多特征动态加权的目标跟踪算法

技术领域

本发明属于计算机视觉领域，特别涉及一种多特征动态加权的目标跟踪算法。

背景技术

运动目标的检测与跟踪作为计算机视觉领域的研究热点。其主要利用计算机视觉技术检测和跟踪运动物体从而得到一个目标物体完整的运动方向和轨迹，同时在这个过程中针对一些可能遇到的复杂物体的遮挡、背景环境的干扰、光照强度的变化等问题做出合理的解决措施，从而实现良好的跟随效果。并相应的产生了一系列基于特征模型，区域，主动轮廓的跟踪算法；其中基于特征模型的方法主要通过判别目标的色彩、纹理等易区分且较为显著的特征进行跟踪，并检测、定位运动目标位置，尽量减少视频数据处理量，从而保证实时地跟踪运动目标。

传统的CamShift算法以一维颜色直方图为目标特征，将采集到的RGB图像转换到HSV空间中，将之后的每帧图像地H值的一维颜色直方图地都进行反向投影，获得目标物体的颜色概率分布图，投影得到的图像中的每一个值都代表输入图像上对应点属于目标图像的概率，输出图像中值越高的点，就越接近要寻找的目标，并根据目标的形状变化或距离变化自动调节目标框尺寸以及角度，通过迭代搜寻最相似区域。CamShift跟踪算法主要包括三个主要步骤：一是颜色直方图反向投影，二是Meanshift算法匹配目标质心，三是自适应调整目标框。

目前传统的CamShift及其改进算法大多为基于颜色特征的跟踪很容易受到与目标具有相似特征的对象及背景的干扰，只适用于光照变化不明显及遮挡等干扰因素较弱的简单场景下的跟踪，易受光强变化、相似颜色物体及背景和遮挡的影响，从而影响跟踪甚至目标丢失，其中一些改进的算法再引入其他特征时，忽略了特征之间的耦合关系，抗干扰能力较差；另外一些改进算法虽然引入了用于预测的贝叶斯概率和卡尔曼滤波的方法，提高了跟踪的准确性但是由于其计算量过大，难以保证跟踪的实时性；还有其他的方法虽然改进了目标特征模型，改善了跟踪效果，但在较为复杂的场景中跟踪效果并不理想，容易受到干扰，很难应用到实际，所以需要融合其他特征以提高跟踪的鲁棒性。

发明内容

本发明公开了一种多特征动态加权的目标跟踪算法，解决了传统的目标跟踪算法在光照变化等复杂场景下的跟踪效果不佳的缺陷。

为了达到上述目的，本发明的技术解决方案是：

多特征动态加权的目标跟踪算法，具体步骤如下：

步骤1)、将框选的目标图像进行滤波处理，从RGB空间转化到HSV空间，并提取H分量；

步骤2)、分别使用LBP算子和分数阶模板提取纹理特征和边缘特征，并建立对应的颜色、纹理和边缘直方图；

步骤3)、使用动态权值计算融合概率分布图，并进行概率分布图修正，若目标框过度扩张则进行目标框限定；

步骤4)、对之后的每一帧图像使用Meanshift算法进行概率分布图的最优匹配，直至满足收敛条件或者跟踪结束。

与现有技术相比，本发明的有益效果：

本发明将传统的CamShift算法进行改进，提出了一种多特征动态加权的目标跟踪算法，通过结合目标的颜色、边缘信息、纹理信息特征构成基于颜色特征的边缘直方图和纹理直方图。再利用对融合概率密度分布图的修正和对目标框的限定，有效的解决了相似颜色物体遮挡及光照和背景干扰等复杂场景下的干扰因素，提高了跟踪算法的跟踪精度和鲁棒性。

本发明将对各特征目标概率分布图进行修正，过滤掉较小的概率值。为了解决相似颜色物体及背景的干扰和大面积遮挡时，使得目标框仅在数次迭代之后便增长为原始目标框的数倍之大，最终导致跟踪失败问题，特提出目标框的限定，可以有效地解决大面积遮挡问题。

附图说明

图1是物体A的目标框选图；

图2是物体A颜色直方图；

图3是物体A边缘直方图；

图4是物体A纹理直方图；

图5是物体A融合反向投影图；

图6是物体B目标框选图；

图7是物体B颜色直方图；

图8是物体B边缘直方图；

图9是物体B纹理直方图；

图10是物体B融合反向投影图；

图11是本发明算法流程框图；

图12是目标C在传统的CamShift跟踪算法结果；

图13是目标C在本发明多特征动态加权的目标跟踪算法结果；

图14是目标C的跟踪误差图；

图15是目标D在传统CamShift跟踪算法结果；

图16是目标D在本发明多特征动态加权的目标跟踪算法结果；

图17是目标C的跟踪误差图。

具体实施方式

为了使本发明的目的、技术方案和优点更加清楚，下面将结合实施例对本发明作进一步地详细描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

