專(zhuān)利名稱(chēng)：一種利用方差率最優(yōu)解自適應(yīng)調(diào)整窗寬的跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明屬于安全防范視頻監(jiān)控領(lǐng)域，尤其是一種利用方差率最優(yōu)解自適應(yīng)調(diào)整窗 寬的跟蹤方法。
背景技術(shù)：
目標(biāo)跟蹤一直是計(jì)算機(jī)視覺(jué)研究領(lǐng)域的熱點(diǎn)問(wèn)題，其應(yīng)用領(lǐng)域包括視頻監(jiān)控、人 機(jī)用戶(hù)接口、虛擬現(xiàn)實(shí)等等。如何對(duì)視頻序列中的目標(biāo)進(jìn)行穩(wěn)健、有效的跟蹤是目標(biāo)跟蹤的 研究重點(diǎn)。因此，一個(gè)實(shí)用的跟蹤系統(tǒng)要求能夠?qū)崟r(shí)適應(yīng)復(fù)雜場(chǎng)景的變化并適應(yīng)目標(biāo)因各 種運(yùn)動(dòng)導(dǎo)致的外觀(guān)變化。對(duì)于當(dāng)前監(jiān)控市場(chǎng)比較流行的雙攝像頭監(jiān)控設(shè)備，其主要工作原理是一個(gè)定點(diǎn) 攝像機(jī)通過(guò)基于運(yùn)動(dòng)檢測(cè)方法檢測(cè)出運(yùn)動(dòng)目標(biāo)，另一個(gè)云臺(tái)攝像機(jī)根據(jù)定點(diǎn)攝像機(jī)檢測(cè)出 的運(yùn)動(dòng)目標(biāo)在圖像中的具體位置來(lái)實(shí)現(xiàn)跟蹤。但是大多定點(diǎn)攝像機(jī)使用的是廣角鏡頭，存 在監(jiān)測(cè)距離近，并且存在監(jiān)控角度受限的弱點(diǎn)，不能充分發(fā)揮云臺(tái)攝像機(jī)的功能，因此單攝 像機(jī)跟蹤一直是監(jiān)控領(lǐng)域關(guān)注的熱點(diǎn)。由于在鏡頭連續(xù)轉(zhuǎn)動(dòng)的時(shí)候，采集的圖像背景是不 斷變化的，繼續(xù)采用穩(wěn)定背景的運(yùn)動(dòng)檢測(cè)方法就不太適合了，而基于目標(biāo)特征的跟蹤方法 可以只關(guān)注要跟蹤目標(biāo)的特征而不考慮背景信息，因此采用基于目標(biāo)特征的跟蹤方法勢(shì)在 必行。Mean shift是一種尋找局部極值分布的魯棒的統(tǒng)計(jì)方法。它是在一個(gè)事先分配好 可能性分布的搜索窗口中進(jìn)行搜索。在搜索窗范圍內(nèi)由一個(gè)簡(jiǎn)單的取平均運(yùn)算值計(jì)算出該 窗口的顏色概率分布趨勢(shì)，然后將搜索窗口中心重新定位到新的重心位置并反復(fù)執(zhí)行，直 至找到局部極值點(diǎn)為止。因mean shift在特征空間搜索中所具有的高效性，近年來(lái)已較好 地應(yīng)用在實(shí)時(shí)目標(biāo)跟蹤領(lǐng)域中。傳統(tǒng)mean shift跟蹤方法是一種基于顏色空間進(jìn)行模式匹配的方法，當(dāng)滿(mǎn)足如下 條件時(shí)該方法的跟蹤效果最優(yōu)(1)目標(biāo)物體主要只存在一種顏色分布；(2)目標(biāo)物體的顏 色是恒定的；(3)光源亮度變化比較穩(wěn)定；(4)沒(méi)有其他的相似物體；(5)背景顏色與目標(biāo) 顏色容易區(qū)分；(6)沒(méi)有全遮擋情況發(fā)生。因此當(dāng)背景顏色分布與目標(biāo)物體顏色接近或者 有相似物體接近時(shí)，方法效果就變得很敏感。