CN109978912A - 一种基于Bessel矩的物体跟踪方法及*** - Google Patents

一种基于Bessel矩的物体跟踪方法及*** Download PDF

Info

Publication number
CN109978912A
CN109978912A CN201910143831.7A CN201910143831A CN109978912A CN 109978912 A CN109978912 A CN 109978912A CN 201910143831 A CN201910143831 A CN 201910143831A CN 109978912 A CN109978912 A CN 109978912A
Authority
CN
China
Prior art keywords
tracking
bessel
target
video
square
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201910143831.7A
Other languages
English (en)
Inventor
马自萍
马金林
常霞
高岳林
郭贝贝
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
North Minzu University
Original Assignee
North Minzu University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by North Minzu University filed Critical North Minzu University
Priority to CN201910143831.7A priority Critical patent/CN109978912A/zh
Publication of CN109978912A publication Critical patent/CN109978912A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/20—Analysis of motion
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T7/00—Image analysis
    • G06T7/60—Analysis of geometric attributes
    • G06T7/66—Analysis of geometric attributes of image moments or centre of gravity
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/10—Image acquisition modality
    • G06T2207/10016—Video; Image sequence
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
    • G06T2207/00—Indexing scheme for image analysis or image enhancement
    • G06T2207/30—Subject of image; Context of image processing
    • G06T2207/30232—Surveillance

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Geometry (AREA)
  • Multimedia (AREA)
  • Image Analysis (AREA)

Abstract

本发明涉及一种视频跟踪技术领域，尤其是一种基于Bessel矩的物体跟踪方法及***，首先采用Bessel变换获得视频中目标物的形状特征，捕捉目标中的形状特征和轮廓状几何信息，该特征具有旋转不变性，利于提高跟踪的准确率；然后，提取目标物体的HOG特征，该特征有效避免复杂背景明度变化造成的巨大差异，减少跟踪误差；最后，通过构建改进的均值漂移模型，对多交叉次数下多自由度的运动目标进行实时跟踪，提高跟踪的准确性。本发明能够实现对运动目标的准确识别和实时跟踪，可以满足对运动物体进行检测与跟踪的准确性和实时性要求。

