一种基于图像的圆形目标实时跟踪方法
【专利摘要】本发明公开了一种基于图像的圆形目标实时跟踪方法，用以解决圆形目标由远及近运动时跟踪稳定性不高的问题。该方法步骤为：首先，根据圆形目标的状态方程和观测方程构造Kalman滤波器，将捕获目标获得的圆心坐标及半径作为滤波器的初始状态，建立目标在当前帧中的预测信息，减小搜索范围；其次，根据预测信息构建跟踪框，利用快速霍夫梯度法提取跟踪框中图像进行圆形目标检测，获得当前时刻目标的位置信息；最后，利用新位置作为Kalman滤波过程的观测值来更新滤波参数，更新目标状态估计和误差方差阵。反复进行上述步骤，实现在光照变化和背景混淆场景下快速有效的跟踪圆形目标。
【专利说明】—种基于图像的圆形目标实时跟踪方法
【技术领域】
[0001]本发明属于图像处理【技术领域】，具体涉及一种基于图像处理技术的圆形目标实时跟踪的方法。
【背景技术】
[0002]基于图像技术的运动目标实时跟踪技术在智能交通系统、安全保护监控、军事目标跟踪方面具有广泛的应用价值。工业现场、军事应用、医学气象等诸多领域往往需要对具有圆形特征的运动物体进行跟踪，以便进一步分析处理。
[0003]基于运动参数估计的跟踪方法采用状态空间来描述被跟踪系统的运动特性，而Kalman滤波器能够很好地预测和校正系统的运动状态,是最广泛使用的一种方法。Kalman滤波器的基本思想是，通过系统的历史测量值，则可以建立最大化这些早期测量值的后验概率的系统状态模型。理论上，Kalman滤波器需要三个重要的假设:(1)被建模的系统是线性的；(2)影响测量的噪声属于白噪声；(3)噪声本质上是高斯分布的。但是传统的Kalman滤波器都以匀速或匀加速作为运动目标模型，使得对于运动规律不明显的目标跟踪效果较差。为此，国内外学者对如何改进Kalman滤波器做了进一步的研究，主要围绕运动模型的改进及目标精确定位两方面做了具体研究。针对如何改进Kalman滤波器的运动模型，文献
[I]提出了一种无迹卡尔曼滤波器(UKF)，能够描述非线性模型，并使状态随机变量满足高斯分布；文献[2]提出了一种结构卡尔曼滤波器(SKF)，通过将目标分割成若干有意义的子区域，能够可靠的跟踪非刚性物体；文献[3]提出了一种多模型自适应Kalman滤波器改进运动模型；文献[4]提出了一种保持目标推进力与速度方向成固定夹角的运动模型，提高了一般曲线运动的跟踪精度；针对目标精确定位，文献[5]提出了一种基于质心加权的卡尔曼滤波器(CWKF)来优化预测状态；文献[6]利用多层神经网络(MNN)来补偿滤波器的不确定性；文献[7]在利用Kalman滤波器预测目标位置的基础上，通过边缘方向特征进行精确定位；文献[8]利用改进的Mean-Shift算法得到精确的跟踪位置。
[0004]在实际中，当圆形目标由远及近运动时，随着目标相对摄像机的距离减小，成像会逐渐增大，目标解算信息会不断改变，如果对每一帧图像进行全局搜索，耗时长，在单帧图像中花费的时间很长，必然会丢失许多其他图像的信息，无法满足实时性的性能要求。针对这个问题，可以利用Kalman滤波器对运动目标当前时刻的运动参数进行估计，从而得到目标可能的位置，减少搜索空间，实现图像处理的快速性；同时，根据圆形目标的特点，在跟踪框内利用快速霍夫梯度法对目标的观测值进行快速提取，进而更新滤波参数。本案即是基于前述思路而产生的。