針對(duì)這種弱點(diǎn)，國(guó)內(nèi)外學(xué)者提出不同的解決方 式，像Allan et al.提出的Weight histogram、Ratio histogram方法，分別通過(guò)對(duì)目標(biāo)物 體加核窗和對(duì)背景區(qū)域顏色進(jìn)行削弱的方法來(lái)抑制外界的干擾，但是效果也并不十分顯著 而且伴隨其他的弱點(diǎn)。適應(yīng)物體形變也是目前mean shift跟蹤方法的難點(diǎn)。Mean shift方法中最原始 的確定窗口大小是利用核窗寬作正負(fù)10%增量修正后的跟蹤窗口進(jìn)行跟蹤，并選擇較大 Bhattacharyya系數(shù)對(duì)應(yīng)的核窗寬作為最佳核窗寬。實(shí)驗(yàn)發(fā)現(xiàn)，該方法只能對(duì)尺寸逐漸縮 小的目標(biāo)有較好的跟蹤效果。其他文獻(xiàn)也有利用視頻前后兩幀中目標(biāo)的角點(diǎn)匹配估計(jì)剛性 物體的仿射模型參數(shù)，并由此來(lái)更新窗寬，但是因?yàn)橐蕾?lài)角點(diǎn)匹配，不適合非剛性物體的跟 蹤。還有的文獻(xiàn)采用不對(duì)稱(chēng)核函數(shù)來(lái)擴(kuò)展mean shift方法獲得目標(biāo)的大小和方向，但該方法僅適用與輪廓特征不變的目標(biāo)。通過(guò)檢索，尚未發(fā)現(xiàn)與本專(zhuān)利申請(qǐng)相同的公開(kāi)專(zhuān)利文件。

發(fā)明內(nèi)容
本發(fā)明的目的在于克服現(xiàn)有技術(shù)的不足之處，提供一種利用方差率最優(yōu)解自適 應(yīng)調(diào)整窗寬的mean shift跟蹤方法，利用mean shift方法在選定最優(yōu)特征空間上按照 目標(biāo)新權(quán)重迭代搜索，然后再用空間灰度直方圖進(jìn)行mean shift迭代來(lái)重新矯正目標(biāo)位 置，在尺寸控制上利用方差率(方差率指的是目標(biāo)區(qū)域直方圖與周?chē)尘碍h(huán)形區(qū)域直方 圖的一個(gè)指標(biāo)特性，其計(jì)算方式來(lái)自于文獻(xiàn)Robert Τ. Collins and Yanxi Liu, "On-line Selection ofDiscriminative Tracking Features”，后面提到的方差率都是按照該計(jì)算方 式得出的)約束與巴氏系數(shù)結(jié)合的方法確定目標(biāo)大小，解決了利用mean shift方法進(jìn)行目 標(biāo)跟蹤中存在的窗口難以調(diào)控的難題，即使在攝像機(jī)變倍的情況下仍能準(zhǔn)確的調(diào)整窗口大 小，實(shí)現(xiàn)復(fù)雜環(huán)境下的有效跟蹤。本發(fā)明的目的是通過(guò)如下技術(shù)方案實(shí)現(xiàn)的。一種利用方差率最優(yōu)解自適應(yīng)調(diào)整窗寬的mean shift跟蹤方法，包括以下步驟(1)讀取第一幀視頻，選定要跟蹤的目標(biāo)，保存目標(biāo)初始模板，依據(jù)方差率計(jì)算出 第一幀的最優(yōu)特征空間，并保存該當(dāng)前幀最優(yōu)特征空間索引號(hào)和當(dāng)前幀最優(yōu)特征空間的方 差率值，計(jì)算新的權(quán)重分配模型并保存其對(duì)應(yīng)的新權(quán)重下的直方圖模板，第一幀處理完畢， 讀取下一幀視頻；(2)處理讀取的視頻，若前一幀計(jì)算的最優(yōu)特征空間方差率值大于設(shè)定閾值，則將 