Description

一种基于Bessel矩的物体跟踪方法及***
技术领域
本发明涉及一种视频跟踪技术领域，尤其是一种基于Bessel矩的物体跟踪方法及***。
背景技术
实时目标跟踪是计算机可视化、智能监控、视频编码应用中的关键技术。如何克服视频图像中目标与背景、目标与目标、摄像机运动干扰等，准确提取目标特征，跟踪目标，是目前研究的重点。
经典的目标跟踪算法包括meanShift算法、改进的meanShift算法、CamShift算法、粒子滤波(Particle Filter)算法等。
1.传统meanShift算法。传统的meanShift算法在跟踪中有几个优势：算法计算量不大，在目标区域已知的情况下完全可以做到实时跟踪；采用核函数直方图模型，对边缘遮挡、目标旋转、变形和背景运动不敏感。同时，meanShift算法也存在着以下一些缺点：缺乏必要的模板更新；跟踪过程中由于窗口宽度大小保持不变，当目标尺度有所变化时，跟踪就会失败；当目标速度较快时，跟踪效果不好；直方图特征在目标颜色特征描述方面略显匮乏，缺少空间信息；单一考虑颜色信息，缺乏目标的运动信息，当目标发生缩放和旋转运动式，容易跟踪失败。由于其计算速度快，对目标变形和遮挡有一定的鲁棒性，所以，在目标跟踪领域，meanShift算法目前依然受到大家的重视。但考虑到其缺点，在工程实际中也可以对其作出一些改进和调整。
2.改进的meanShift算法：(1)引入一定的目标位置变化的预测机制，从而更进一步减少meanShift跟踪的搜索时间，降低计算量；(2)可以采用一定的方式来增加用于目标匹配的“特征”；(3)将传统meanShift算法中的核函数固定带宽改为动态变化的带宽；(4)采用一定的方式对整体模板进行学习和更新；在运动模式中，采用均值漂移模式，结合图像的Bessel矩的形状特征和PC、HOG特征的新方法，能适应复杂背景下的明度变化差异大和多交叉次数下多自由度目标跟踪，并对颜色明暗度差异变化大的几组足球和太极视频序列进行目标跟踪，均取得了很好的跟踪结果。
3.CamShift(Continuously Adaptive Mean-Shift)算法是Mean-Shift算法的改进算法，成为连续自适应的均值漂移。CamShift算法的步骤如下：
(1)首先在影像串列中选择1个区域。(2)计算此区域的颜色2D机率分布。(3)用Mean-Shift演算法来收敛欲跟踪的区域。(4)集中收敛的区域，并标示之。(5)每个帧图像重复第(3)、(4)步骤。该算法的缺点：(1)在复杂背景下目标区域与背景区域颜色对比度较低时目标容易跟丢；(2)对于复杂背景下存在缩放和旋转运动的目标，图像中目标搜素窗口的形心与质心之间的位移易超出阈值，目标偏出搜索窗口，跟丢目标。
4.粒子滤波(Particle Filter)算法。粒子滤波(Particle Filter，简称PF)利用粒子集来表示概率，可以用在任何形式的状态空间模型上，其核心思想是通过从后验概率中抽取的随机状态粒子来表达其分布，是一种顺序重要性采样法。粒子滤波算法包括以下步骤：
(1)初始化所有粒子；(2)更新粒子当前位置；(3)评估每个粒子的重要性；(4)根据粒子重要性重新采样。优势：粒子滤波跟踪算法可用于视频监控领域，可以跟踪速度较快的跟踪目标。缺点：虽然粒子滤波算法可以作为解决SLAM(simultaneous localization andmapping，即时定位与地图构建)问题的有效手段，但该算法需要用大量的样本数量才能很好地近似***的后验概率密度，当面临的环境越复杂，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。
总之，这些或其它种类的目标跟踪算法，在实现实时目标跟踪时在算法效率、跟踪准确率上都存在一些问题。
发明内容
针对现有实时目标跟踪中存在的缺陷或不足，本发明技术采用均值漂移模式，结合图像的Bessel矩的形状特征和HOG特征的新方法，能适应复杂背景下的明度变化差异大和多交叉次数下多自由度目标跟踪，并对颜色明暗度差异变化大的几组足球和太极视频序列进行目标跟踪，均取得了很好的跟踪结果。
一种基于Bessel矩的物体跟踪方法，包括如下步骤：
步骤1:视频监控信号由摄像机的输出端连接到图像处理单元的视频输入端，完成视频信号的输入；
步骤2:经过图像处理单元视频输入端的视频信号由视频解码器转化为数字图像信号，即将标准的视频信号转换为数字色差信号输出；
步骤3：选择跟踪窗口，在初始帧中选择目标跟踪窗口，对窗口区域计算图像Bessel矩的形状特征向量BFM选择目标跟踪窗口Bessel矩的形状特征向量BFM；
极坐标下的Bessel矩为：
其中，f(r,θ)是极坐标下的图像；
n，m为阶数；
an＝[Jv+1(λn)]2/2是常量；
Jv(λnr)为n阶贝塞尔多项式；
λn为Jv(r)的n级零点；
步骤4：提取方向梯度直方图特征，得到二维的图像梯度直方图统计特征HOG；
步骤5：对步骤3得到的图像Bessel矩的形状特征向量BFM、步骤4得到图像梯度直方图统计特征HOG，进行特征融合组成目标模型特征；目标模型特征为融合BFM和HOG两个特征后组成的特征向量；
