一种基于Grabcut及LBP跟踪质心矫正模型的Camshift算法，通过定值增强跟踪视频流和Grabcut前景分割将目标物体从环境中分离出来，使Camshift得到纯净的直方图。同时，Kalman滤波器辅助Camshift，对目标运动轨迹进行预测。在跟踪期间，对目标框内图像进行LBP变换，得到模板以及当前LBP直方图数据，通过比对得到判断系数和框体变化情况，若判定为相近色物体遮挡，则执行S-Grabcut算法，将质心进行搬移，然后继续正常跟踪。此算法与传统Camshift算法相比很大程度减小了背景噪声的干扰，并且加入Kalman滤波器解决了快速移动和遮挡问题。同时，质心矫正模型很好地解决了相近色物体遮挡带来的干扰。实验结果表明，该算法的鲁棒性优良，满足实时性及准确跟踪的要求，使复杂环境下对目标的跟踪更加稳定。
【技术实现步骤摘要】
本专利技术属于计算机视觉实时跟踪领域。
技术介绍
视觉跟踪在图像处理和计算机视觉具有非常重要的作用，是目前研究的热门方向 之一。运动目标跟踪广泛应用于军事和民用等许多领域，例如视觉制导、无人机追踪、安全 监测、公共场景监控、智能交通等。但摄像头采集图片非常容易受到光照变化、物体运动速 度、遮挡以及相近色等诸多因素的干扰。目前对于运动目标的跟踪常用的方法有粒子滤波、 压缩感知、背景差法、相邻帧差法、光流法以及自适应均值漂移算法（Camshift)等。但这些 方法各有优缺点，例如：光流法运用差分但算法实时性差，在复杂环境中容易跟踪失败；粒 子滤波的抗干扰能力显著，但存在粒子退化现象，稳定性差，背景及相邻帧差法则不适用于 背景变换的情况。自适应均值漂移算法（Camshift)是利用概率密度的梯度爬升来寻找局 部最优，具有无需参数、高效、快速模板匹配的特性，以及在此基础上拓展的优越性。但是基 于颜色直方图抗干扰能力差，检测目标有限，使得Camshift算法在面对复杂背景、遮挡问 题及相似颜色背景时，容易出现目标跟踪丢失以及识别错误等情况。
技术实现思路
本专利技术的目的是提出一种基于Grabcut (图像分割）及LBP (局部二值模式）跟踪 质心矫正模型的Camshift算法，以解决跟踪过程中背景噪声以及相近色物体干扰问题，本 算法可以进行实时性跟踪并且大幅提高传统Camshift算法跟踪的稳定性及准确性。 所述算法基于Grabcut及LBP，在图像定值增强基础上通过Grabcut目标分割来得 到目标纯净的直方图，并通过LBP跟踪质心矫正模型，将相近色混合后的质心进行搬移至 目标未重叠区域，作为下一帧迭代计算的依据。 本专利技术包括以下步骤。 (SOl)选定目标物体，提取目标物体实时图像的RGB三通道均值，计算后得到增强 系数z对跟踪视频当前帧图像进行增强，增加目标与背景的对比度，便于在Grabcut分割 后，Camshift得到的直方图能有效排除大部分的背景噪声。 (S02)加入Grabcut前景分割将目标物体分离出来，单独对目标物体进行框选，得 到目标物体纯净的颜色直方图。 (S03)开始执行Camshift跟踪算法并通过Kalman滤波器辅助跟踪。 (S04)对当前标记框内图像进行LBP处理，并待标记框稳定后，长度和宽度变化范 围在第一帧长宽〇. 2倍大小之内，提取稳定后的第三帧框内图片作为跟踪目标的模板，并 得到对应的LBP直方图数据。 (S05)通过对模板以及当前框内LBP直方图数据比对，得到判别系数a，若a为0 且框体变大，长度和宽度大于稳定条件下长宽的1. 2倍，则表明当前框内LBP纹理与模板有 较大出入，认为有相近色物体遮挡，此时执行质心矫正程序（S06);若不满足此条件则表明 当前框内LBP纹理与模板近似相等，目标无遮挡，跟踪正常进行，程序转入（S03)。 (S06)利用S-Grabcut算法得到目标未被相近色物体覆盖的区域，计算出该部分 质心，将其定义为下一帧Camshift迭代的目标质心，然后程序转入（S03)。 本专利技术提出一种，进行运 动目标的跟踪检测。通过定值增强跟踪视频流，并在Grabcut前景分割下得到目标纯净的 彩色直方图，以此减小一定程度的背景噪声干扰。建立LBP跟踪质心矫正模型，通过识别相 近色物体干扰，运用S-Grabcut算法将下一帧Camshift迭代的目标质心搬移至当前帧目标 的未重叠区域。通过实验证明此模型在防止相近色干扰方面收到很好的效果，不仅在跟踪 的稳健性方面效果较好，而且也能满足实时性跟踪的要求。最后引入Kalman滤波器，来预 测目标的运动轨迹，保证目标严重遮挡或运动速度过快时，仍可以实现有效跟踪，提高了 整个系统的鲁棒性。【附图说明】 图1是本专利技术算法的步骤流程图。 图2是增强效果对比示意图，其中（a)是增强前的图像，（b)是增强后的图像。 