前一幀保存的特征空間索引號(hào)延續(xù)到當(dāng)前幀，依據(jù)前一幀保存的新權(quán)重分配模型和新權(quán)重 模板在該索引號(hào)下的當(dāng)前幀特征空間中用mean shift迭代，然后在該特征空間下以空間灰 度直方圖模板和EpanechnikovKernel核窗用mean shift迭代出目標(biāo)坐標(biāo)，若前一幀計(jì)算 的最優(yōu)特征空間方差率小于設(shè)定閾值，則在彩色RGB空間中用mean shift迭代出目標(biāo)坐 標(biāo)；(3)根據(jù)當(dāng)前幀特征空間下的方差率大小約束與巴氏系數(shù)調(diào)整目標(biāo)窗尺寸；(4)模板更新，并計(jì)算當(dāng)前幀的最優(yōu)特征空間，保存該最優(yōu)特征空間索引號(hào)和最優(yōu) 特征空間的方差率值，計(jì)算并保存新權(quán)重模型和其對(duì)應(yīng)的目標(biāo)直方圖模板；(5)返回目標(biāo)位置與大小，當(dāng)前幀視頻處理完畢，若視頻流未結(jié)束，讀取下一幀視 頻，轉(zhuǎn)到步驟(2)。而且，所述步驟(2)中的目標(biāo)新權(quán)重分配模型是在前一幀計(jì)算最優(yōu)特征空間的過(guò) 程中，根據(jù)目標(biāo)直方圖與背景區(qū)域直方圖的對(duì)數(shù)似然度函數(shù)結(jié)果計(jì)算出來(lái)的，其權(quán)重值的 計(jì)算過(guò)程是將似然度比值大于零的直方圖分量按比值大小分配權(quán)重，將似然度比值小于等 于零的直方圖分量權(quán)重值賦零，這樣分配的目的是加強(qiáng)前景與背景差異較大的直方圖分量 的權(quán)重，降低前景與背景差異較小的直方圖分量的權(quán)重。而且，所述步驟(3)中提到的方差率是在當(dāng)前幀使用的特征空間中，目標(biāo)與周?chē)?背景區(qū)域依據(jù)似然度函數(shù)求得的反投影圖的方差率大?。惶岢龅姆讲盥蚀笮〖s束是指當(dāng)最 優(yōu)特征空間的方差率大于某一個(gè)閾值時(shí)進(jìn)行窗口尺寸調(diào)整，窗口從縮小到放大的階段的所 有方差率中存在一個(gè)方差率極大值處；若極大值處對(duì)應(yīng)的窗口大小的直方圖模板與目標(biāo)模板滿(mǎn)足一定的巴氏系數(shù)閾值，則調(diào)整窗口大小。而且，所述窗口從縮小到放大的階段設(shè)定5級(jí)窗口縮放幅度，分別求出每級(jí)滿(mǎn)足 方差率極大值的窗口尺寸，以巴氏系數(shù)最大為標(biāo)準(zhǔn)，選出最好的窗口尺寸。而且，所述窗口尺寸調(diào)整增加對(duì)角線(xiàn)四方向斜向縮放尋找極大值，以巴氏系數(shù)最 大為標(biāo)準(zhǔn)輸出。而且，所述將窗口縮放后的巴氏系數(shù)小于原窗口巴氏系數(shù)一定閾值情況下的縮放 結(jié)果還原，將次情況判定為錯(cuò)誤解，不進(jìn)行窗口更新。本發(fā)明的有益效果在于1、本發(fā)明通過(guò)采用新權(quán)重來(lái)建立目標(biāo)直方圖進(jìn)行mean shift迭代，可以極大降低 目標(biāo)周?chē)尘跋笏貙?duì)迭代產(chǎn)生的不利影響，并降低了 mean shift迭代次數(shù)，提高效率。