(19)中华人民共和国国家知识产权局
(12)发明专利说明书
(10)申请公布号 CN 102800108 A
(43)申请公布日 2012.11.28
(21)申请号 CN201210239637.7
(22)申请日 2012.07.11
(71)申请人 上海交通大学
    地址 200240 上海市闵行区东川路800号
(72)发明人 敬忠良 刘荣利 金博 王勇 潘汉
(74)专利代理机构 上海汉声知识产权代理有限公司
    代理人 郭国中
(51)Int.CI
      G06T7/20
                                                                  权利要求说明书 说明书 幅图
正则化最小二乘问题(54)发明名称
      基于局部约束最小二乘估计的视觉目标跟踪方法
(57)摘要
      本发明提供一种基于局部约束最小二乘估计的视觉目标跟踪方法。1)本发明利用局部约束最小二乘估计，给出目标的拓扑结构的描述。充分探讨了目标片区域信息之间的关系，这有助于处理目标遮挡及相似目标干扰问题。2)本发明基于巴氏系数定义两个拓扑结构的相似度度量。在粒子滤波框架下给出目标跟踪结果。实验结果表明本发明所提出的方法比所比较的方法有更好的跟踪精度。
法律状态
法律状态公告日
法律状态信息
法律状态
权 利 要 求 说 明 书
1.一种基于局部约束最小二乘估计的视觉目标跟踪方法，包括如下步骤：           
第一步，对模板图像经过分辨率调整后，利用一个滑动小窗口，每次水平方            向或垂直方向滑动q个像素，由此得到多个片区域，每个片区域用其对应的向量            化的颜特征来描述，记为S={s<sub>i</sub>∈R<sup>d</sup>|i＝1,…,M}；           
第二步，对第一步得到的颜特征集合建立一个拓扑结构，即将每个元素看做一            个顶点，建立一个邻接图；邻接图中边的权重的计算如下：           
每个向量化的片区域用其他所有的向量化片区域来表示，即这里的系数a<sub>ij</sub>(i≠j)通过求解局部约束最小二乘问题给出；           
令A=(|a<sub>ij</sub>|)，其对角线元素为0，该矩阵反映模板中片区域信息间的拓扑结            构；           
第三步，对通过粒子采样得到的目标候选区域做与模板图像同样的工作，建            立该候选区域对应的拓扑结构；令l为粒子指标；           
第四步，利用巴氏系数度量A和B<sup>(l)</sup>的相似度；           
第五步，根据第四步的相似度度量得到粒子的权重，利用MAP估计得到目            标的跟踪结果。           
2.根据权利要求1所述的基于局部约束最小二乘估计的视觉目标跟踪方法，            其特征是，在第一步中，所述的把模板图像经过分辨率调整，利用子滑动窗口得            到多个重叠的片区域，片区域内灰度或RGB向量化特征来描述该片区域的信息。           
3.根据权利要求1所述的基于局部约束最小二乘估计的视觉目标跟踪方法，            特征是，第二步中所述的建立模板片区域信息间的邻接图，即拓扑结构，是指利            用局部约束最小二乘估计对每一个片区域信息用其它所有片区域信息来编码，编            码系数用来衡量其
它片区域信息对该片区域信息的贡献度。           
4.根据权利要求1所述的基于局部约束最小二乘估计的视觉目标跟踪方法，            其特征是，在第三步中，通过粒子滤波传播得到的多个候选目标，对每个候选目            标建立其拓扑结构，具体做法和构建模板的拓扑结构相同，具体说，对粒子                对应的候选区域提取重叠的向量化的片区域片信            息与剩下的所有片信息的关系可先行表述为其对应稀疏            的求解通过局部约束最小二乘估计得到，得到矩阵B<sup>(l)</sup>。           
5.根据权利要求1所述的基于局部约束最小二乘估计的视觉目标跟踪方法，            其特征是，第四步中的相似度度量的定义，具体实现为：           
对两个拓扑结构A和B<sup>(l)</sup>，令Acol和分别为A和B<sup>(l)</sup>的col列，并且对每            一列对归一化，即那么，该两矩阵巴氏系数定义为            <maths><math><mrow><mi>sim</mi><mrow><mo>(</mo><mi>A</mi><mo>,</mo><msup><mi>B</mi><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msup><mo>)</mo></mrow><mo>=</mo><munder><mi>Σ</mi><mi>col</mi></munder><munder><mi>Σ</mi><mi>j</mi></munder><msqrt><msubsup><mi>B</mi><mrow><mi>col</mi><mo>,</mo><
mi>j</mi></mrow><mrow><mo>(</mo><mi>l</mi><mo>)</mo></mrow></msubsup><msub><mi>A</mi><mrow><mi>col</mi><mo>,</mo><mi>j</mi></mrow></msub></msqrt><mo>.</mo></mrow></math></maths>
6.根据权利要求1所述的基于局部约束最小二乘估计的视觉目标跟踪方法，            其特征是，第五步中目标状态的估计，利用最大后验估计获得。           
7.根据权利要求1所述的基于局部约束最小二乘估计的视觉目标跟踪方法，            其特征是：所述颜特征为RGB特征或者灰度特征。           
说  明  书
<p>技术领域   
本发明涉及的是一种计算机视觉领域中的视觉目标跟踪方法。具体地说，涉及        的是一种基于局部约束最小二乘估计的视觉目标跟踪方法。       
背景技术   
当前跟踪技术主要分两大类：确定性和统计性方法。确定性方法如Mean        Shift(MS)跟踪器[D.Comaniciu，V.Ramesh，and P.Meer.Real-time tracking of        non-rigid objects using mean shift.CVPR，pp.142-149，2000.]，目标的位置通过迭代        性地最大化目标模板和候选者的相似度得到。虽然该方法在计算上非常有效，但        其对背景干扰、杂波、遮挡等敏感。一旦丢失目标，依靠自身很难恢复跟踪。这        个问题可通过统计方法得到缓解。统计方法如粒子滤波[K.Nummiaroa，E.        Koller-Meierb，and L.V.Gool.An Adaptive Color-Based Pa rticle Filter[J].Image and        Vision Computing，vol.21，pp.99-110，2003.]在状态空间维持多个假设，以此获取        更多的鲁棒性。这些文献利用直方图特征来描述一个区域的表观。因为对于直方        图来说，目标的空间信息利用的很少，从而导致跟踪性能不准确及不能处理遮挡。       
人们提出各种方法来解决空间信息缺乏问题。文[S.Birchfield，S.Rangarajan.        Spatiograms versus histograms for region-based tracking.CVPR，pp.1158-1163，        2005.]把颜的位置的一阶和二阶矩信息添加到直方图的每个箱子里。[K.Okuma，        A.Taleghani，N.D.Freitas，J.Little and D.G.Lowe.A boosted pa rticle filter：multitarget        detection and tracking.ECCV，pp.28-39，2004.]，[E.Maggio and A.Cavallaro.        Multi-p
art target representation for colour tracking.ICIP,pp.729-732，2005.]对目标        的不同部分采用多个直方图来补偿空间信息。[H.Wang，D.Suter and K.Schindler.        Effective appearance model and similarity measure for particle filtering and visual        tracking.ECCV，pp.606-618，2008.]通过加入空间信息给出了空间-颜的高斯混合        表观模型。Adam[A.Adam，E.Rivlin and I.Shimshoni.Robust fragments-based        tracking using the integral histogram.CVPR，vol.1，pp.798-805，2006.]把目标分成        不重叠的片区域，每个片区域通过比较模板图像对应部分来打分，然后所有片区        域的相似度度量结合起来获得假设位置的似然度。       

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。