步骤6：根据目标模型特征，计算每个像素的权重，转换为一维向量，作为初始特征模型；
步骤7：对于下一帧图像执行步骤3-步骤6，得到候选窗口的特征模型；
步骤8：采用Mean Shift运动模型和相似性度量函数，求出候选目标模型与当前目标模型中心的距离；
步骤9：如果距离小于给定阈值且迭代次数小于给定参数，则用下一帧替代当前帧，更新当前帧的窗口大小，及中心距离，否则退出。
本发明还提供以上跟踪方法采用的基于Bessel矩的实时跟踪***，包括图像处理单元、摄像机、交换机、远程终端和综合管理PC，其中，图像处理单元分别与交换机、随动装置和瞄具连接，交换机还与综合管理PC和远程终端连接，瞄具还与随动装置连接；瞄具中的摄像头把采集的可见光视频信号，通过AV视频传输线传递给图像处理单元，图像处理单元进行目标图像跟踪处理，提取出目标信息，把控制命令通过串口发送给随动装置，随动装置控制瞄具，转动跟踪运动目标，并把处理后的视频图像传输到交换机，交换机进行远程传输，以太网上的远程终端和综合管理PC可以解码视频信号后监控跟踪过程。
与现有技术相比，本发明的有益效果为:
(1)本发明的***能自动选择跟踪目标，也可以通过综合管理计算机改变要跟踪的目标；
(2)本发明的跟踪方式可以通过综合管理计算机在自动或者手动之间自由转换；
(3)采用了Bessel变换获得Bessel矩的形状特征，可以有效捕捉目标中的形状特征和轮廓状几何信息，并具有旋转不变性，有利于提高跟踪的准确率。
(4)引入了HOG特征，可以有效避免因复杂背景下的明度变化差异大，而易在跟踪中产生误差的情况。
(5)通过构建改进的均值漂移模型，进一步对多交叉次数下完成多自由度目标跟踪，有利于提高跟踪的准确性。
(6)本发明***有以太网实时传输功能，可以让网络上的计算机实时监控目标跟踪过程，具有新颖性和实用性
附图说明
图1是本发明的结构框图；
图2是本发明的信号传输示意图；
图3是本发明的方法流程图；
图4是本发明的实例图。
具体实施方式
下面结合附图与实施例，对本发明做进一步说明。
如图1所示，一种基于Bessel矩的物体跟踪方法，由视频捕获、本地终端、本地服务器、网络设备、云服务器和网络终端组成。
所述云服务器和本地服务器通过网络设备进行通信，用于进行视频数据的处理并为用户提供相关服务。
所述本地终端与本地服务器相连，本地终端用于获取摄像头视频信息，并进行初步处理后传输给本地服务器进行本地预存储。本地服务器根据需要对目标物体进行实时跟踪，并将实时信息反馈给云服务器。
所述本地服务器将视频信息和跟踪信息通过网络设备实时传输给云服务器，终端设备可根据需要获取云服务器的实时信息。
所述网络终端访问云服务器上的实时视频，设置跟踪窗口，窗口信息通过网络设备传递给本地服务器。本地服务器启动本发明方法对设置的窗口物体进行实时跟踪，并将跟踪的动态信息实时传递给网络终端。
所述网络终端可查看跟踪窗口的实时跟踪信息，并根据需要重新调整或设置跟踪目标的窗口。
如图2所示，本发明的处理过程主要由视频获取、编码、视频处理和结果输出三部分组成。其中，视频获取部分负责拍摄目标的视频图像，编码部分负责视频的格式转换和压缩、视频处理部分进行视频跟踪相关算法的处理、结果输出负责将处理部分的处理结果进行输出展示。
如图2-3所示，本发明***的流程和实施步骤如下：
1:视频监控信号由摄像机的输出端连接到图像处理单元的视频输入端，完成视频信号的输入；
2:经过图像处理单元视频输入端的视频信号由视频解码器转化为数字图像信号，即将标准的视频信号转换为数字色差信号输出；
3：构造极坐标下的Bessel矩
这里，f(r,θ)是极坐标下的图像，n，m为阶数，an＝[Jv+1(λn)]2/2是常量。Jv(λnr)为n阶贝塞尔多项式，λn为Jv(r)的n级零点。在初始帧选择目标跟踪窗口，对于窗口区域计算图像Bessel矩的形状特征向量BFM选择目标跟踪窗口Bessel矩的特征向量BFM。
4：提取方向梯度直方图特征(Histogram of Oriented Gradient,HOG)，得到二维图像的直方图统计特征HOG。
5：对于步骤3得到的图像Bessel矩的形状特征向量BFM，步骤4得到图像梯度直方图统计特征HOG，特征融合组成目标模型特征。
6：计算得到的目标模型特征，计算每个像素相应的权重，转换为一维向量，作为初始特征模型。
7：对于下一帧图像执行步骤3-6，得到候选窗口的特征模型。
8：采用Mean Shift运动模型和相似性度量函数，即求出候选目标模型与当前目标模型中心的二次距离作为相似度，从而得到目标的观测值，进而更新当前帧。
9：如果距离小于给定阈值且迭代次数小于给定参数，则用下一帧替代当前帧，更新当前帧的窗口大小，及中心距离。
以下通过仿真实验证明本发明方法的有效性。
如图4所示，所述为本实例跟踪目标的部分视频帧。
上述已经示出和描述了本发明的实施例，本领域的技术人员以基本相同的手段在本发明的基础上进行修改或变形，实现本发明的目的和技术方案，均属本发明要求保护的范围。