图3是Grabcut处理映射流程以及同原始框选方法对比图，其中（a)是传统 Camshift提取目标直方图，（b)是传统框选效果。 图4是矫正模型的模板提取过程，其中（a)是干扰色未进入时提取模板，（b)是提 取框选目标，（c)是LBP处理，（d)是得到模板直方图。 图5是矫正模型的实时处理过程，其中（a)是干扰色进入，（b)是LBP处理，（c)是 对应直方图，（d)是特征点匹配及连线，（e)是S-Grabcut分割。【具体实施方式】 结合附图，通过下文的述详细说明，可更清楚地理解本专利技术的上述及其他特征和 优点。 本专利技术算法主要针对Camshift与Kalman融合算法在背景噪声影响和相近色干扰 问题上无法稳定达到准确实时跟踪效果的基础上进行研究及改进。 采用Grabcut分割算法在增强后的视频流中分割出目标得到目标纯净直方图，减 小跟踪偏差。而为基础的Camshift算法将图像由RGB颜色空间转化到HSV颜色空间（H表 示色度，S表示饱和度，V表示亮度），我们采用H分量（对光照的鲁棒性强）的直方图建立 颜色概率目标模型，将原始图像的像素值用直方图中相应像素的统计量代替，就得到颜色 概率分布图。 Camshift算法主要分为以下三个步骤back projection算法、meanshift算法、自 适应调整算法。在本算法中进行如下处理（为上述步骤S03部分）： (1)在当前帧增强的基础上，Camshift在Grabcut分割的目标物体上得到纯净直 方图。 (2)利用Camshift算法反向投影图生成根据反向投影图并作为Camshift初始化 的跟踪模板。 (3)进行Meanshift算法来寻找质心，Camshift自适应调整。 (4)Camshift与Kalman根据此直方图进行迭代计算，并直接在增强后的视频中进 行跟踪而后将得到的标记框位置映射到原始视频中去。 图1是本专利技术算法的步骤流程图，本算法是按照此流程进行的。 首先选定需要跟踪的目标物体，先提取目标物体的RGB三通道均值，计算后得到 增强系数对跟踪视频当前帧图像进行增强。 其中，Z代表增强系数，rl，gl，bl代表目标物体RGB三通道分量均值，W与H分别 代表整体图片的宽高，r(i，j)，g(i，j)，b(i，j)分别代表原始图像对应点的灰度值。增强效 果对比图如图2所示。 然后，在当前帧增强的基础上人为选定目标物体通过Grabcut进行前景分割操 作，通过直接框选目标来得到目标初始的T，背景像素 Tb，前景像素为Tu，并初始化α η的 值，若α η = 1，α n e Tu为前景区域像素，若α η = 0,为背景色α n e Tb。以此建立高斯 混合模型GMM。 (1)得到Tu中每个像素 η的GMM参数Kn : (2)根据像素 Z获得高斯混合模型参数GMM Θ = argmin〇U(a n, kn, θ , zn) (3)进行分割使得能量函数E最小达到参数估计： (4)返回迭代步骤1中直到能量函数E收敛为止。 目标物体分割出来后，当前第1页1 2 本文档来自技高网...
【技术保护点】
基于Grabcut及LBP跟踪质心矫正模型的Camshift算法，其特征是包括以下步骤：(S01)：选定目标物体，提取目标物体实时图像的RGB三通道均值，计算后得到增强系数z对跟踪视频当前帧图像进行增强；(S02)：加入Grabcut前景分割将目标物体分离出来，单独对目标物体进行框选，得到目标物体纯净的颜色直方图；(S03)：开始执行Camshift跟踪算法并通过Kalman滤波器辅助跟踪；(S04)：对当前标记框内图像进行LBP处理，并待标记框稳定后，长度和宽度变化范围在第一帧长宽0.2倍大小之内，提取稳定后的第三帧框内图片作为跟踪目标的模板，并得到对应的LBP直方图数据；(S05)：通过对模板以及当前框内LBP直方图数据比对，得到判别系数a，若a为0且框体变大，长度和宽度大于稳定条件下长宽的1.2倍，则表明当前框内LBP纹理与模板有较大出入，认为有相近色物体遮挡，此时执行质心矫正步骤(S06)；若不满足此条件则表明当前框内LBP纹理与模板近似相等，目标无遮挡，跟踪正常进行，程序转入步骤(S03)；(S06)：利用S‑Grabcut算法得到目标未被相近色物体覆盖的区域，计算出该部分质心，将其定义为下一帧Camshift迭代的目标质心，然后程序转入步骤(S03)。...
【技术特征摘要】
【专利技术属性】
技术研发人员：洪向共，郑熙映，薛志毅，肖惠梅，
申请(专利权)人：南昌大学，
类型：发明
国别省市：江西;36
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。