一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法
【專利摘要】本發(fā)明涉及一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法，包括兩個(gè)階段：第一為學(xué)習(xí)階段，先讀入一組人體行走的訓(xùn)練樣本，通過(guò)降維算法將人體前景形狀映射為低維空間中的坐標(biāo)，得到低維人體形狀空間，再通過(guò)插值重建算法還原人體前景形狀，得到可實(shí)現(xiàn)低維映射到高維的插值重建算法的參數(shù)；第二為跟蹤階段，在低維人體形狀空間里尋找到視頻幀中的人體最佳核形狀，再利用均值移位算法對(duì)視頻幀中的人體進(jìn)行跟蹤。與現(xiàn)有技術(shù)相比，本發(fā)明方法改善了傳統(tǒng)均值移位算法中核函數(shù)形狀，使得核函數(shù)形狀不是固定的，而是根據(jù)跟蹤目標(biāo)人體形狀變化而自適應(yīng)變化，再在高維空間進(jìn)行核函數(shù)直方圖建模和匹配，從而提高人體跟蹤技術(shù)的性能。
【專利說(shuō)明】一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明涉及一種圖像處理與計(jì)算機(jī)視覺【技術(shù)領(lǐng)域】，尤其是涉及一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法。
【背景技術(shù)】
[0002]目標(biāo)跟蹤是視頻監(jiān)督中的一個(gè)重要分支，近年來(lái)取得了很大的進(jìn)展。目前在目標(biāo)跟蹤走向?qū)嵱没倪^(guò)程中，卻遇到了很多問(wèn)題，如物體遮擋、背景低對(duì)比度、復(fù)雜物體運(yùn)動(dòng)等等，其中最主要的問(wèn)題就是人體跟蹤問(wèn)題，這是因?yàn)槿梭w屬于非剛性物體結(jié)構(gòu)，即是有形變的物體，尤其是在人體運(yùn)動(dòng)時(shí)，人體形狀是變化的，這就大大增加了目標(biāo)跟蹤的難度，這既是制約目標(biāo)跟蹤實(shí)際應(yīng)用的瓶頸，又是目標(biāo)跟蹤研究中的熱點(diǎn)和難點(diǎn)。
[0003]近幾十年國(guó)內(nèi)外許多研究者開始對(duì)目標(biāo)跟蹤進(jìn)行研究，這些方法可分為三類:第一類是基于點(diǎn)的目標(biāo)跟蹤法，即通過(guò)檢測(cè)和匹配每幀中目標(biāo)特征點(diǎn)來(lái)跟蹤目標(biāo)，其中單點(diǎn)目標(biāo)跟蹤方法適合于跟蹤小目標(biāo)物體，對(duì)于比較大的跟蹤目標(biāo)，可采用多點(diǎn)目標(biāo)跟蹤方法，即通過(guò)檢測(cè)和匹配每幀中目標(biāo)的多個(gè)特征點(diǎn)實(shí)現(xiàn)對(duì)目標(biāo)進(jìn)行跟蹤，這種方法不適合于特征點(diǎn)誤檢測(cè)和目標(biāo)被遮擋的情況，對(duì)這類情況該方法常常表現(xiàn)得無(wú)能為力；第二類是基于輪廓的目標(biāo)跟蹤法，通過(guò)描述目標(biāo)輪廓實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤，這種方法比較靈活，并且可以處理各種各樣輪廓的目標(biāo)；第三種是基于核的目標(biāo)跟蹤法，通過(guò)模型區(qū)域來(lái)描述目標(biāo)，預(yù)測(cè)出物體的運(yùn)動(dòng)，實(shí)現(xiàn)目標(biāo)的跟蹤。
[0004]在基于核的目標(biāo)跟蹤法中，均值移位算法是一種有效的非參數(shù)方法，它是根據(jù)核密度估計(jì)樣本分布從而尋找最近的點(diǎn)模式，它具有低計(jì)算量、容易實(shí)現(xiàn)、實(shí)時(shí)響應(yīng)以及良好的跟蹤魯棒性等優(yōu)點(diǎn)，因此目前非常流行并廣泛應(yīng)用在目標(biāo)跟蹤。但是經(jīng)典的均值移位算法還存著許多不足，其中最主要的問(wèn)題之一就是目標(biāo)的形體變化問(wèn)題。視頻中目標(biāo)形體變化一般可分為有兩類，一類是全局變化，另一類是目標(biāo)自形變。
