[發明專利]一種在線視頻目標跟蹤方法和裝置

有效

• 申請號: 201310390529.4
• 申請日: 2013-08-30
• 公開（公告）號: CN103440668A
• 公開（公告）日: 2013-12-11
• 發明（設計）人: 葛仕明;文輝;陳水仙;秦偉俊;孫利民
• 申請（專利權）人: 中國科學院信息工程研究所
• 主分類號: G06T7/20
• 分類號: G06T7/20;H04N7/18
• 代理公司: 北京輕創知識產權代理有限公司 11212
• 代理人: 楊立

技術領域

本發明涉及視頻流的分析與處理領域，特別涉及一種在線視頻目標跟蹤方法和裝置。

背景技術

近年來，隨著數字媒體技術和智能視頻監控技術的高速發展，公共安全形勢受到社會和公眾的廣泛關注，多媒體和安防視頻數據呈爆炸式增長。傳統耗時的簡單原始的靠人工瀏覽方式已遠遠不能滿足人們對視頻信息分析和處理的需求。因此，迫切需要一種處理速度快、目標跟蹤準，且具有良好健壯性的在線視頻目標跟蹤方法和系統。

目標跟蹤就是在一段圖像序列中的實時找到所感興趣的運動目標，包括其位置、速度及加速度等運動參數。目標跟蹤是計算機視覺領域研究的熱點問題，隨著計算機技術的發展而得到迅猛的發展，目標跟蹤技術也由此得到了長足的進步。上世紀對圖像的處理主要是集中于單幅圖像的處理，即便在動態圖像序列中跟蹤運動目標，也帶有濃厚的靜態圖像處理的特點。直到上世紀八十年代BKP?Horn等人提出了光流法(Optical?Flow,參見Determining?Optical?Flow,BKP?Horn,BG?Schunck,Artificial?intelligence,1981,Elsevier)，目標跟蹤研究才真正意義上步入了動態圖像序列的研究領域。但是由于光流法對計算機處理速度要求極高，在實際應用領域很難滿足實時性的需求。另外，視頻序列存在的噪聲會對光流法跟蹤產生極大的干擾，因此光流法現階段很難應用到實際場合。

目標跟蹤領域的跟蹤算法層出不窮，在跟蹤效果上能滿足某些應用背景的要求，但缺乏通用性。1975年Fukunaga等人在一篇關于概率密度梯度函數的估計中首次提出均值偏移（Mean?Shift,參見The?Estimation?of?the?Gradient?of?a?Density?Function,with?Applications?in?Pattern?Recognition）概念，Yizong?Zheng于1995年在“Mean?Shift?Mode?Seeking?and?Clustering”一文中拓展了Mean?Shift的適用范圍。雖然用Mean?Shift算法對目標跟蹤有著速度快，并且具有較強的抗干擾能力，但是該算法對不同環境、不同運動特性的目標進行跟蹤，也會產生一些影響跟蹤穩定性的因素。比如對復雜背景下的目標跟蹤，對運動中發生了形變、縮放、遮擋等情況的目標進行長時間跟蹤時，其跟蹤穩定性受到較大的影響。針對這些問題，雖然可以通過合理的目標特征選取、有效地核函數（Kernel?Function具體參見黃繼斌,核函數的概念、性質及其應用，湖北師范學院學報，2007）、帶寬自適應更新、模板更新和遮擋檢測機制進行解決，然而在很多不同的應用環境下，要做到以上四點并不是件容易的事情。雖然有很多學者針對這些做了很多研究，并在不同程度上解決了上述問題，但要么是算法復雜度難以滿足實時性，要么就是有許多前提條件，從而使實際的跟蹤效果并不理想。在目標跟蹤過程中，直接對場景中的所有目標進行匹配運算，尋找最佳匹配位置，需要處理大量的冗余信息，這樣運算量比較大，而且沒有必要。一類常見的方法是預測運動物體下一幀可能出現的位置，在其相關區域內尋找最優點。Kalman濾波器（Kalman?Filter,參見A?New?Approach?to?Linear?Filtering?and?Prediction?Problems,RE?Kalman,Journal?of?basic?Engineering,1960）是一個對動態系統的狀態序列進行線性最小方差估計的算法，它通過狀態方程和觀測方程來描述一個動態系統，基于系統以前的狀態序列對下一個狀態作最優估計，預測時具有無偏、穩定和最優的特點，且具有計算量小、可實時計算的特點，可以準確的預測目標的位置和速度，但其只適合于線性且呈高斯分布的系統。

發明內容

本發明所要解決的技術問題是提供一種實時獲取在線視頻并對在線視頻中的目標進行在線跟蹤的在線視頻目標跟蹤方法及裝置。

本發明解決上述技術問題的技術方案如下：一種在線視頻目標跟蹤方法，包括以下步驟：

步驟1：獲取在線視頻中的起始幀圖像，提取圖像特征，根據圖像特征建立初始背景模型；

步驟2：獲取下一幀圖像，同時轉入步驟3和步驟4；

步驟3：將初始背景模型的圖像特征與下一幀圖像的圖像特征進行對比，得到對比結果，根據對比結果更新初始背景模型；

步驟4：獲取下一幀圖像中的前景圖像，在前景圖像中提取前景目標；

步驟5：利用在線學習方法獲得前景目標的目標特征，根據目標特征在下一幀圖像中對前景目標進行定位，得到前景目標的位置信息；