Claims (4)

1.一种基于Bessel矩的物体跟踪方法，其特征在于：包括以下步骤：
步骤1:视频监控信号由摄像机的输出端连接到图像处理单元的视频输入端，完成视频信号的输入；
步骤2:经过图像处理单元视频输入端的视频信号由视频解码器转化为数字图像信号，即将标准的视频信号转换为数字色差信号输出；
步骤3：选择跟踪窗口，在初始帧中选择目标跟踪窗口，对窗口区域计算图像Bessel矩的形状特征向量BFM选择目标跟踪窗口Bessel矩的形状特征向量BFM；
步骤4：提取方向梯度直方图特征，得到二维的图像梯度直方图统计特征HOG；
步骤5：对步骤3得到的图像Bessel矩的形状特征向量BFM、步骤4得到图像梯度直方图统计特征HOG，进行特征融合组成目标模型特征；
步骤6：根据目标模型特征，计算每个像素的权重，转换为一维向量，作为初始特征模型；
步骤7：对于下一帧图像执行步骤3-步骤6，得到候选窗口的特征模型；
步骤8：采用Mean Shift运动模型和相似性度量函数，求出候选目标模型与当前目标模型中心的距离；
步骤9：如果距离小于给定阈值且迭代次数小于给定参数，则用下一帧替代当前帧，更新当前帧的窗口大小，及中心距离，否则退出。
2.根据权利要求1所述的一种基于Bessel矩的物体跟踪方法，其特征在于：所述步骤3中Bessel矩的计算方法为：
其中，f(r,θ)是极坐标下的图像；
n，m为阶数；
an＝[Jv+1(λn)]2/2是常量；
Jv(λn r)为n阶贝塞尔多项式；
λn为Jv(r)的n级零点。
3.根据权利要求1所述的一种基于Bessel矩的物体跟踪方法，其特征在于：所述的步骤5中的目标模型特征为融合BFM和HOG两个特征后组成的特征向量。
4.一种基于Bessel矩的物体跟踪***，其特征在于，包括图像处理单元、摄像机、交换机、远程终端和综合管理PC，其中，图像处理单元分别与交换机、随动装置和瞄具连接，交换机还与综合管理PC和远程终端连接，瞄具还与随动装置连接；瞄具中的摄像头把采集的可见光视频信号，通过AV视频传输线传递给图像处理单元，图像处理单元进行目标图像跟踪处理，提取出目标信息，把控制命令通过串口发送给随动装置，随动装置控制瞄具，转动跟踪运动目标，并把处理后的视频图像传输到交换机，交换机进行远程传输，以太网上的远程终端和综合管理PC解码视频信号后监控跟踪过程。
CN201910143831.7A 2019-02-27 2019-02-27 一种基于Bessel矩的物体跟踪方法及*** Pending CN109978912A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910143831.7A CN109978912A (zh) 2019-02-27 2019-02-27 一种基于Bessel矩的物体跟踪方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910143831.7A CN109978912A (zh) 2019-02-27 2019-02-27 一种基于Bessel矩的物体跟踪方法及***