[0005]全局變化包括目標(biāo)尺寸和目標(biāo)旋變化，目標(biāo)尺寸變化是由于透視效果造成的尺寸上的變化，在對(duì)物體進(jìn)行跟蹤時(shí)，這就要求跟蹤框可以隨著目標(biāo)尺寸的變化而變化；當(dāng)目標(biāo)發(fā)生旋轉(zhuǎn)時(shí)，也需要跟蹤框跟隨目標(biāo)進(jìn)行旋轉(zhuǎn)。解決的辦法就是嘗試不同的核帶寬和不同的核角度來(lái)選擇合適的核帶寬和核角度，從而使得跟蹤框可以跟隨目標(biāo)的變化而變化。
[0006]目標(biāo)自形變指當(dāng)目標(biāo)是非剛性物體并且運(yùn)動(dòng)時(shí)通常會(huì)有自身的形變，如人體行走，這時(shí)傳統(tǒng)均值移位算法中的對(duì)稱規(guī)則核，如矩形核、橢圓核等，已不能準(zhǔn)確地描述物體的形狀，在跟蹤人體目標(biāo)時(shí)傳統(tǒng)均值移位算法的橢圓形或矩形核函數(shù)包含有背景區(qū)域的點(diǎn)，這些點(diǎn)就會(huì)作為人體前景點(diǎn)在跟蹤過(guò)程中起作用，這就會(huì)導(dǎo)致跟蹤定位不準(zhǔn)確，出現(xiàn)誤跟蹤、丟失跟蹤目標(biāo)等問(wèn)題。此外，傳統(tǒng)的均值移位算法只能對(duì)人體目標(biāo)跟蹤定位，而無(wú)法準(zhǔn)確地描繪出人體形狀。

【發(fā)明內(nèi)容】

[0007]本發(fā)明的目的就是為了克服上述現(xiàn)有技術(shù)存在的缺陷而提供一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法。
[0008]本發(fā)明的目的可以通過(guò)以下技術(shù)方案來(lái)實(shí)現(xiàn):一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法，其特征在于，包括兩個(gè)階段:第一為學(xué)習(xí)階段，先讀入一組人體行走的訓(xùn)練樣本，通過(guò)降維算法將人體前景形狀映射為低維空間中的坐標(biāo)，得到低維人體形狀空間，再通過(guò)插值重建算法還原人體前景形狀，得到可實(shí)現(xiàn)低維映射到高維的插值重建算法的參數(shù)；第二為跟蹤階段，具體跟蹤方法按以下步驟處理:
[0009]步驟1.讀入與訓(xùn)練樣本同樣拍攝角度的包含被跟蹤人體的視頻，先把視頻分解成1+1幀圖像Fk，k=0，1，…，1，定義初始幀時(shí)k=0，再在初始幀中進(jìn)行參數(shù)初始化:(11)確定被跟蹤人體在初始幀中的邊緣形狀和位置yk，并以此邊緣形狀作為核形狀shapek,定義j為人體跟蹤次數(shù)變量，t為人體跟蹤次數(shù)上限；(12)建立幀F(xiàn)k中被跟蹤人體的核形狀Shapek在位置yk的模型，并將初始幀中被跟蹤人體的模型作為標(biāo)準(zhǔn)目標(biāo)模型；
[0010]步驟2.判斷當(dāng)前幀F(xiàn)k是否為視頻幀序列的最后一幀F(xiàn)1,若是則視頻跟蹤結(jié)束，跳出循環(huán)，否則更新k=k+l, j=l，讀取下一幀F(xiàn)k,令幀F(xiàn)k中的核形狀shapek = Shapelrf,位置Yk=Yk-1，繼續(xù)人體跟蹤；
[0011]步驟3.以當(dāng)前幀F(xiàn)k中被跟蹤人體的位置yk為起始搜索位置，用均值移位跟蹤算法在起始搜索位置附近搜索得到當(dāng)前幀中被跟蹤人體的最佳位置；
[0012]步驟4.以當(dāng)前幀F(xiàn)k中被跟蹤人體的核形狀Shapek為起始搜索核形狀，在學(xué)習(xí)階段得到的低維人體形狀空間中，尋找被跟蹤人體核形狀對(duì)應(yīng)的理想坐標(biāo)，利用插值重建算法重建對(duì)應(yīng)的高維特征，并利用高維特征重建最佳核形狀；
[0013]步驟5.判斷是否 滿足j>t,是則返回步驟2,否則更新j=j+l,返回步驟3。
[0014]步驟(12)所述的建立幀F(xiàn)k中被跟蹤人體的核形狀Shapek在位置yk的模型的具體過(guò)程為，
[0015]121)先計(jì)算核函數(shù)Kk(Xi),核函數(shù)的計(jì)算公式為，
【權(quán)利要求】
