數(shù)進行預測并調整，獲得調整后的隨機粒子的狀態(tài)轉移的參數(shù)包括
根據(jù)所述目標質心在各幀間的運動速度集合
進行預測，獲得第k幀時的隨機粒子狀態(tài)轉移的參數(shù)
和
其中，f(·)為預測函數(shù)，
和
為初始時設定的B1，B2的值。
5、根據(jù)權利要求1所述的方法，其特征在于，所述跟蹤目標的質心包括采用均值漂移跟蹤算法跟蹤目標的質心。
6、根據(jù)權利要求1所述的方法，其特征在于，所述目標輪廓和隨機粒子的輪廓利用B樣條來表征。
7、根據(jù)權利要求1至6任一權利要求所述的方法，其特征在于，進一步包括
根據(jù)各個隨機粒子的輪廓獲得各個粒子輪廓的質心；
利用獲得的目標質心的位置計算該目標質心與各個粒子輪廓的質心之間的距離；
利用所述目標質心與各個粒子輪廓的質心之間的距離調整所述各個隨機粒子的權重值。
8、根據(jù)權利要求7所述的方法，其特征在于，所述調整各個粒子的權重值包括
按照以下公式計算各個粒子的觀測概率密度函數(shù)
其中，Φ2＝DISi(Ck)，DISi(n)為所述各個粒子輪廓的各樣點與其真實輪廓點的觀測值之間的距離，DISi(Ck)為所述計算出的目標質心與所述各個粒子輪廓的質心之間的距離；
對前一幀中各粒子的權重值進行權值更新，獲得當前幀中各粒子的權重值
其中，
為第k幀第i個粒子的觀測概率密度函數(shù)，
為第k幀第i個粒子的權重值。
9、根據(jù)權利要求1所述的方法，其特征在于，所述隨機粒子的數(shù)量為50個以上。
10、一種視頻目標輪廓跟蹤方法，包括
從初始幀圖像數(shù)據(jù)提取目標輪廓，利用所提取的目標輪廓產(chǎn)生多個隨機粒子；
對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移，得到各個隨機粒子的輪廓；
在各個隨機粒子的輪廓上隨機抽取多個樣點，對各樣點計算其真實輪廓點的觀測值；
計算各樣點與其真實輪廓點的觀測值之間的距離；
根據(jù)得到的各個隨機粒子輪廓上各樣點與其真實輪廓點的觀測值之間的距離確定各個隨機粒子的權重值；和
將所有隨機粒子加權累加獲得所跟蹤的目標在當前幀圖像中的輪廓；
其特征在于，所述根據(jù)得到的各個隨機粒子輪廓上各樣點與其真實輪廓點的觀測值之間的距離確定各個隨機粒子的權重值進一步包括
跟蹤目標的質心獲得目標質心的位置；
根據(jù)得到的各個隨機粒子的輪廓獲得各個粒子輪廓的質心；
利用得到的目標質心的位置計算所述目標質心與各個粒子輪廓的質心的距離；
根據(jù)獲得的目標質心與各個粒子的輪廓質心之間的距離調整所述各個粒子的權重值。
11、根據(jù)權利要求10所述的方法，其特征在于，所述調整各個粒子的權重值包括
按照以下公式計算各個粒子的觀測概率密度函數(shù)
其中，Φ2＝DISi(Ck)，DISi(n)為所述各個粒子輪廓的樣點與其真實輪廓點的觀測值之間的距離，DISi(Ck)為所述獲得的目標質心與所述各個粒子輪廓的質心之間的距離；
對前一幀中各粒子的權重值進行權值更新，獲得當前幀中各粒子的權重值
其中，
為第k幀第i個粒子的觀測概率密度函數(shù)，
為第k幀第i個粒子的權重值。
12、根據(jù)權利要求10所述的方法，其特征在于，所述跟蹤目標的質心包括采用均值漂移跟蹤算法跟蹤目標的質心。
13、根據(jù)權利要求10所述的方法，其特征在于，所述目標輪廓和隨機粒子的輪廓利用B樣條來表征。
14、根據(jù)權利要求10所述的方法，其特征在于，所述隨機粒子的數(shù)量為50個以上。
15、一種視頻目標輪廓跟蹤裝置，包括
輪廓提取模塊，用于從初始幀圖像數(shù)據(jù)提取目標輪廓；