2、本發(fā)明通過(guò)采用方差率大小約束與巴氏系數(shù)共同調(diào)節(jié)窗口尺寸，可以準(zhǔn)確地獲 得當(dāng)前幀的目標(biāo)大小，克服傳統(tǒng)mean shift方法的弱點(diǎn)，對(duì)目標(biāo)變倍大小沒(méi)有絕對(duì)限制，對(duì) 目標(biāo)形變適應(yīng)性強(qiáng)，可以實(shí)現(xiàn)更準(zhǔn)確持久的跟蹤。3、本發(fā)明在已有的自適應(yīng)最優(yōu)特征空間選擇方法基礎(chǔ)上進(jìn)行改進(jìn)，首先建立新權(quán) 重直方圖和空間直方圖依次進(jìn)行mean shift迭代，解決傳統(tǒng)方法中易受背景干擾的缺點(diǎn)。 然后依據(jù)方差率最優(yōu)解與巴氏系數(shù)結(jié)合進(jìn)行窗口大小調(diào)整，并實(shí)時(shí)進(jìn)行模板更新，解決了 傳統(tǒng)meanshift方法中長(zhǎng)期存在的目標(biāo)大小標(biāo)定問(wèn)題。將本發(fā)明應(yīng)用在多組視頻上實(shí)驗(yàn)， 結(jié)果表明在窗口調(diào)整上相對(duì)傳統(tǒng)mean shift方法有明顯提高，即使在攝像機(jī)變倍下仍然能 夠準(zhǔn)確地調(diào)整窗口大小，跟蹤精度明顯提高。


圖1為本發(fā)明的流程框圖；圖2為本發(fā)明流程圖的具體實(shí)例；圖3為本發(fā)明調(diào)整窗口尺寸流程圖；圖4為本發(fā)明沿對(duì)角線(xiàn)搜索方差率極大值示意圖；其中圖4 (a)為矩形中心坐標(biāo)不 變示意圖；圖4(b)為四種斜方向調(diào)整尺寸大小示意圖。
具體實(shí)施例方式下面結(jié)合附圖并通過(guò)具體實(shí)施例對(duì)本發(fā)明作進(jìn)一步詳述，以下實(shí)施例只是描述性 的，不是限定性的，不能以此限定本發(fā)明的保護(hù)范圍。一種利用方差率最優(yōu)解自適應(yīng)調(diào)整窗寬的跟蹤方法，如圖二所示，包括以下步 驟步驟1，輸入第一幀圖象并進(jìn)行初始化設(shè)置(保存初始目標(biāo)模板，選擇第一幀的最 優(yōu)特征空間，保存最優(yōu)特征空間索引和方差率值，保存計(jì)算的新權(quán)重)。初始化目標(biāo)模板并計(jì)算第一幀的最優(yōu)特征空間通過(guò)手動(dòng)選擇感興趣目標(biāo)，保存 目標(biāo)彩色直方圖RGB模板，直方圖維數(shù)R (8bins) *G (8bins) *B (8bins) = 512bins。存儲(chǔ)各個(gè) 特征空間的灰度直方圖模板，直方圖維數(shù)取32bins。保存彩色直方圖的原因是當(dāng)最優(yōu)特征 空間并不滿(mǎn)足實(shí)際需求，即方差率低于一定閾值時(shí)，在彩色直方圖空間上進(jìn)行mean shift 迭代。
本方法使用到的特征空間均為顏色空間，分別是R、G、B、(R+G+B)/3、H、S、r、g、b， 其中H為色調(diào)、S為飽和度、r = R/(R+G+B)、G = G/(R+G+B)、B = B/(R+G+B)，依據(jù)公開(kāi)文獻(xiàn) 介紹的方法依次計(jì)算每一個(gè)特征空間的辨別力度，然后找出方差率最大的特征空間為最優(yōu) 特征空間，并依據(jù)其中間步驟生成新權(quán)重。
最優(yōu)特征空間下目標(biāo)直方圖各子模型分量的新權(quán)重分配按(1)、(2)式
‘1 LiO = Lmax WL(1) =\L(i)/Lmax 0 <Z(/)< Zmax(1)
0L(P) < 0 Lmax = max (L (i))(2)