[0005][I] Zhang Haitao, Dai Gang, Sun Junxin, Zhao Yujia0.UnscentedKalmanf iIterand its nonlinear application fortrackinga moving target [J].1nternational Journal for Light and Electron Optics, 2013, 20, 4468-4471.[0006][2]Jang D S, JangS ff, Choi H1.2D human body tracking with structuralKalman filter[J].Pattern Recognition, 2002, 35(10):2041-2049.[0007][3]李晓理，胡广大.基于多模型方法的自适应卡尔曼滤波[J].系统仿真学报，2008，20(3):590-592.[0008][4]陈礼斌，刘钊.一种新的自适应扩展卡尔曼滤波算法[J].激光与红外，2006，36(3):210-212.[0009][5]Fu Z, Han Y.Centroid weighted Kalman filter for visual objecttracking[J].Measurement, 2012, 45(4):650-655.[0010][6] Takaba K, Iiguni Y, Tokumaru H.An improved tracking Kalmanfilter using a multi layered neural network[J].Mathematical and computermodelling, 1996，23(1):119-128.[0011][7]刘惟锦，章毓晋.基于Kalman滤波和边缘直方图的实时目标跟踪[J].清华大学学报:自然科学版，2008，48 (7): 1104-1107.[0012][8]周尚波，胡鹏，柳玉炯.基于改进Mean-Shift与自适应Kalman滤波的视频目标跟踪[J].计算机应用，2010(006):1573-1576.
【发明内容】
[0013]本发明所要解决的技术问题是提供一种基于图像的圆形目标实时跟踪方法，当圆形目标距离图像采集设备由远及近运动时，能够通过该方法实时地跟踪目标。
[0014]本发明为解决上述技术问题，采用以下技术方案:
[0015]一种基于图像的圆形目标实时跟踪方法，其特征在于，包括如下步骤:
[0016]步骤(1)，利用CXD阵列的摄像机实时采集圆形目标图像；
[0017]步骤(2)，将复杂背景下的原始圆形目标图像进行快速预处理，滤除背景中的部分干扰信息；
[0018]步骤(3)，根据圆形目标的状态方程和观测方程构造Kalman滤波器，将首次捕获目标获得的圆心坐标及半径a作为滤波器的初始状态，建立圆形目标在当前时刻中的预测信息，减小搜索范围；
[0019]步骤(4)，在步骤(3)初始检测的基础上构建跟踪框，利用快速霍夫梯度法提取跟踪框中图像进行圆形目标检测，获得当前时刻目标的观测位置信息；
[0020]步骤(5)，利用步骤(4)得到的圆形目标新位置作为Kalman滤波过程的观测值来更新滤波参数，更新目标状态估计和误差方差阵，反复使用步骤(3)，(4)，(5)实现在光照变化和背景混淆场景下快速有效的跟踪圆形目标。
[0021]步骤(2)所述的预处理是首先进行彩色空间转换，排除亮度信息的干扰，其次，对图像进行形态学闭运算操作，消除细小孔洞，最后应用双边滤波进行去噪，保持图像边缘信
肩、O
[0022]步骤(3)所述构造Kalman滤波器的具体步骤如下:
[0023]步骤(31)，将圆形目标坐标的变化率分解为水平方向和垂直方向的变化率，SPdxdt 和 dydt ο
[0024]步骤(32)，将步骤(I)采集的视频图像序列连续两帧的时间间隔设为AT，r为圆形目标半径，用白噪声来表示加速度量，则系统的状态方程为:
【权利要求】