隨機粒子產(chǎn)生模塊，用于利用所述輪廓提取模塊所提取的目標輪廓產(chǎn)生多個隨機粒子；
粒子狀態(tài)轉移模塊，用于對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移，得到各個隨機粒子的輪廓；
粒子權重計算模塊，用于在各個隨機粒子的輪廓上隨機抽取多個樣點，對各樣點計算其真實輪廓點的觀測值，計算各樣點與其真實輪廓點的觀測值之間的距離，并根據(jù)得到的各個隨機粒子輪廓上各樣點與其真實輪廓點的觀測值之間的距離確定各個隨機粒子的權重值；
輪廓擬合模塊，用于將所有隨機粒子加權累加獲得所跟蹤的目標在當前幀圖像中的輪廓；
其特征在于，進一步包括
質心計算模塊，用于跟蹤目標的質心獲得目標質心的位置；
所述粒子狀態(tài)轉移模塊進一步用于在對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移之前，利用所述質心計算模塊所獲得的目標質心的位置對隨機粒子狀態(tài)轉移的參數(shù)進行調整。
16、根據(jù)權利要求15所述的裝置，其特征在于，
粒子權重計算模塊進一步用于根據(jù)所述粒子狀態(tài)轉移模塊得到的各個隨機粒子的輪廓獲得各個粒子輪廓的質心，利用質心計算模塊得到的目標質心的位置計算所述目標質心與各個粒子輪廓的質心的距離，并根據(jù)獲得的目標質心與各個粒子的輪廓質心之間的距離調整所述各個粒子的權重值。
17、一種視頻目標輪廓跟蹤裝置，包括
輪廓提取模塊，用于從初始幀圖像數(shù)據(jù)提取目標輪廓；
隨機粒子產(chǎn)生模塊，用于利用所述輪廓提取模塊所提取的目標輪廓產(chǎn)生多個隨機粒子；
粒子狀態(tài)轉移模塊，用于對當前幀圖像數(shù)據(jù)中各個隨機粒子進行狀態(tài)轉移，得到各個隨機粒子的輪廓；
粒子權重計算模塊，用于在各個隨機粒子的輪廓上隨機抽取多個樣點，對各樣點計算其真實輪廓點的觀測值，計算各樣點與其真實輪廓點的觀測值之間的距離，并根據(jù)得到的各個隨機粒子輪廓上各樣點與其真實輪廓點的觀測值之間的距離確定各個隨機粒子的權重值；
輪廓擬合模塊，用于將所有隨機粒子加權累加獲得所跟蹤的目標在當前幀圖像中的輪廓；
其特征在于，進一步包括質心計算模塊，用于跟蹤目標的質心獲得目標質心的位置；
粒子權重計算模塊進一步用于根據(jù)所述粒子狀態(tài)轉移模塊得到的各個隨機粒子的輪廓獲得各個粒子輪廓的質心，利用質心計算模塊得到的目標質心的位置計算所述目標質心與各個粒子輪廓的質心的距離，并根據(jù)獲得的目標質心與各個粒子的輪廓質心之間的距離調整所述各個粒子的權重值。
全文摘要
本發(fā)明實施例公開了一種視頻目標輪廓跟蹤方法，通過跟蹤目標的質心得到的目標質心的位置來調整輪廓跟蹤過程中對各個隨機粒子進行狀態(tài)轉移的參數(shù)，使對隨機粒子進行狀態(tài)轉移的參數(shù)能夠隨著目標質心位置的變化進行相應的變化，從而使目標輪廓的跟蹤更加準確。本發(fā)明實施例公開了另一種視頻目標輪廓跟蹤方法，通過跟蹤目標的質心得到目標質心的位置來對各個隨機粒子進行評估，按照各粒子輪廓的質心與跟蹤得到的目標質心的遠近程度來調整粒子的權重值，使各個粒子加權累加得到的目標輪廓更加接近真實的目標輪廓，從而使目標輪廓的跟蹤更加準確。本發(fā)明實施例還公開了兩種視頻目標輪廓跟蹤的裝置。
文檔編號H04N7/18GK101394546SQ200710154120
公開日2009年3月25日 申請日期2007年9月17日 優(yōu)先權日2007年9月17日
發(fā)明者于紀征, 曾貴華, 趙光耀 申請人:華為技術有限公司