[發明專利]一種基于先驗模型約束的抗干擾輪廓跟蹤方法

有效

• 申請號: 201710071152.4
• 申請日: 2017-02-09
• 公開（公告）號: CN106780564B
• 公開（公告）日: 2019-05-14
• 發明（設計）人: 劉萬軍;劉大千;費博雯;曲海成;馮永安
• 申請（專利權）人: 遼寧工程技術大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/11;G06K9/62
• 代理公司: 沈陽東大知識產權代理有限公司 21109
• 代理人: 梁焱

1.一種基于先驗模型約束的抗干擾輪廓跟蹤方法，其特征在于，包括以下步驟：

步驟1：讀取待跟蹤視頻圖像序列，將前T₁幀待跟蹤視頻圖像序列作為訓練圖像序列；

步驟2：采用陸地移動距離模型匹配算法確定訓練圖像序列的目標區域，采用簡單線性迭代聚類算法和均值漂移聚類算法建立待跟蹤視頻圖像的初始先驗模型；

步驟2.1：標定出當前訓練圖像序列中第一幀圖像的目標區域；

步驟2.2：采用陸地移動距離模型匹配算法跟蹤當前訓練圖像序列，確定當前訓練圖像序列中的初始目標區域；

步驟2.3：對當前訓練圖像序列中的初始目標區域進行拓展，采用簡單線性迭代聚類算法對當前訓練圖像序列的擴展區域進行超像素分割，得到當前訓練圖像的訓練樣本集；

步驟2.4：利用均值漂移聚類算法建立當前訓練樣本集的超像素塊的簇集合，對超像素塊的簇集合進行目標區域劃分，得到屬于目標區域的各個聚類簇clst(i)，即得到待跟蹤視頻圖像的初始先驗模型，其中，i＝1，...，n，n為當前訓練圖像的訓練樣本集聚類簇個數；

步驟3：讀取第T₁+1幀待跟蹤視頻圖像序列作為當前第t′幀圖像，其中，t′＝T₁+1，...，T，T為待跟蹤視頻圖像序列個數；

步驟4：將待跟蹤視頻圖像的初始先驗模型作為初始目標模型，基于特征空間函數確定初始目標模型的目標特征分布；

步驟5：采用當前目標模型的目標特征分布對當前第t′幀圖像進行水平集演化，得到當前第t′幀圖像的目標候選區域，采用簡單線性迭代聚類算法和均值漂移聚類算法確定當前第t′幀圖像的目標區域，并計算當前第t′幀圖像的目標區域置信度C_t′；

步驟5.1：采用當前目標模型的目標特征分布對當前第t′幀圖像進行水平集演化，得到當前第t′幀圖像與當前目標模型相匹配的候選區域，作為當前第t′幀圖像的目標候選區域；

步驟5.2：對當前第t′幀圖像的目標候選區域進行拓展，采用簡單線性迭代聚類算法對當前第t′幀圖像的擴展區域進行超像素分割，得到當前第t′幀圖像的超像素塊；

步驟5.3：利用均值漂移聚類算法建立當前第t′幀圖像的擴展區域的超像素塊的簇集合，對超像素塊的簇集合進行目標區域劃分，得到屬于當前第t′幀圖像的目標區域的各個聚類簇clst(i_t′)，即得到當前第t′幀圖像的目標區域，并計算當前第t′幀圖像的目標區域置信度C_t′；

步驟6：根據當前第t′幀圖像的目標區域置信度C_t′判斷當前第t′幀圖像是否發生遮擋，并根據其遮擋情況，確定當前第t′幀圖像的初始目標輪廓，對當前第t′幀圖像的初始目標輪廓進行水平集演化，得到當前第t′幀圖像的精準目標輪廓；

步驟6.1：計算當前第t′幀圖像的遮擋參數θ_t′，若當前第t′幀圖像的遮擋系數θ_t′小于遮擋閾值θ₀，則當前第t′幀圖像的目標區域發生遮擋，執行步驟6.2，否則，執行步驟6.3；

所述當前第t′幀圖像的遮擋參數θ_t′的計算公式如下所示：

步驟6.2：將當前目標模型與當前第t′幀圖像的目標區域的交集作為當前第t′幀圖像的初始目標輪廓，執行步驟6.4；

步驟6.3：將當前目標模型作為當前第t′幀圖像的初始目標輪廓；

步驟6.4：對當前第t′幀圖像的初始目標輪廓進行水平集演化，得到當前第t′幀圖像的精準目標輪廓；

步驟7：判斷當前圖像幀數t′是否達到待跟蹤視頻圖像序列個數T，若是，執行步驟11，否則，執行步驟8；

步驟8：根據當前第t′幀圖像的目標區域置信度C_t′，判斷當前第t′幀圖像是否發生嚴重遮擋，并根據其遮擋情況，對當前待跟蹤視頻圖像的先驗模型進行更新；

步驟8.1：若當前第t′幀圖像的遮擋系數θ_t′，小于嚴重遮擋閾值θ₁，則當前第t′幀圖像的目標區域發生嚴重遮擋，執行步驟8.2，否則，執行步驟8.4；

步驟8.2：將當前第t′幀圖像替換當前待跟蹤視頻圖像的先驗模型中第t′-1幀圖像，并在當前t′幀圖像目標區域的聚類簇中選取補償聚類特征加入當前待跟蹤視頻圖像的先驗模型的目標區域的聚類簇，得到更新的待跟蹤視頻圖像的先驗模型的目標區域的聚類簇；

步驟8.3：計算更新的待跟蹤視頻圖像的先驗模型的目標區域的聚類簇的置信度，得到更新后的待跟蹤視頻圖像的先驗模型，執行步驟9；

步驟8.4：判斷當前圖像幀數t′是否為常數l的倍數，若是，則將當前第t′幀圖像的精準目標輪廓替換當前訓練圖像序列的第一幀圖像，更新訓練圖像序列，執行步驟8.5，否則，執行步驟8.6；

步驟8.5：采用簡單線性迭代聚類算法和均值漂移聚類算法確定更新的訓練圖像序列的目標區域，建立更新后的待跟蹤視頻圖像的先驗模型，執行步驟9；

步驟8.6：將當前待跟蹤視頻圖像的先驗模型作為更新后的待跟蹤視頻圖像的先驗模型；

步驟9：令t′＝t′+1作為當前第t′幀圖像；

步驟10：將更新后的待跟蹤視頻圖像的初始先驗模型作為當前目標模型，基于特征空間函數確定當前目標模型的目標特征分布，返回步驟5；

步驟11：得到待跟蹤視頻圖像序列的跟蹤結果。