= max (-2, min(2, log ——) 〈))其中公式(3)取自文獻(xiàn)"On-line Selection of Discriminative Tracking Features”，是計(jì)算方差率過(guò)程中的中間步驟，Lmax為L(zhǎng)(i)最大值。ρ⑴、q(i)分別代表前 景目標(biāo)與背景區(qū)的分布密度，δ設(shè)定為0.001，防止分母為零的情況。步驟2，若前一幀計(jì)算的最優(yōu)特征空間方差率大于設(shè)定閾值，按照新權(quán)重在最優(yōu)特 征空間mean shift迭代，然后再在該最優(yōu)特征空間上用空間灰度直方圖mean shift矯正 位置，若前一幀計(jì)算的最優(yōu)特征空間方差率小于設(shè)定閾值，則在彩色空間中迭代目標(biāo)位置。若前一幀計(jì)算的最優(yōu)特征空間方差率值大于設(shè)定閾值，則將前一幀計(jì)算的特征空 間索引號(hào)延續(xù)到當(dāng)前幀，按照前一幀計(jì)算的新權(quán)重分配和目標(biāo)新權(quán)重模板在當(dāng)前幀該索引 號(hào)下的特征空間中進(jìn)行mean shift迭代與傳統(tǒng)mean shift不同在于目標(biāo)模型與候選目 標(biāo)模型權(quán)重的改動(dòng)，將EpanechnikovKernel核用新權(quán)重WUi)代替，雖然使用的核窗不在是 傳統(tǒng)對(duì)稱(chēng)核窗，但是經(jīng)過(guò)實(shí)驗(yàn)驗(yàn)證一樣會(huì)產(chǎn)生收斂
ηqu =(^2>印/[6(式)—"]，"e[l,...,m],/e[l”..,/7](4)
i=\ ηft =(^2>印/[6(式)—"]，"e[l”..,m],/+e[l”..,/7](5)
i=l其它過(guò)程與標(biāo)準(zhǔn)mean shift—致。利用空間灰度直方圖進(jìn)行mean shift來(lái)矯正目標(biāo)位置實(shí)現(xiàn)過(guò)程完全按照公開(kāi) 文獻(xiàn)所述的方法執(zhí)行，只不過(guò)該文獻(xiàn)中用到的直方圖是HSV空間中形成的彩色空間直方 圖。而這里使用的是最優(yōu)特征空間對(duì)應(yīng)的灰度空間直方圖，灰度劃分為32級(jí)，空間層數(shù)取 2層。利用空間灰度直方圖由于包涵空間信息，所以可以得到理想的效果，輸出值為目標(biāo)的 圖像位置坐標(biāo)。步驟3，利用方差率大小約束與巴氏系數(shù)調(diào)整目標(biāo)窗尺寸。依據(jù)相鄰兩幀之間特征空間辨別力度的延續(xù)性，利用方差率對(duì)目標(biāo)物體狀態(tài)進(jìn)行 判定。判定過(guò)程設(shè)z1、z2、Z3分別代表當(dāng)前目標(biāo)窗、縮小目標(biāo)窗和放大目標(biāo)窗的尺寸大小 (長(zhǎng)或?qū)?。比例關(guān)系為ζ2 = ^(100-(1)%, ζ3 = Z1MlO(Hd) %，分別計(jì)算它們與相應(yīng)大 小背景區(qū)域的方差率，分別記為AVR^AVR^AVR3。按以下窗口判定規(guī)則進(jìn)行(1)若AVR1 > AVR2MAVRi > AVR3MAVRi > thd，則已找到極大值處，更新窗口尺寸 為z1，跳出判斷；
