基于显著性检测的水面目标跟踪方法
【技术领域】
[0001] 本发明涉及，具体地，涉及基于显著性检测的水面目标跟踪方法，尤其是一种应用 于水上图像捕捉和视频数据分析的视频目标跟踪方法。
【背景技术】
[0002] 视频跟踪算法是以图像序列为输入，图像中目标的大小位置等属性为输出。理想 情况下，输出的目标属性是准确和实时的，然而，在现实世界中，由于背景千变万化，还有各 种干扰的存在，往往很难达到理想状态，因此找到一种适应于当前环境的，对光照和背景变 化有一定自适应性的实时性算法是目标跟踪的关键。
[0003] 目前常用的算法有如下几种：
[0004] Meanshift算法，是一种利用颜色信息进行匹配固定大小区域的图像的方法，能够 不依靠先验知识的情况下根据样本点计算出概率密度函数值，计算出目标区域和候选区域 的相似度，计算出meanshift向量，不断进行候选区域的移动和迭代计算，直到寻找到目标 或者达到迭代的次数限制。
[0005] 背景差分法：是利用当前图像与背景图像的差分来识别运动目标的方法，其背景 模型的获取和更新是该方法的关键技术。一种简单的获取背景图像的方法是当场景中无任 何目标出现时捕获背景图像，这种人工的非自适应性方法获取的背景图像仅仅适用于短时 间的视频监控。目前大多数算法已经放弃这种非自适应性的背景图像估计方法。当场景环 境不是很复杂时，可以使用统计滤波完成场景中背景图像的估计，大多数情况下都可以得 到正确的背景估计图像，但是当场景中有部分物体做无规则运动时，会引起场景中像素值 的不断变化，从而引起估计误差。基于高斯统计模型的背景估计方法在有部分区域不断变 化的场景中也能够比较准确的估计出背景模型，但是它的计算比较复杂，且无法满足实时 性要求。
[0006] 基于分类式的跟踪方法是将目标跟踪问题转换为一个连续目标检测问题，目标检 测是通过分类器对不同图像区域进行分类为目标或者背景来实现。
[0007] 水面上的视觉感知有其特殊的技术难点，水面上受光照影响比较大，同一天的不 同时间，太阳光照的方向不一样，导致水面上的反光强度和方向都有所不同，而且不同天气 对水面上光强的影响也是比较大，这要求视觉信息处理算法有较高的自适应性。在进行目 标探测过程中，目标距离较远时，与背景区分度不足够大，所以需要进行图像的加强和滤波 从而提取目标信息。
【发明内容】
[0008] 针对现有技术中的缺陷以及水面特点，本发明的目的是提供一种基于显著性检测 的水面目标跟踪方法，对于光照有着自适应性，且能够满足实时性要求。
[0009] 本发明首先利用水岸线检测得到水岸线的具体位置，从而能够提供物理环境信 息，进而为目标的检测提供位置验证信息和ROI(regionofinterest，感兴趣区域）。利用 稀疏字典对图像进行压缩感知，之后利用增量编码长度对于图像的稀有性进行衡量从而得 到显著图特征。
[0010] 根据本发明提供的一种基于显著性检测的水面目标跟踪方法，包括水岸线检测步 骤；
[0011] 所述水岸线检测步骤，包括如下步骤：
[0012] 步骤A1 :对图像进行降采样，得到降采样图像；
[0013] 步骤A2:将经降采样得到的图像的颜色空间RGB空间转换到HSV空间；设定色调 阈值T_h、饱和度阈值T_s、亮度阈值T_v;
[0014] 将图像中色调分量h小于色调阈值T_h或者饱和度分量s小于饱和度阈值T_s的 区域，判定为待区分水面或天空区域；
[0015] 若所述待区分水面或天空区域的亮度分量V小于亮度阈值T_v，则将所述待区分 水面或天空区域判定为水岸线区域，否则将所述待区分水面或天空区域判定为天空区域；
[0016] 步骤A3:对水岸线区域图像进行边缘检测；
[0017] 步骤Α4 :对检测到的边缘进行霍夫变换得到水岸线。
