[发明专利]在视频帧序列中跟踪目标的由计算机执行的方法

说明书

技术领域

本发明大体上涉及计算机视觉应用，尤其涉及在视频帧序列内跟踪目标。

背景技术

在帧序列中，即在视频中，可通过逐帧地确定目标的特征的对应而跟踪目标。然而，精确地跟踪变形、非刚性及快速移动的目标仍然是一个棘手的计算机视觉问题。

可利用均值移位算子而执行跟踪，见Comaniciu等人的“Real-timetracking of non-rigid objects using mean-shift”，Proc.IEEE Conf.OnComputer Vision and Pattern Recognition，volume 1，pages 142-149，2000，及美国专利第6,590,999号(其专利权人为Comaniciu等人，公告日为2003年7月8日，名称为“Real-time tracking of non-rigid objects usingmean-shift”)。使用非参数化的密度梯度估计量来跟踪与给定色彩直方图最相似的目标。该方法提供了精确的定位。然而，此方法要求目标位置在连续帧中的一些交叠，这将不适用于快速移动的目标的情况，在该情况中，两个连续帧中的目标可能出现在完全不同的位置上。而且，因为直方图用于确定相似性，在目标和背景色分布相似的情况中，梯度估计与收敛变的不正确。

为解决此问题，可使用多核均值移位法，见Porikli等人的“Objecttracking in low-frame-rate video”，Proc.Of PIE/EI image and VideoCommunication and Processing，San Jose，CA，2005，及美国专利申请公开第20060262959(其申请日为2006年11月23日，其申请人为Tuzel等人，且其名称为“Modeling low frame rate video with Bayesian estimation”)。通过背景提取而取得额外的核。为解决上述收敛问题，可应用另一个核，其目标“推离”背景区域。

可将跟踪看作给定了到此时为止所有的测量值的情况下的状态估计，或者看作等价地构建目标位置的概率密度函数。简单的跟踪方法是预测滤波。该方法使用了目标的颜色和位置统计，同时利用固定的权重对目标模型进行更新，见Wren等人的“Pfinder：Real-time tracking of thehuman body”，IEEE Trans.Pattern Anal.Machine Intell.，vol.19，pp.780-785，1997，及美国专利第6,911,995号(其专利权人为Ivanov等人，公告日为2005年6月28日，名称为“Computer vision depth segmentation usingvirtual surface”)。通过递归贝叶斯(Bayesian)滤波器而提供一种优化的方案，其解决了连续预测及更新步骤中的问题。

当假定测量噪声呈高斯分布的时候，通过卡尔曼滤波器而提供一种方案，该方案常用于跟踪刚性目标，见Boykov等人的“Adaptive Bayesianrecognition in tracking rigid objects”，Proc.IEEE Conf.On Computer Visionand Pattern Recognition，volume 2，page 697-704，2000，及Rosales等人的“A framework for heading-guided recognition of human activity”，ComputerVision and Image Understanding，volume 91，pages 335-367，2003。卡尔曼(Kalman)滤波器限制于预定的状态转变参数，这些参数控制目标运动特性的“粘度”。

当状态空间离散并且由有限数量的状态构成时，马尔科夫(Markovian)滤波器可用于目标跟踪。最常用类别的滤波器以粒子滤波器为代表，该滤波器基于蒙特卡罗(Monte Carlo)积分方法。特定状态的当前密度由一组具有相关权重的随机样本表示。然后，新的密度基于加权后的样本。

粒子滤波器可用于恢复用于视觉跟踪与验证的条件密度传播。一般地，粒子滤波基于随机样本，由于样本的退化及枯竭，该随机样本是成问题的，尤其是对于高维度问题。可使用基于核的贝叶斯滤波器来对状态空间进行更有效的采样。多重假设滤波器(multiple hypothesis filter)评估移动目标引起某一测量顺序的概率。