![](https://csdnimg.cn/release/download_crawler_static/87486170/bg4.jpg)
下载: 全尺寸图片 幻灯片
1.2 改进的颜色模型结构
为了解决上述问题, 本文的思路是对颜色模型的结构形式进行重新设计, 将区间的均
值和方差纳入到模型中, 在每一区间内对其颜色分布进行二次统计, 如此即可较好地应对同
一区间视觉上有差异的颜色的区分问题.
为方便说明, 将目标框像素点按照扫描线顺序形成集合{xi}Ni=1{xi}i=1N, xixi 的颜色值
记为 C(xi)C(xi), 对应的颜色直方图区间序号记为 l(xi)l(xi), mm 表示颜色直方图的区间总
数.我们重新设计目标的颜色模型为
O={b1,b2,b3,⋯,bm}O={b1,b2,b3,⋯,bm}
其中, bubu 为如下四元组:
bu={pu,μu,σ2u,wu},u=1,⋯,mbu={pu,μu,σu2,wu},u=1,⋯,m
pupu 为该区间颜色在图像中的出现频值, μuμu 为区间颜色均值, σ2uσu2 为区间颜色方
差, 计算式为
⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪pu=ρ1∑i=1Nwuδ[l(xi−u)]μu=ρ2∑i=1NwuC(xi)δ[l(xi−u)]σ2u=ρ2∑i=1Nwu(C(xi)−μu)2δ[l(xi−u)]{pu=ρ1∑i=1Nwuδ[l(xi−u)]μu=ρ2∑i=1NwuC(xi)δ[l(xi−u)]σu2=ρ2∑i=1Nwu(C(xi)−μu)2δ[l(xi−u)]
其中, δδ 为克罗内克(Kronecker)函数
⎧⎩⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪ρ1=1∑u=1m∑i=1Nwuδ[l(xi−u)]ρ2=1∑i=1Nδ[l(xi−u)]{ρ1=1∑u=1m∑i=1Nwuδ[l(xi−u)]ρ2=1∑i=1Nδ[l(xi−u)]
其中, wuwu 为权重系数, 反映了区间 uu 的颜色在目标颜色模型中的重要程度, 式(5)
是与时间 tt 有关的, 为简便计, 统一将 tt 略去.下面分析该系数的计算方式.
1.3 背景抑制的权重计算策略
如第 1.1 节所述, 目标颜色的重要程度未必与其分布位置必然相关, 因此简单地使用随
空间位置变化的权重函数并不合理.事实上, 人类视觉有着长期进化形成的非常有效的捕捉
和跟踪机制, 值得算法借鉴.例如人类在观察对象时更侧重关注对象与背景差异较大的部分,
如观察一个身着黑衣的人在夜间行走, 会更倾向于关注行人的头部.即并非目标中的颜色都
是起关键作用的, 只有那些能将目标从背景中分离出来的颜色才是真正重要的.
基于上述分析, 本文给权重函数设立的计算原则是, 目标框中颜色信息的重要程度与
背景相关, 与背景差异越大其颜色的特异性在目标识别中越重要, 相应的权重也应该更大,
这样即使目标中有与背景相近的颜色, 但是因赋予其较小的权重而使其不会在跟踪中起主