1.一种基于图像的圆形目标实时跟踪方法，其特征在于，包括如下步骤: 步骤(1)，利用CCD阵列的摄像机实时采集圆形目标图像； 步骤(2)，将复杂背景下的原始圆形目标图像进行快速预处理，滤除背景中的部分干扰信息； 步骤(3)，根据圆形目标的状态方程和观测方程构造Kalman滤波器，将首次捕获目标获得的圆心坐标(?,%)及半径A作为滤波器的初始状态，建立圆形目标在当前时刻中的预测信息，减小搜索范围； 步骤(4)，在步骤(3)初始检测的基础上构建跟踪框，利用快速霍夫梯度法提取跟踪框中图像进行圆形目标检测，获得当前时刻目标的观测位置信息； 步骤(5)，利用步骤(4)得到的圆形目标新位置作为Kalman滤波过程的观测值来更新滤波参数，更新目标状态估计和误差方差阵，反复使用步骤(3)，(4)，(5)实现在光照变化和背景混淆场景下快速有效的跟踪圆形目标。
2.根据权利要求1所述的一种基于图像的圆形目标实时跟踪方法，其特征在于，步骤(2)所述预处理的具体步骤如下:首先进行彩色空间转换，排除亮度信息的干扰，其次进行形态学闭运算操作，消除细小孔洞，最后应用双边滤波进行去噪，保持图像边缘信息。
3.根据权利要求1或2所述的一种基于图像的圆形目标实时跟踪方法，其特征在于，步骤(3)所述构造Kalman滤波器的具体步骤如下: 步骤(31)，自定义二维图像的像素坐标系OXY:以图像左下角顶点为坐标原点，水平向右为X轴正方向，垂直向上为Y轴正方向；将圆形目标坐标的变化率分解为水平方向和垂直方向的变化率，即dxdt和dydt ； 步骤(32)，将步骤(1)采集的视频图像序列连续两帧的时间间隔设为AT，r为圆形目标半径，用白噪声来表示加速度量，则系统的状态方程为:
xt=x^ +Δ?'1-^-?-
α?
dv.^ drk j
rk = q...s
?
Xk = -.y.l 十
fk = + ^-}ΛΤ
h = ~^+wrJT * dt r 表述为矩阵形式为:
4.根据权利要求3所述的一种基于图像的圆形目标实时方法，其特征在于，步骤(4)所述利用快速霍夫梯度法获得当前时刻目标的观测位置信息，其具体步骤如下: 步骤(41)，以k-Ι时刻圆形目标中心CUk+ Yk^1)为中心点，2*Rmax为边长构建矩形跟踪框，并根据 IV1 的值选取 Rniin = kcrk_!和 Rniax = kerk_!； 步骤(42)，对跟踪框内的图像，首先采用自适应阈值分割方法获得二值化图像，其次利用canny算子获取跟踪框内图像的边缘信息； 步骤(43)，对得到的边缘信息，利用Sobel算子计算非零像素点的梯度值和梯度方向；步骤(44)，首先沿非零像素点梯度的方向和反方向对Rniin < D < Rmax区域内像素点进行累加，累加值记作Se(XkJk);其次对Sci(X1^yk)进行降序排序，并按照下面两个步骤进行选取当前帧圆形目标中心C(xk, yk): 1)对SJxk,yk)进行邻域筛选，当且仅当SJxk, yk)大于等于八个邻域累加值时进行保留:
5.根据权利要求4所述的一种基于图像的圆形目标实时跟踪方法，其特征在于，步骤(5)所述利用新位置作为Kalman滤波过程的观测值来更新滤波参数及搜索框的具体步骤如下: 步骤(51),将观测值C(xk, yk)及半径rk传递给步骤(3)构造的的Kalman滤波器,更新目标状态估计和误差方差阵，修正当前时刻的目标中心坐标和尺寸； 步骤(52)，将步骤(51)中修正后的估计值作为初始位置，返回步骤(36)进行下一时刻的目标状态估计； 步骤(53)，反复使用步骤(3) (4) (5)，实现在光照变化和背景混淆场景下圆形目标的稳定跟踪。
【文档编号】G06T7/20GK103778645SQ201410020006
【公开日】2014年5月7日 申请日期:2014年1月16日 优先权日:2014年1月16日
【发明者】杨博文, 孙永荣, 黄斌, 刘晓俊, 熊智, 王潇潇 申请人:南京航空航天大学