[发明专利]基于单纯形法的对象跟踪方法

说明书

技术领域

本发明属于计算机图形图像处理技术领域。

背景技术

目前对象跟踪方法主要分为概率跟踪方法和确定性跟踪方法。

概率跟踪方法以粒子滤波为主要代表，如Nummiaro提出的一种自适应颜色滤波方法“An adaptive color-based particle filter”，Isard 提出的条件概率密度传播跟踪方法“CONDENSATION-Conditional density propagation for visual tracking”，以及P.H.Li的轮廓滤波法“Visual contour tracking based on particle filters”。这些概率跟踪方法的主要问题是方法需要用大量的样本数量才能很好地近似系统的后验概率密度，机器人面临的环境越复杂，描述后验概率分布所需要的样本数量就越多，算法的复杂度就越高，越不易实现。

与概率跟踪方法相比，确定性跟踪方法计算简单、易实现，很适合于实时对象的跟踪。基于均值漂移(Mean Shift, 简称MS)的跟踪方法是确定性跟踪方法的典型代表，它是一种有效的基于密度梯度上升的非参数统计迭代方法。 MS由Comaniciu等人在“Real-time tracking of non-rigid objects using mean shift”中首先将其应用到跟踪领域，并在“The variable bandwidth mean shift and data-driven scale selection”中进一步提出了可变窗宽的MS算子（VBDF）。Comaniciu随后在“Kernel-based object tracking”中对MS跟踪方法做了更进一步的改进，并总结了这种方法的实现框架。Yang在“Efficient mean-shift tracking via a new similarity measure”中采用另一个相似度测量方法来实现基于MS的跟踪，而Tu等人在“Online updating appearance generative mixture model for meanshift tracking”中利用期望最大化算法在线更新表观柱状图，一定程度提高了MS跟踪算法的精度和可靠性。

 Comaniciu等人的“Real-time tracking of non-rigid objects using mean shift”方法，使用目标与候选对象的相似度作为距离测量，通过迭代运算找到目标和候选对象相似函数的最大值，实现目标跟踪。但是，这种基于MS的方法是从假设的初始位置开始（也有根据运动向量带位置预测的MS，如“Kernel-based object tracking”），沿概率密度梯度方向搜索最佳匹配区域，因此，该方法容易陷入局部最优，跟踪快速移动对象时常常失败，且难以从失败中恢复。

发明内容

鉴于现有技术的缺点和不足，本发明的目的是设计一种基于单纯形法的对象跟踪方法，以目标与候选对象的相似度作为距离测量，使之通过迭代运算找到目标和候选对象相似函数的最大值的过程中当目标消失后（如目标被完全覆盖），可以沿可能的方向进行区域搜索，从而能够在目标再次出现时恢复跟踪。

本发明的目的是通过如下的手段实现的。

基于单纯形法的对象跟踪方法，在已获取的图像中对选定目标进行跟踪处理，包括如下流程：

（1）选取跟踪目标

通过运动目标检测方法自动提取或人机交互方法手动指定，从选定的图像中选取要跟踪的目标对象，计算目标对象的表观统计信息；

（2）图像输入

在实时处理情况下，提取通过摄像头采集并保存在存储区的视频图像，作为要进行跟踪的输入图像；在离线处理情况，将已采集的视频文件分解为多个帧组成的图像序列，按照时间顺序，逐个提取帧图像作为输入图像；将跟踪区域设置为整个图像；如果输入图像为空，则整个流程中止；

（3）选择单纯形顶点

在初始情况下，将目标对象所在的位置设为第一个顶点；在跟踪过程中，将每一次定位的目标位置作为第一个顶点；在第一个顶点的周围四个不同的方向上再选择四个顶点，顶点间的距离根据目标对象的尺寸来设置，由此，得到5个顶点，即5个候选目标位置； 

（4）计算顶点与目标的距离

计算每个顶点的表观统计信息，计算顶点与目标的距离Ｄ，该距离定义为：

D = 1 － 两个表观统计信息矢量间夹角的余弦值；

（5）顶点排序