已知多种跟踪方法及扩展方案用于对象跟踪，包括跟踪对象形状。但是其中只在图像面内并因此只2维地计算取向，从而对象形状不能适配于对象在三维空间中的实际运动。为了提供在具有至少一个具有用于记录视频序列的摄像机(K)的数字视频系统中进行自动对象识别然后进行对象跟踪并且传输及进一步处理或分析视频数据的方法，该方法除了定位和跟踪运动对象之外还能确定对象并因此使得能在已有测量数据的情况下计算对象在空间中的取向，根据权利要求1，基于高斯混合模型GMM的对象识别算法和扩展后的基于均值移位的对象跟踪相互组合，方法是：对象识别根据背景的模型被扩展以改善的阴影去除，所生成的二值模板(BM)被用于生成非对称的滤波核，然后实际的用于形状自适应的对象跟踪的算法扩展以用于形状适配的分割步骤地被初始化，使得能够至少确定对象形状或对象轮廓或对象在空间中的取向。本发明专利技术涉及自动对象识别然后对象跟踪的领域。
【技术实现步骤摘要】
【国外来华专利技术】
按照权利要求1，本专利技术涉及ー种自动对象识别、然后根据对象形状进行对象跟踪的方法。此外，按照权利要求10，本专利技术还涉及ー种用于此的系统。
技术介绍
对运动对象的自动识别和跟踪不仅在视频监控中、而且在视频技术和图像处理的很多其他领域中都是非常重要的。对于视频跟踪，存在大量所谓的跟踪方法，但是它们通常限于确定当前的对象位置。但是对于很多应用，除了当前的对象位置之外，对象的轮廓或在空间中的取向也是受到关注的。存在大量跟踪方法用于对象跟踪。最有名且广泛流传的方法例如有卡尔曼滤波跟踪、均值移位跟踪和粒子滤波跟踪以及其扩展方案和变形方案。例如，US6590999B1介绍了 ー种针对对象形状可变的目标(例如人)实时地根据均值移位跟踪的对象跟踪方法和设备。这个对象跟踪基于能视觉识别的特征，例如颜色或结构，其中该特征的统计分布表征该目标。在第一阶段中计算预定目标与比较基准之间的相似程度，并且在下ー阶段中计算程度本身，其由巴氏(Miattacharyya)系数所推导出的度量来表达。然后使用由巴氏系数的最大值所推导出的梯度矢量来在随后的阶段中确定比较基准的最可能的位置。传统的方法都能够相当鲁棒地确定对象位置，并且可以部分地还确定大小。但是， 借助于传统的方法不可能确定实际的对象形状或对象的取向。只有通过对原来的方法进行扩展和改迸，才可能也实现对对象形状的跟踪。主要是粒子滤波跟踪以及均值移位跟踪在这个方向上被进ー步开发了。在Rathi，Y 和 Vaswani，N 和 Tannenbaum，A 和 Yezzi，A 于 2005 年 2 月在 IEEE Computer Society Conference on Computer Vision and Pattern Recognition 上的会议论文“Particle filtering for geometric active contours with application to tracking moving and deforming objects”中介绍了这样ー种粒子滤波方案。虽然对象形状能够被很好地跟踪，但是该方案还具有ー些不足。因此，例如关于对象形状的一些信息必须被提供给算法，从而即使在对象被更大地覆盖的情况下其形状也还可以被描述。但是，这又导致在形状变化非常大的情况下不再能非常准确地跟踪形状。如果对象在更长的时间中被完全覆盖，则该方法的能力还会极度地降低。A. Yilmaz 于 2007 年 6 月在 Proc. IEEE Conference on Computer Vision and Patern Recognition上的会议论文“Object racking by Asymmetrie Kernel Mean Shift with Automatic Scale and Orientation Election”第 1 至 6 页中介绍了用于跟踪对象形状的均值移位方法的一扩展方案。代替対称的滤波核，使用适配对象形状的由水平集函数确定的滤波核。此外，在缩放和取向维度上扩展搜寻空间。由此，除了对象位置之外还可以确定对象的大小和取向或其轮廓。但是因为只在图像面内并因此只2D地计算取向，所以对象形状不能适配于三维空间中对象的实际运动。