为了提取目标的纹理信息，本发明算法采用LBP作为描述物体纹理特征的算子，该算子能够利用灰度图像在边缘处产生的变化能够有效地提取物体的纹理信息，从而描述物体的表面特性。为了提取目标的边缘信息，从而建立分数阶边缘特征检测模板，实现边缘信息的提取。本算法采取的融合方法是根据3个特征的贡献程度来动态分配各自权值的比重，即用当前帧的目标框下的某一特征的直方图和大小为当前目标框大一倍且同心的扩展框下的某一特征的直方图的相似性来判断权值分配的大小。

颜色特征的提取：将采集到的RGB空间图像转化为HSV空间图像，由于光照强度的变化对其中的H分量影响较小，故对框选区域中每个像素点进行统计，便得到该区域的H值直方图。

纹理特征模型的提取：LBP作为描述物体纹理特征的算子，利用灰度图像在边缘处产生的变化能够有效地提取物体的纹理信息，从而描述物体的表面特性，并且对旋转和光照变化具有较强的适应性，对噪声也有较好的抑制能力；且LBP作为一种点样本估计方式，容易与其它特征进行融合，计算量少，适用于跟踪算法中。LBP的计算过程为：在灰度图像中取一中心像素点，并记其灰度值为阈值；然后取3*3的邻域窗口，通过LBP算子来计算该区域的纹理信息。

边缘特征模型的提取：边缘特征作为图像的固有特征之一，能够较好的反映物体的边缘方向分布情况和轮廓信息，不易受颜色和光照的干扰。可作为目标区别于背景的重要特征使用。采用分数阶微分构建边缘检测算子，在对高频信号进行提升的同时，加强和保留了中低频信号，更好的保留了图像边缘的细节信息能够更好的提取和保留目标图像边缘的细节信息。本发明基于R-L分数阶微分的定义，建立分数阶边缘特征检测模板，实现边缘信息的提取。

一般来说，在M*N的图像f(x，y)上，进行边缘检测实际上是用m*m大小的掩模梯度算子进行线性滤波，为保证算法的实时性，检测模板大小选取3*3，且当P取0.5即R1＝-0.0997，R0＝0.7976时，该微分梯度算子效果最好，

本设计采用的Bhattacharya系数度量目标模型与候选模型之间的相似度，待匹配区域与目标区域的巴氏系数越大越接近1，则目标与候选区域就越相似，反之巴氏系数越小，则目标与候选区域就越不相似；为0时则表示两图之间完全没有关系。

本发明采取的融合方法是根据3个特征的贡献程度来动态分配各自权值的比重，即用当前帧的目标框下的某一特征的直方图和大小为当前目标框大一倍且同心的扩展框下的某一特征的直方图的相似性来判断权值分配的大小，则当前帧中融合得到的概率分布图中该特征的概率分布图所占的权值越大，反之权值越小。

改进的CamShift算法在对上述三种特征的概率分布图进行自适应融合时，待测目标每个像素块的该种特征属于所选目标的每个像素块特征值的概率会按归一化后的值存放到对应的位置。本设计将对各特征目标概率分布图进行修正，以0.4倍的最大的概率值为阈值过滤掉较小的概率值。为了解决再某些干扰情况下目标框仅在数次迭代之后便增长为原始目标框的数倍之大，最终导致跟踪失败。特提出目标框的限定；当当前帧目标框尺寸超过初始目标框大小的1.5倍时，用1.5倍大小的初始目标框代替及限制该目标框，可以有效地解决大面积遮挡问题。

以下以两种目标框选图说明上述三种特征直方图，并用两种跟随过程展示传统算法和改进算法的区别。

对图1中物体A进行目标选取，其颜色特征直方图、纹理特征直方图和边缘特征直方图分别如图2、3和4所示，其融合反向投影图如图5所示。对图6中物体B进行目标选取，其颜色特征直方图、纹理特征直方图和边缘特征直方图分别如图7、8和9所示，其融合反向投影图如图10所示。

算法流程仿真图如图11所示。

当跟随的目标A为浅红色且带一定纹理特征的长方体海绵，用一体积约为该长方体三倍大的红色球体从目标右后方滚动到左后方作为干扰。使用传统算法和改进算法进行跟踪的结果分别如图12和图13所示，两种算法下的跟踪误差如图14所示。

当在较暗光线下以一黑色小车为跟随目标B，同色背景墙为干扰物时，使用传统算法和改进算法进行跟踪的结果分别如图15和图16所示，两种算法下的跟踪误差如图17所示。

以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。任何熟悉该技术的人在本发明所揭露的技术范围内的局部修改或替换，都应涵盖在本发明的包含范围之内。