[发明专利]一种多特征融合的安全帽跟踪算法

权利要求书

1.一种多特征融合的安全帽跟踪算法，其特征在于，包括以下步骤：

步骤a、获取初始帧图像A中目标安全帽信息及下一帧图像B中候选安全帽信息，并分别使用空间颜色直方图和纹理特征统计直方图描述图像A，B中的安全帽信息；

步骤b、在空间及纹理特征下对下一帧图像B中候选安全帽进行处理，获取最优候选安全帽位置；

步骤c、进行多特征加权融合获取图像B中安全帽的中心位置；

步骤d、更新目标安全帽的初始位置，重复步骤a，b，c，实现目标安全帽跟踪。

2.根据权利要求1所述的一种多特征融合的安全帽跟踪算法，其特征在于，步骤a的具体步骤如下：

步骤a1：获取初始帧图像A目标安全帽信息，建立目标安全帽模型W；

假设图像A中目标安全帽区域有n个像素点，用{x_i}_i＝1...n表示这些像素点的位置，目标安全帽区域中心记为x₀，对目标安全帽区域进行颜色空间均匀划分，划分为m个相等的区间；建立目标安全帽模型W，用目标安全帽所在区域的概率密度函数描述模型W，模型W的概率密度q_u，(u＝1，...，m)如下式所示：

其中，b(x_i)表示x_i位置的像素所属的区间，δ为Kronecker delta函数(该函数的自变量(输入值)是两个整数，如果两者相等，则其输出值为1，否则为0)，k(x)为核函数

，

h为核剖面半径，为归一化常数：

步骤a2：获取下一帧图像B中候选安全帽信息；建立候选安全帽模型W′；

假设图像B中候选安全帽区域有n′个像素点，用{y_i}_i＝1...n′表示这些像素点的位置，候选安全帽区域中心记为y₀，对候选安全帽区域进行颜色空间均匀划分，划分m′为个相等的区间；建立候选安全帽模型W′，用候选安全帽所在区域的概率密度函数描述模型W′，模型W′概率密度p_u，(u＝1，...，m′)如下式所示：

其中，b(y_i)表示y_i位置的像素所属的区间，是归一化常数；

步骤a3：使用空间颜色直方图描述模型W，W′；

空间颜色直方图的表达形式h(u)如下式所示：

h(u)＝[h_u，μ_u，∑_u]

其中h_u、μ_u、∑_u分别表示空间颜色直方图中第u个区间上的颜色特征概率值、均值、协方差矩阵；其中n_u为第u个区间的特征样本点个数；x_i为空间位置坐标；

假设目标安全帽区域和候选安全帽区域中均含有n个像素点，即n＝n′，目标安全帽区域和候选安全帽区域内像素点空间位置信息可分别记为{x_i}_i＝1...n，{y_i}_i＝1...n，假设目标安全帽区域和候选安全帽区域中心点位置分别为为x₀和y₀；模型W对应的空间颜色直方图中第u个区间上色调特征的概率值h_u(x₀)，均值μ_u(x₀)和协方差矩阵∑_u(x₀)，公式如下：

h_u(x₀)＝q_u

模型W′对应的空间颜色直方图中第u个区间上色调特征的概率值h_u(y₀)，均值μ_u(y₀)和协方差矩阵∑_u(y₀)，如下所示：

h_u(y₀)＝p_u

因此用于描述模型W，W′的空间颜色直方图公式如下：

h(u)＝[q_u，μ_u(x)，∑_u(x)]

h(u)′＝[p_u，μ_u(y₀)，∑_u(y₀)]

h(u)，h(u)′分别表示模型W与模型W′的空间颜色直方图；

步骤a4：使用纹理特征的LBP统计直方图描述模型W，W′；

LBP算子定义为3*3的窗口内，将中心像素点与相邻8个像素点灰度值分别进行比较，若其相邻像素值大，则在对应相邻像素点的位置标记为1，否则为0；产生8位二进制数进行10进制转化，得到LBP值来反映3*3的窗口区域的纹理信息；假设3*3窗口区域中心像素坐标为(x_c，y_c)，如下式所示：

其中，g_c表示3*3窗口区域中心像素(x_c，y_c)处的灰度值，g₀，...，g₇表示相邻的8个像素点对应的灰度值；

纹理特征选用均值、标准方差与平滑度进行表示；统计直方图的表达式如下式所示：

v＝(M，σ，R)

其中，M，σ，R分别表示均值、标准方差、平滑度；L是灰度级总数，z_i代表第i个灰度级，e(z_i)表示灰度级分布中灰度为z_i的概率；

与空间特征类似，分别对模型W，W′使用LBP统计直方图进行描述：

v＝[M(x)，σ(x)，R(x)]

v′＝[M(y)，σ(y)，R(y)]

v，v′分别表示模型W，W′的LBP统计直方图，M(x)，σ(x)，R(x)表示模型W的均值、标准方差与平滑度；M(y)σ(y)，R(y)表示模型W′的均值、标准方差与平滑度。