[发明专利]基于自适应颜色特征和时空上下文的目标跟踪方法及系统

说明书

技术领域

本发明涉及图像处理和计算机视觉技术跟踪领域，具体涉及基于自适应颜色特征和时空上下文的目标跟踪方法。

背景技术

视频目标跟踪是机器视觉领域的基础问题之一，融合了图像处理、模式识别、人工智能、自动控制等多种不同领域的理论知识。视频跟踪是目标识别、行为识别等后续应用的基础，在军事制导、视觉导航、智能交通、医疗诊断等众多领域有着广泛的应用前景。

在运动目标跟踪问题上的研究，大致可以分为两种方法：(a)不依赖先验知识，直接从图形序列中检测到运动目标，并进行目标识别，最终跟踪感兴趣的运动目标；(b)依赖先验知识，首先对运动目标建立模型，然后在后续图像序列中实时找到相匹配的运动目标。围绕这两种方法，产生了很多效果较好目标检测和跟踪算法。对于不依赖先验知识的目标跟欧洲那个而言，检测是最重要的。目标检测是将跟踪目标从背景中提取出来。运动目标跟踪就是在图像序列中寻找与目标模板最相似候选目标区位置的过程，即在序列图像中进行目标定位。

实现目标的准确定位需要以描述目标的视觉特征建立其表观模型。具有良好可分性的视觉特征，是实现对跟踪目标与视场背景精确分割与提取的关键，因此视觉特征的选择是实现鲁棒跟踪前提。若所选视觉特征具有较强可分性，即使简单的跟踪算法也能实现可靠跟踪。常用的视觉特征有颜色、边缘、光流、小波、上下文等。

由于光照、遮挡以及目标移动旋转缩放引起的目标本身变化等因素，进行鲁棒的跟踪仍然面对巨大的挑战。

发明内容

本发明的目的就是为了解决上述问题，提供一种基于自适应颜色特征和时空上下文的目标跟踪方法及系统，它具有可实现有效的多尺度目标跟踪优点。

为了实现上述目的，本发明采用如下技术方案：

基于自适应颜色特征和时空上下文的目标跟踪方法，包括以下步骤：

步骤(1)：在输入视频序列第一帧图像后，用矩形框选择跟踪目标；

步骤(2)：计算第1帧的目标置信图；

步骤(3)：所述跟踪目标置信图包括上下文先验模型和空间上下文模型；

通过生物视觉系统的集中注意力特性和颜色特征对跟踪目标的局部上下文信息建模，得到上下文先验模型，即先验概率；

通过对上下文先验模型先进行快速傅里叶变换再进行快速傅里叶反变换，得到跟踪目标与跟踪目标周围上下文信息的空间关系的空间上下文模型，即条件概率；

步骤(4)：根据步骤(3)的空间上下文模型学习更新第t帧的时空上下文模型；

步骤(5)：利用步骤(4)得到的时空上下文模型，对第t+1帧图像进行卷积操作，计算第t+1帧的目标置信图，并求得目标置信图的最大似然概率位置作为最佳目标位置；

步骤(6)：将步骤(4)的最佳目标位置作为新的跟踪目标，同时依据步骤(5)的到的第t+1帧的目标置信图，然后重复步骤(3)-(5)，进行t+2帧图像的最佳目标位置确定；

从而实现对所有帧图像的最佳目标位置确定。

进一步的，所述步骤(2)的目标置信图的公式为：

式中，c(x)最大的位置就是目标位置，x表示目标位置，o表示目标出现，特性X^c＝{c(z)}＝{(I(z),z)|z∈Ω_c(x^*)}表示图像特性，I(z)表示位置z处的图像自适应颜色特征值，Ω_c(x^*)表示目标位置X^*的局部区域，P(x|c(z),o)表示条件概率，P(c(z)|o)表示先验概率，b是标准化常数，α是尺度参数，β是形状参数。

进一步的，所述步骤(3)上下文先验模型描述的是先验概率，上下文先验模型为：

P(c(z)|o)＝I(z)ω_σ(z-x^*)(2)

表示权重函数，a表示归一化参数，σ表示尺度参数，通常距离目标X^*越近的点对跟踪目标越重要，权重越大，I(z)表示z处像素点的自适应颜色特征值。

所述自适应颜色特征值是：

先将RGB颜色细化为黑、蓝、棕、灰、绿、橙、粉、紫、红、白和黄共11种，

然后利用PCA(Principal Component Analysis)将11维降为2维，选择出比较显著的两种颜色：

步骤a)：颜色特征向量的公式为X_M×N×K，X是目标跟踪图像，M为图像行数，N为图像列数，K为颜色特征数量，K＝11；