[发明专利]自动对象识别、然后根据对象形状进行对象跟踪的方法和系统

说明书

技术领域

按照权利要求1，本发明涉及一种自动对象识别、然后根据对象形状进行对象跟踪的方法。此外，按照权利要求10，本发明还涉及一种用于此的系统。

背景技术

对运动对象的自动识别和跟踪不仅在视频监控中、而且在视频技术和图像处理的很多其他领域中都是非常重要的。对于视频跟踪，存在大量所谓的跟踪方法，但是它们通常限于确定当前的对象位置。但是对于很多应用，除了当前的对象位置之外，对象的轮廓或在空间中的取向也是受到关注的。

存在大量跟踪方法用于对象跟踪。最有名且广泛流传的方法例如有卡尔曼滤波跟踪、均值移位跟踪和粒子滤波跟踪以及其扩展方案和变形方案。例如，US6590999B1介绍了一种针对对象形状可变的目标(例如人)实时地根据均值移位跟踪的对象跟踪方法和设备。这个对象跟踪基于能视觉识别的特征，例如颜色或结构，其中该特征的统计分布表征该目标。在第一阶段中计算预定目标与比较基准之间的相似程度，并且在下一阶段中计算程度本身，其由巴氏(Bhattacharyya)系数所推导出的度量来表达。然后使用由巴氏系数的最大值所推导出的梯度矢量来在随后的阶段中确定比较基准的最可能的位置。

传统的方法都能够相当鲁棒地确定对象位置，并且可以部分地还确定大小。但是，借助于传统的方法不可能确定实际的对象形状或对象的取向。

只有通过对原来的方法进行扩展和改进，才可能也实现对对象形状的跟踪。主要是粒子滤波跟踪以及均值移位跟踪在这个方向上被进一步开发了。

在Rathi，Y和Vaswani，N和Tannenbaum，A和Yezzi，A于2005年2月在IEEE Computer Society Conference on Computer Vision and Pattern Recognition上的会议论文“Particle filtering for geometric active contours with application to tracking moving and deforming objects”中介绍了这样一种粒子滤波方案。虽然对象形状能够被很好地跟踪，但是该方案还具有一些不足。

因此，例如关于对象形状的一些信息必须被提供给算法，从而即使在对象被更大地覆盖的情况下其形状也还可以被描述。但是，这又导致在形状变化非常大的情况下不再能非常准确地跟踪形状。

如果对象在更长的时间中被完全覆盖，则该方法的能力还会极度地降低。

A.Yilmaz于2007年6月在Proc.IEEE Conference on Computer Vision and Patern Recognition上的会议论文“Object racking by Asymmetrie Kernel Mean Shift with Automatic Scale and Orientation Selection”第1至6页中介绍了用于跟踪对象形状的均值移位方法的一扩展方案。代替对称的滤波核，使用适配对象形状的由水平集函数确定的滤波核。此外，在缩放和取向维度上扩展搜寻空间。由此，除了对象位置之外还可以确定对象的大小和取向或其轮廓。但是因为只在图像面内并因此只2D地计算取向，所以对象形状不能适配于三维空间中对象的实际运动。

并不对应于上述三个基本方法之一的一种同样非常令人信服的跟踪算法基于所谓的机器学习方案。为了计算对象形状，不仅考虑隐马尔可夫模型，而且还考虑几何对象特性。因为该方法通过分类来确定对象的轮廓点，所以该方法必须首先借助于分类器上的训练集(特定的特征)而被训练。为此，自然必须先一次存在或生成训练集合。此外因为每个像素在分类时被观察，所以需要特别大量的特征，并且因此需要相对大的训练集。

此外一般性地对于大多数的跟踪方法都不能自动地识别要跟踪的对象。很多跟踪算法因此要么依赖于用户输入，要么依赖于事先执行的对象识别的结果。因此，用于对象跟踪的系统通常由用于对象识别的部件和实际的跟踪算法构成。

在图9中示出了现有技术中这样的系统的自动化对象跟踪的示意性流程，由基于高斯混合模型和均值移位跟踪的对象识别构成。