[發明專利]一種基于超像素和混合哈希的核相關濾波目標跟蹤方法

有效

• 申請號: 201710128271.9
• 申請日: 2017-03-06
• 公開（公告）號: CN107123130B
• 公開（公告）日: 2019-12-10
• 發明（設計）人: 康文雄;吳桂樂
• 申請（專利權）人: 華南理工大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/262
• 代理公司: 44245 廣州市華學知識產權代理有限公司
• 代理人: 霍健蘭;梁瑩

本發明提供了一種基于超像素和混合哈希的核相關濾波目標跟蹤方法，其特征在于：首先通過超像素聚類和分割的方法重構了目標外觀模型，并將目標劃分為有意義的超像素塊，計算每個超像素塊的超像素塊參數，提取每個超像素塊的有效特征；然后分別進行基于高斯核相關濾波的跟蹤操作，得到候選超像素塊跟蹤結果；之后計算每個超像素塊的LAB顏色哈希序列和DCT變換哈希序列，并結合為混合哈希序列，再結合超像素塊參數和幾何約束修正位置，定位需要跟蹤目標的位置并估算尺度。該方法不僅可實現整體目標的跟蹤，提升目標跟蹤的精度和抗干擾能力，還可有效解決目標的尺度變化問題。

技術領域

本發明涉及圖像處理與分析技術領域，更具體地說，涉及一種基于超像素和混合哈希的核相關濾波目標跟蹤方法。

背景技術

目標跟蹤作為計算機視覺領域最活躍的主題之一，在視頻監控、人機交互、行為分析、軍事行動等領域具有極其重要的作用。近年來，目標跟蹤得到極大的發展，計算機視覺領域的研究人員提出了大量的目標跟蹤算法。當前的目標跟蹤方法大體上可以分為兩類：一種是將目標跟蹤問題歸納為二元分類問題，通過訓練二元分類器將目標從背景中區分出來，從而實現目標的持續跟蹤；另一種是通過學習目標的外觀模型，將搜索區域的最小模型誤差位置作為目標位置，達到持續跟蹤目標的目的。

第一種目標跟蹤方法主要是提取目標的有效特征，并學習特征空間的區分性判別準則，通過在線訓練二元分類器的方法，從場景中定位目標。雖然這種方法在很多情況下都能準確定位目標，但是由于這種方法忽略了目標外觀的重要性，在一定程度上降低了跟蹤的效果。第二種目標跟蹤方法以目標外觀模型學習為基礎，通過在線學習目標外觀模型的變化，在搜索區域尋找最小模型誤差所在位置，將該位置作為目標位置。雖然這種方法強調了目標外觀模型的重要性，但是卻忽略了目標與背景的區分性，導致跟蹤漂移和目標丟失現象的發生。

此外，隨著目標跟蹤研究的不斷深入與發展，近年來，基于核函數的目標跟蹤方法得到極大的發展，并在各個領域展現了較好的實時性應用前景。這種方法在廣義上屬于第一種目標跟蹤方法，但不同于常用的二元分類方法，基于核函數的目標跟蹤方法引入了循環矩陣和傅里葉分析的方法，通過循環采樣目標的鄰近區域，得到大量的正負樣本，再用這些正負樣本訓練分類器從而實現目標跟蹤。雖然這種方法時間消耗小、速度快，但是魯棒性仍有待提高。

由此可見，當前目標跟蹤領域已有的算法仍然存在很多的不足之處，尤其是目標跟蹤精度和速度的相互約束關系仍需要綜合解決。

發明內容

本發明的目的在于克服現有技術中的缺點與不足，提供一種基于超像素和混合哈希的核相關濾波目標跟蹤方法；該方法不僅可實現整體目標的跟蹤，提升目標跟蹤的精度和抗干擾能力，還可有效解決目標的尺度變化問題。

為了達到上述目的，本發明通過下述技術方案予以實現：一種基于超像素和混合哈希的核相關濾波目標跟蹤方法，其特征在于：包括以下四個步驟：

S1步，捕獲第一幀圖像，利用SLIC超像素分割算法將目標區域及其周圍區域的各個像素聚類為超像素；并用meanshift聚類算法將各個超像素進行二次聚類，得到大型超像素；之后計算各個大型超像素的重疊度O_b，獲取需要跟蹤目標的有效范圍；

S2步，預設重疊度閾值，根據重疊度O_b和重疊度閾值，將需要跟蹤目標的有效范圍內的大型超像素歸為三個候選超像素塊；之后計算用于后續跟蹤的超像素塊參數；所述超像素塊參數包括各個超像素塊的權重和權重標志，以及各個超像素塊之間的歐氏距離和修正約束距離比率；

S3步，獲取下一幀圖像作為當前處理圖像并提取三個候選超像素塊，提取三個候選超像素塊的LAB顏色空間，并通過映射和降維的方法轉化為4維的顏色屬性特征空間；對各個候選超像素塊分別使用基于高斯核的相關濾波目標跟蹤方法，通過循環采樣與傅里葉分析計算各個候選超像素塊的最大響應位置；在最大響應位置，分別用不同尺度的目標區域框與上一幀圖像的超像素塊進行相關卷積，從而獲取最大響應的候選超像素塊；