并不对应于上述三个基本方法之一的一种同样非常令人信服的跟踪算法基于所谓的机器学习方案。为了计算对象形状，不仅考虑隐马尔可夫模型，而且还考虑几何对象特性。因为该方法通过分类来确定对象的轮廓点，所以该方法必须首先借助于分类器上的训练集(特定的特征)而被训练。为此，自然必须先一次存在或生成训练集合。此外因为每个像素在分类时被观察，所以需要特別大量的特征，并且因此需要相对大的训练集。此外一般性地对于大多数的跟踪方法都不能自动地识别要跟踪的对象。很多跟踪算法因此要么依赖于用户输入，要么依赖于事先执行的对象识别的結果。因此，用于对象跟踪的系统通常由用于对象识别的部件和实际的跟踪算法构成。在图9中示出了现有技术中这样的系统的自动化对象跟踪的示意性流程，由基于高斯混合模型和均值移位跟踪的对象识别构成。自适应的高斯混合模型是进ー步处理后的背景去除法。如在C. Mauffer和 W. E. L. Grimson 在 Proc. IEEE Computer Society Conference on Computer Vision and Pattern Recognition, vol. 2,1999 中的“Adaptive background mixture model for real-time tracking”中所介绍的那样，ー场景的每个像素可以通过由K个不同高斯函数构成的混合来模型化。建模基于对每个像点的色值的概率密度的估计。假设ー像素的色值通过成像在被观察的像素上的对象的表面来确定。在没有噪声的理想的静止场景的情况下， 像素的色值的概率密度通过单位脉冲函数描述。但是由于摄像机噪声和略微的照明变化， 在实际的静止场景中像素的色值随着时间而变化。此外在非静止场景中可以观察到多达K个不同的对象k = 1. . . K可以被成像到一像点上。因此，对于单色的视频序列，由对象k导致的像素色值X的概率密度通过平均值为μ k且标准偏差为Ok的以下高斯函数来模型化权利要求1.一种用于在数字的视频系统中进行自动对象识别、然后进行对象跟踪并且传输以及进ー步处理或分析视频数据的方法，所述视频系统具有用于记录视频序列的至少ー个摄像机(K)，其特征在干，基于高斯混合模型GMM的对象识别算法和扩展后的基于均值移位的对象跟踪相互組合，方法是-对象识别根据背景的模型被扩展以改善的阴影去除；-所生成的ニ值模板(BM)被用于生成非対称的滤波核，并且-然后实际的用于形状自适应的对象跟踪的算法扩展以用于形状适配的分割步骤地被初始化，从而使得能够至少确定对象形状或对象轮廓或对象在空间中的取向。2.根据权利要求1所述的方法，其特征在干，使用适配于对象形状的非対称的滤波核， 并且均值移位算法只以实际的对象特征颜色信息、边缘信息或结构信息工作，使得已经在初始化期间获得关于对象轮廓的信息。3.根据权利要求1或2所述的方法，其特征在干，为了尽可能准确地将所定位的对象区域适配于实际对象形状，进行对象区域及其直接相邻的周围的颜色分割或基于均值移位的颜色分割，至少35%至70%、优选超过50%落入对象区域中的所有片段被分类为对象片段，同样，颜色信息至少35%至70%、优选超过50%包含在当前目标模型中的所有片段也被分类为对象片段。4.根据权利要求1所述的方法，其特征在干，在建模时考虑对象特征颜色信息、边缘信息或结构信息中至少ー个或者所谓的SIFT特征，并且标准偏差的限制以及对时间和位置相关性的使用被集成到GMM方法中。5.根据权利要求1所述的方法，其特征在干，通过从视频序列的当前图像中去除当前的背景模型来识别改变的图像区域，然后通过阈值判断由背景和当前图像之间的差别确定包含运动的图像区域的ニ值模板(BM)。6.根据权利要求1所述的方法，其特征在干，根据公式Φ< (Φ2_Φ/ γ2-Γι) * (r-ri) + Φ i进行对本影和边沿阴影的识别，从而使得能够利用总共本文档来自技高网...
【技术保护点】
【技术特征摘要】
【国外来华专利技术】...
【专利技术属性】
技术研发人员：H·哈珀尔，U·贝罗尔德，K·夸斯特，A·考普，
申请(专利权)人：IAD信息自动化及数据处理有限公司，
类型：发明
国别省市：
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。