(2)若 AVR1 > AVR2MAVRi < AVR3MAVR3 > thd,則令 ζ1 = ζ3,繼續(xù)進(jìn)行判斷；(3)若 AVR1 < AVR2MAVRi > AVR3MAVR2 > thd,則令 z1 = z2，繼續(xù)進(jìn)行判斷；(4)若以上三種條件都不滿(mǎn)足，不更新窗口尺寸，跳出判斷；上述規(guī)則中，d為窗口增減幅度，thd為方差率限定閾值，本實(shí)施例中thd取160。依據(jù)窗口判定規(guī)則，如圖3所示，本步驟的處理過(guò)程如下(1)如圖4(a)所示，顏色由淺到深分別代表縮小窗口、原始窗口、放大窗口，目標(biāo) 窗口中心位置不變，縮放窗口尺寸，取四組增減幅度，本實(shí)施例中d分別取5、10、15、20。分 別尋找四種縮放幅度下的方差率極大值，最后保留與目標(biāo)模板巴氏系數(shù)最大的極大值下的 窗口尺寸。(2)如圖4(b)所示，顏色由淺到深分別代表縮小窗口、原始窗口、放大窗口，若前 一步驟沒(méi)有找到極大值處，那么分別沿斜對(duì)角線(xiàn)四個(gè)方向縮放尋找極大值，本實(shí)施例中d 取10、20，按四方向順序依次縮放搜索，若找到極大值，則保留窗口尺寸，停止其余方向的搜索。(3)進(jìn)一步篩選結(jié)果，若更新窗口尺寸與模板巴氏系數(shù)小于原窗口尺寸與模板巴 氏系數(shù)一定閾值(閾值本實(shí)施例中取0.02)或更新窗口尺寸與模板巴氏系數(shù)小于0.9。則 取消窗口尺寸更新。步驟4，模板更新。模板更新模板更新采用Collins和Liu的更新原則，即以初試模板分布為主要分 布，當(dāng)前模板為輔，更新公式如下
權(quán)利要求
1.一種利用方差率最優(yōu)解自適應(yīng)調(diào)整窗寬的跟蹤方法，其特征在于包括以下步驟(1)讀取第一幀視頻，選定要跟蹤的目標(biāo)，保存目標(biāo)初始模板，依據(jù)方差率計(jì)算出第一 幀的最優(yōu)特征空間，并保存該當(dāng)前幀最優(yōu)特征空間索引號(hào)和當(dāng)前幀最優(yōu)特征空間的方差率 值，計(jì)算新的權(quán)重分配模型并保存其對(duì)應(yīng)的新權(quán)重下的直方圖模板，第一幀處理完畢，讀取 下一幀視頻；(2)處理讀取的視頻，若前一幀計(jì)算的最優(yōu)特征空間方差率值大于設(shè)定閾值，則將前一 幀保留的特征空間索引號(hào)延續(xù)到當(dāng)前幀，依據(jù)前一幀保存的新權(quán)重分配模型和新權(quán)重模板 在該索引號(hào)下的當(dāng)前幀特征空間中用mean shift迭代，然后在該特征空間下以空間灰度直 方圖模板和EpanechnikovKernel核窗用mean shift迭代出目標(biāo)坐標(biāo)，若前一幀計(jì)算的最 優(yōu)特征空間方差率小于設(shè)定閾值，則在彩色RGB空間中用mean shift迭代出目標(biāo)坐標(biāo)；(3)根據(jù)當(dāng)前幀特征空間下的方差率大小約束與巴氏系數(shù)調(diào)整目標(biāo)窗尺寸；(4)模板更新，并計(jì)算當(dāng)前幀的最優(yōu)特征空間，保存該最優(yōu)特征空間索引號(hào)和最優(yōu)特征 空間的方差率值，計(jì)算并保存新權(quán)重模型和其對(duì)應(yīng)的目標(biāo)直方圖模板；(5)返回目標(biāo)位置與大小，當(dāng)前幀視頻處理完畢，若視頻流未結(jié)束，讀取下一幀視頻，轉(zhuǎn) 到步驟O)。