Publications (1)

Publication Number Publication Date
CN109978912A true CN109978912A (zh) 2019-07-05

Family

ID=67077406

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910143831.7A Pending CN109978912A (zh) 2019-02-27 2019-02-27 一种基于Bessel矩的物体跟踪方法及***

Country Status (1)

Country Link
CN (1) CN109978912A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307422A (zh) * 2020-10-30 2021-02-02 天津光电通信技术有限公司 一种低信噪比下信号时频分析方法、装置及设备

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103200394A (zh) * 2013-04-07 2013-07-10 南京理工大学 基于dsp的目标图像实时传输与跟踪方法及其装置
CN108196680A (zh) * 2018-01-25 2018-06-22 盛视科技股份有限公司 一种基于人体特征提取与检索的机器人视觉跟随方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103200394A (zh) * 2013-04-07 2013-07-10 南京理工大学 基于dsp的目标图像实时传输与跟踪方法及其装置
CN108196680A (zh) * 2018-01-25 2018-06-22 盛视科技股份有限公司 一种基于人体特征提取与检索的机器人视觉跟随方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
马金林: "一种Bessel矩和相位不变性的目标跟踪算法", 《黑龙江大学自然科学学报》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112307422A (zh) * 2020-10-30 2021-02-02 天津光电通信技术有限公司 一种低信噪比下信号时频分析方法、装置及设备

Similar Documents

Publication Publication Date Title
Dai et al. A transformer-based feature segmentation and region alignment method for UAV-view geo-localization
CN103235933B (zh) 一种基于隐马尔科夫模型的车辆异常行为检测方法
CN103325112B (zh) 动态场景中运动目标快速检测方法
CN109784333A (zh) 基于点云带权通道特征的三维目标检测方法及***
CN114022910B (zh) 泳池防溺水监管方法、装置、计算机设备及存储介质
CN110443843A (zh) 一种基于生成对抗网络的无监督单目深度估计方法
CN105528794A (zh) 基于混合高斯模型与超像素分割的运动目标检测方法
CN110060299A (zh) 基于双目视觉技术的输电通道内危险源识别和定位方法
CN108280844B (zh) 一种基于区域候选框跟踪的视频目标定位方法
CN109087323A (zh) 一种基于精细cad模型的图像车辆三维姿态估计方法
CN105279769A (zh) 一种联合多特征的层次粒子滤波跟踪方法
CN117994987B (zh) 基于目标检测技术的交通参数提取方法及相关装置
CN105513094A (zh) 基于三维Delaunay三角剖分的立体视觉跟踪方法及***
CN110826575A (zh) 一种基于机器学习的水下目标识别方法
CN111027586A (zh) 一种基于新型响应图融合的目标跟踪方法
Wang et al. Human detection based on improved mask R-CNN
CN116152454A (zh) 基于gis和三维建模的水利实时监测管理***
Zhang et al. Towards unbiased volume rendering of neural implicit surfaces with geometry priors
CN109978912A (zh) 一种基于Bessel矩的物体跟踪方法及***
CN113724293A (zh) 一种基于视觉的智能网联公交场景下目标跟踪方法及***
Lin et al. Research on denoising and segmentation algorithm application of pigs’ point cloud based on DBSCAN and PointNet
CN113920254B (zh) 一种基于单目rgb的室内三维重建方法及其***
CN114820931B (zh) 基于虚拟现实的智慧城市cim可视化实时成像方法
Brissman et al. Predicting signed distance functions for visual instance segmentation
Zhang et al. Multi-target tracking based on target detection and mutual information

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190705