[0018] 优选地，还包括显著性检测步骤；
[0019] 所述显著性检测步骤，包括如下步骤：
[0020] 步骤Β1 :根据水岸线得到显著性区域检测的感兴趣区R0I;
[0021] 步骤Β2 :获取增量编码长度，计算公式如下：
[0022] ICMP;) =-HW-Pi-logPi-PilogPi
[0023] 其中，ICL(Pl)表示关于？1的增量编码长度；pi表示概率密度函数p的第i行，i 的取值范围为[1，η];概率密度函数p定义为：p=IPi,p2,…，pnIτ;
[0025]其中，Η(ρ)为信息熵，η表示概率密度函数ρ的行数；
[0027] 其中，k为正整数，取值范围是[1，192];WieW，i的取值范围为[0, 192] ;W为滤 波函数，W=A\A为感兴趣区R0I的稀疏基，W= [w^/··，w192]T;
[0028] Xkeχ，χ表示采样矩阵，χ= [?，，*"，武~];采样矩阵父是感兴趣区1?01经过 向量化的图像矩阵；
[0029]步骤B3:获取显著区域向量图M，计算公式如下：
[0030]M= [nij,m2, ···,mj
[0032] 其中，mk表示显著区域向量图M的第k列，k的取值范围为[1，n]，n为显著区域向 量图Μ的列数；S表示显著特征，S的全集是{1，2,…，n}，S={i|ICUpjX)};
[0034] 其中，Pj表示概率密度函数p的第j列，j的取值范围为[1，n] ;ICL(pJ表示关于 Pj的增量编码长度；
[0035] 步骤Μ:将显著区域向量图Μ转换得到二维的图像矩阵M'作为显著矩阵检测图。
[0036] 优选地，还包括目标提取步骤；
[0037] 所述目标提取步骤，包括如下步骤：
[0038] 步骤C1 :对于当前帧，假设上一帧目标位置为Ρη-1，当前显著矩阵检测图Μ'中总 共有k个高亮区域，将第i个联通高亮区域标记为Wi，得到Wi中心点的位置坐标Pi，并得 到Wi中像素的最大灰度值PIXi以及拥有最大灰度值PIXi的像素的位置信息Mi;其中，i= 1，2,…，k;
[0039] 步骤C2 :针对每个联通尚壳区域Wi进彳丁过滤，以过滤掉无效的尚壳区域；设置 如下过滤条件：
[0040]-定义最小像素个数N_，如果Wi的像素个数队小于N_，则将Wi进行过滤；
[0041] -定义最小灰度值PIXmin，如果Wi的最大灰度值PIXi小于PIX_，则将Wi过滤；
[0042]-对Wi进行多边形近似，如果近似结果是一个凹多边形，那么将Wi过滤；
[0043] 步骤C3:通过步骤C2过滤掉无效的高亮区域之后，将未过滤掉的各个Wi的中心 点的位置坐标Pi和上一帧目标位置的距离〇1进行计算：
[0045] 其中，xni表示上一帧目标位置的横坐标，yni表示上一帧目标位置的纵坐标，Xi表 示Wi的中心点位置的横坐标，y;表示Wi的中心点位置的纵坐标；
[0046] 选取各个Di中的最小距离Dmin;
[0047] 如果最小距离Dmin小于设定的最大距离阈值DT，则将当前拥有最小距离Dmin的 联通高亮区域Wi认定为目标区域；
[0048] 如果最小距离Dmin大于等于设定的最大距离阈值DT，则认为当前帧目标丢失，当 前目标位置采用上一帧目标位置Pn-1。
[0049] 优选地，色调阈值T_h= 50,饱和度阈值T_s= 30,亮度阈值T_v= 180。
[0050] 与现有技术相比，本发明具有如下的有益效果：
[0051] 本发明在充分考虑水面图像特点的情况下，结合水岸线检测和显著性检测，应用 到水面目标的跟踪。首先对原图像进行一个预处理和颜色空间转换，减小光照的影响，利用 边缘检测算法和直线检测算法可以进行水岸线的提取，之后利用水岸线位置确定R0I，继续 进行下一步的水面目标跟踪的工作。水面目标跟踪是利用增