1.一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法，其特征在于，包括兩個(gè)階段:第一為學(xué)習(xí)階段，先讀入一組人體行走的訓(xùn)練樣本，通過(guò)降維算法將人體前景形狀映射為低維空間中的坐標(biāo)，得到低維人體形狀空間，再通過(guò)插值重建算法還原人體前景形狀，得到可實(shí)現(xiàn)低維映射到高維的插值重建算法的參數(shù)；第二為跟蹤階段，具體跟蹤方法按以下步驟處理:步驟1.讀入與訓(xùn)練樣本同樣拍攝角度的包含被跟蹤人體的視頻，先把視頻分解成1+1幀圖像Fk，k=0,1，…，1，定義初始幀時(shí)k=0，再在初始幀中進(jìn)行參數(shù)初始化:(11)確定被跟蹤人體在初始幀中的邊緣形狀和位置yk，并以此邊緣形狀作為核形狀shapek,定義j為人體跟蹤次數(shù)變量，t為人體跟蹤次數(shù)上限；(12)建立幀F(xiàn)k中被跟蹤人體的核形狀Shapek在位置yk的模型，并將初始幀中被跟蹤人體的模型作為標(biāo)準(zhǔn)目標(biāo)模型；步驟2.判斷當(dāng)前幀F(xiàn)k是否為視頻幀序列的最后一幀F(xiàn)1，若是則視頻跟蹤結(jié)束，跳出循環(huán)，否則更新k=k+l, j=l,讀取下一幀F(xiàn)k,令幀F(xiàn)k中的核形狀Shapek=Shapelrf,位置yfyH，繼續(xù)人體跟蹤；步驟3.以當(dāng)前幀F(xiàn)k中被跟蹤人體的位置yk為起始搜索位置，用均值移位跟蹤算法在起始搜索位置附近搜索得到當(dāng)前幀中被跟蹤人體的最佳位置；步驟4.以當(dāng)前幀F(xiàn)k中被跟蹤人體的核形狀Shapek為起始搜索核形狀，在學(xué)習(xí)階段得到的低維人體形狀空間中，尋找被跟蹤人體核形狀對(duì)應(yīng)的理想坐標(biāo)，利用插值重建算法重建對(duì)應(yīng)的高維特征，并利用高維特征重建最佳核形狀；步驟5.判斷是否滿足j>t，是則返回步驟2，否則更新j=j+l，返回步驟3。
2.根據(jù)權(quán)利要求1所述的一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法，其特征在于，步驟(12)所述的建立幀F(xiàn)k中被跟蹤人體的核形狀Shapek在位置yk的模型的具體過(guò)程為，121)先計(jì)算核函數(shù)Kk(Xi),核函數(shù)的計(jì)算公式為，
3.根據(jù)權(quán)利要求2所述的一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法，其特征在于，實(shí)施步驟3跟蹤最佳位置的具體過(guò)程為:(31)初始化:定義位置變量Λ=Λ，iP為位置跟蹤次數(shù)變量，np為位置跟蹤次數(shù)上限，并預(yù)設(shè)ip=l ;(32)建立幀F(xiàn)k中被跟蹤人體的核形狀Shapek在位置Λ的模型，記為第一候選模型，計(jì)算第一候選模型與標(biāo)準(zhǔn)目標(biāo)模型的相似度，記竹P1(33)更新幀F(xiàn)k中被跟蹤人體的位置得到新位置J)2,
4.根據(jù)權(quán)利要求3所述的一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法，其特征在于，實(shí)施步驟4跟蹤最佳核形狀的具體過(guò)程為:(41)初始化:411)計(jì)算訓(xùn)練樣本的身高和腹部寬度的比例rf，并利用該比例歸一化調(diào)整核形狀Shapek，在低維人體形狀空間中找到幀F(xiàn)k中被跟蹤人體的當(dāng)前核形狀shape,對(duì)應(yīng)的坐標(biāo)Shapexkci,并定義坐標(biāo)變量Shapexkis,預(yù)設(shè)其初始值為shapexk。；412)建立幀F(xiàn)k中被跟蹤人體的核形狀Shapek在位置yk的模型，并計(jì)算該模型與標(biāo)準(zhǔn)目標(biāo)模型之間的相似度，定義Shapexmax和C分別為迭代過(guò)程中搜索到的最佳核形狀對(duì)應(yīng)的坐標(biāo)和相似度，預(yù)設(shè)shapexmax=shapexk
5.根據(jù)權(quán)利要求4所述的一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法，其特征在于，所述的計(jì)算候選模型與標(biāo)準(zhǔn)目標(biāo)模型之間的相似度的方法具體是，選取Bhattacharyya系數(shù)作為相似性函數(shù)計(jì)算兩者之間的相似度，Bhattacharyya系數(shù)的計(jì)算方法為，
6.根據(jù)權(quán)利要求4所述的一種基于自適應(yīng)核函數(shù)和均值移位的人體跟蹤方法，其特征在于，所述的插值重建算法為徑向基核函數(shù)算法。
【文檔編號(hào)】G06K9/00GK103559723SQ201310488684
【公開日】2014年2月5日 申請(qǐng)日期:2013年10月17日 優(yōu)先權(quán)日:2013年10月17日
【發(fā)明者】劉春梅 申請(qǐng)人:同濟(jì)大學(xué)