2.根據(jù)權(quán)利要求1所述的利用方差率最優(yōu)解自適應(yīng)調(diào)整窗寬的跟蹤方法，其特征在 于所述步驟O)中的目標(biāo)新權(quán)重分配模型是在前一幀計(jì)算最優(yōu)特征空間的過(guò)程中，根據(jù) 目標(biāo)直方圖與背景區(qū)域直方圖的對(duì)數(shù)似然度函數(shù)結(jié)果計(jì)算出來(lái)的，其權(quán)重值的計(jì)算過(guò)程是 將似然度比值大于零的直方圖分量按比值大小分配權(quán)重，將似然度比值小于等于零的直方 圖分量權(quán)重值賦零，這樣分配的目的是加強(qiáng)前景與背景差異較大的直方圖分量的權(quán)重，降 低前景與背景差異較小的直方圖分量的權(quán)重。
3.根據(jù)權(quán)利要求1所述的利用方差率最優(yōu)解自適應(yīng)調(diào)整窗寬的跟蹤方法，其特征在 于所述步驟(3)中提到的方差率是在當(dāng)前幀使用的特征空間中，目標(biāo)與周?chē)尘皡^(qū)域依 據(jù)似然度函數(shù)求得的反投影圖的方差率大小；提出的方差率大小約束是指當(dāng)最優(yōu)特征空間 的方差率大于某一個(gè)閾值時(shí)進(jìn)行窗口尺寸調(diào)整，窗口從縮小到放大的階段的所有方差率中 存在一個(gè)方差率極大值處；若極大值處對(duì)應(yīng)的窗口大小的直方圖模板與目標(biāo)模板滿(mǎn)足一定 的巴氏系數(shù)閾值，則調(diào)整窗口大小。
4.根據(jù)權(quán)利要求3所述的利用方差率最優(yōu)解自適應(yīng)調(diào)整窗寬的跟蹤方法，其特征在 于所述窗口從縮小到放大的階段設(shè)定5級(jí)窗口縮放幅度，分別求出每級(jí)滿(mǎn)足方差率極大 值的窗口尺寸，以巴氏系數(shù)最大為標(biāo)準(zhǔn)，選出最好的窗口尺寸。
5.根據(jù)權(quán)利要求3所述的利用方差率最優(yōu)解自適應(yīng)調(diào)整窗寬的跟蹤方法，其特征在 于所述窗口尺寸調(diào)整增加對(duì)角線(xiàn)四方向斜向縮放尋找極大值，以巴氏系數(shù)最大為標(biāo)準(zhǔn)輸 出ο
6.根據(jù)權(quán)利要求3所述的利用方差率最優(yōu)解自適應(yīng)調(diào)整窗寬的meanshift跟蹤方法， 其特征在于所述將窗口縮放后的巴氏系數(shù)小于原窗口巴氏系數(shù)一定閾值情況下的縮放結(jié) 果還原，將次情況判定為錯(cuò)誤解，不進(jìn)行窗口更新。
全文摘要
本發(fā)明涉及一種利用方差率最優(yōu)解自適應(yīng)調(diào)整窗寬的跟蹤方法，其中創(chuàng)新之處有在已有的多特征空間選擇mean shift框架下，提出一種新的目標(biāo)象素權(quán)重分配公式來(lái)取代傳統(tǒng)的EpanechnikovKernel核窗，有效降低背景干擾象素的權(quán)重，解決了傳統(tǒng)方法中易受背景干擾的缺點(diǎn)，并提出運(yùn)用方差率與巴氏系數(shù)共同控制目標(biāo)窗口縮放，解決了傳統(tǒng)mean shift方法中長(zhǎng)期存在的目標(biāo)大小標(biāo)定問(wèn)題。將本發(fā)明應(yīng)用在多組視頻上實(shí)驗(yàn)，結(jié)果表明在窗口調(diào)整上相對(duì)傳統(tǒng)mean shift方法有明顯提高，即使在攝像機(jī)變倍下仍然能夠準(zhǔn)確地調(diào)整窗口大小，跟蹤精度明顯提高。
文檔編號(hào)G06T5/40GK102074000SQ201010553789
公開(kāi)日2011年5月25日 申請(qǐng)日期2010年11月23日 優(yōu)先權(quán)日2010年11月23日
發(fā)明者于坤 申請(qǐng)人:天津市亞安科技電子有限公司