目标跟踪是计算机视觉系统的重要组成部分之一,其以图像处理为基础,实现对场景中目标的实时跟踪,为更高层次的目标行为识别、语义分析等奠定了基础[1]。相比于一般的图像处理,目标跟踪除了追求准确性之外,跟踪效率也是一个不容忽视的关注点。
自计算机视觉被提出之后,目标跟踪一直都是国内外学者的热门研究问题之一。文献[2]使用颜色直方图建模,并通过Mean shift寻找局部极值实现目标的跟踪。文献[3]提出了基于核的典型相关分析(Kernel-CAA)建模,成功地实现了目标的轨迹跟踪与姿态估计。文献[4]提出了一种基于嵌入式的稳健目标跟踪学习,在一定程度降低了目标跟踪过程中的光照影响,能够在目标表现产生一定变化的情况下依然能够跟踪到目标。文献[5]采取对目标分块处理,通过局部稀疏表示与对齐池化建模,结果表明该方法不仅具有一定的抗光性,且在目标局部缺失的情况下也能起到较好的跟踪效果。文献[6]提出了一种新的FAST-Snake目标跟踪算法,利用改进的FAST角点匹配目标,并将匹配的目标轮廓作为Snake模型初始轮廓,在一定程度提高了目标跟踪的实时性。文献[7]在核相关滤波器的目标跟踪框架下给出一种尺度估计策略,提出了一种多尺度视觉目标跟踪算法,减少了目标尺度变化、光照变化等的影响。文献[8]提出了一种感知哈希技术目标跟踪算法,利用感知哈希技术提取目标特征并模板匹配,证明了该算法在目标发生遮挡及尺度变化的情况下依然具有良好的跟踪效果。
本文在文献[8]的基础上提出一种融合动态预测的感知哈希目标跟踪算法,通过范围预测和方位动态预测提高跟踪效率。
1 图像感知哈希算法
图像感知哈希算法是在传统的图像哈希算法基础上发展而来的一种新技术,是一种基于图像自身内容,以图像特征为基础, 从图像数据到感知哈希值的单向映射[9]。
1.1 基于DCT的感知哈希生成算法
基于DCT的图像感知哈希算法是一种能够有效感知图像全局特征的算法,将图片认为是一个二维信号,包含了表现大范围内的亮度变化小的低频部分与局部范围亮度变化剧烈的高频部分,而高频部分一般存在大量的冗余和相关性。通过DCT变换,可以将高能量信息集中到图像的左上角区域[10]。如图 1所示,将指纹图像进行DCT后得到其变换结果,图像左上角变化明显而右下角几乎没有变化。
![]() |
图 1 DCT变换 |
对于二维尺度的DCT变换,其表达式为
(1)
式中,f为图像像素点;F为DCT阈矩阵;c为余弦系数矩阵。通过DCT处理之后,图像被压缩,并从像素域变换到频率域,图像能量集中到左上角。左上角的内容称为图像的感知摘要,并计算得到感知摘要的哈希值。
1.2 基于汉明距离的感知哈希匹配算法
通过DCT生成的图像感知摘要都是相互独立的,对于建立图片之间的关系,感知哈希匹配函数的作用就在于以量化的形式描述图像之间的相似性,并最终为感知哈希算法的模板匹配提供明确的依据。哈希匹配函数如下所示
(2)
式中,PHMatch代表感知哈希匹配算法;参数h和h′分别表示两幅图像的感知摘要;pd表示摘要之间的感知距离。
汉明距离[11]