[發(fā)明專利]一種基于TLD算法的目標(biāo)跟蹤方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201710340039.1
• 申請(qǐng)日: 2017-05-15
• 公開（公告）號(hào): CN107248174A
• 公開（公告）日: 2017-10-13
• 發(fā)明（設(shè)計(jì)）人: 劉飛;宗靖國(guó);胡淑桃;俱青
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06T7/269
• 分類號(hào): G06T7/269;G06T7/246;G06K9/62
• 代理公司: 深圳精智聯(lián)合知識(shí)產(chǎn)權(quán)代理有限公司44393
• 代理人: 王海棟

技術(shù)領(lǐng)域

本發(fā)明屬于目標(biāo)跟蹤技術(shù)領(lǐng)域，具體涉及一種基于TLD算法的目標(biāo)跟蹤方法。

背景技術(shù)

目標(biāo)跟蹤在軍事和民用領(lǐng)域中都有廣泛的應(yīng)用。隨著現(xiàn)代航空航天技術(shù)的飛速發(fā)展，各種航行速度和機(jī)動(dòng)性能越來(lái)越高，對(duì)目標(biāo)跟蹤也提出越來(lái)越高的要求。目標(biāo)跟蹤是把自動(dòng)控制、圖像處理、信息科學(xué)有機(jī)結(jié)合起來(lái)，形成了一種能從圖像信號(hào)中實(shí)時(shí)地自動(dòng)識(shí)別目標(biāo)、提取和預(yù)測(cè)目標(biāo)位置信息，自動(dòng)跟蹤目標(biāo)運(yùn)動(dòng)技術(shù)。

作為一種基于在線學(xué)習(xí)檢測(cè)的單目標(biāo)跟蹤算法，TLD(Tracking-Learning-Detection，簡(jiǎn)稱TLD)跟蹤算法由于其良好的跟蹤性能，受到了廣泛的關(guān)注。

該算法主要由跟蹤模塊、檢測(cè)模塊、學(xué)習(xí)模塊三個(gè)部分組成。跟蹤模塊采用中值光流法預(yù)測(cè)出目標(biāo)在當(dāng)前幀中的位置；檢測(cè)模塊使用了三層級(jí)聯(lián)分類器，方差分類器、隨機(jī)蕨分類器、最近鄰分類器，檢測(cè)出目標(biāo)在當(dāng)前幀中的位置；學(xué)習(xí)模塊利用P-N在線學(xué)習(xí)的方法，不斷更新跟蹤模塊的“顯著特征點(diǎn)”和檢測(cè)模塊的目標(biāo)模型及相關(guān)參數(shù)，從而使得跟蹤效果更加穩(wěn)定、魯棒、可靠。

TLD算法較好的解決了被跟蹤目標(biāo)在被跟蹤過(guò)程中發(fā)生的形變、部分遮擋等問(wèn)題。現(xiàn)有的TLD算法，例如專利申請(qǐng)?zhí)枮?01610530203.0的一種基于TLD算法的目標(biāo)跟蹤方法中，跟蹤模塊使用均勻采點(diǎn)確定特征點(diǎn)，計(jì)算量大，跟蹤實(shí)時(shí)性差，且部分特征點(diǎn)只包含目標(biāo)的位置信息，不具有代表性，不能夠被可靠地跟蹤，使得跟蹤結(jié)果易發(fā)生漂移。在采用均勻采點(diǎn)得到大量特征點(diǎn)后，利用金字塔LK光流法和NCC法篩選特征點(diǎn)，計(jì)算量大，實(shí)時(shí)性差。

因此，現(xiàn)有的TLD算法其計(jì)算復(fù)雜度高，計(jì)算量大，在實(shí)時(shí)性方面與實(shí)際系統(tǒng)的需求存在較大差距，如何提高TLD算法的目標(biāo)跟蹤算法的實(shí)時(shí)性仍然是一個(gè)極富挑戰(zhàn)性的課題。

發(fā)明內(nèi)容

為了解決現(xiàn)有技術(shù)中存在的上述問(wèn)題，本發(fā)明提供了一種基于TLD算法的目標(biāo)跟蹤方法，包括：跟蹤模塊、檢測(cè)模塊、學(xué)習(xí)模塊，該目標(biāo)跟蹤方法包括：

從第一幀圖像中初始化選取目標(biāo)區(qū)域；

所述跟蹤模塊根據(jù)上一幀中目標(biāo)區(qū)域信息預(yù)測(cè)當(dāng)前幀圖像中對(duì)應(yīng)的目標(biāo)區(qū)域信息并采用感知哈希算法對(duì)所述當(dāng)前幀圖像中目標(biāo)區(qū)域信息進(jìn)行篩選以確定目標(biāo)跟蹤結(jié)果；

所述檢測(cè)模塊確定目標(biāo)檢測(cè)結(jié)果；

根據(jù)所述目標(biāo)跟蹤結(jié)果與所述目標(biāo)檢測(cè)結(jié)果確定目標(biāo)跟蹤區(qū)域；

將所述目標(biāo)跟蹤區(qū)域輸入至所述學(xué)習(xí)模塊進(jìn)行學(xué)習(xí)。

在本發(fā)明的一個(gè)實(shí)施例中，所述跟蹤模塊根據(jù)上一幀中目標(biāo)區(qū)域信息預(yù)測(cè)當(dāng)前幀圖像中對(duì)應(yīng)的目標(biāo)區(qū)域信息并采用感知哈希算法對(duì)所述當(dāng)前幀圖像中目標(biāo)區(qū)域信息進(jìn)行篩選以確定目標(biāo)跟蹤結(jié)果包括：

對(duì)所述上一幀圖像中目標(biāo)區(qū)域提取第一特征點(diǎn)；

預(yù)測(cè)所述第一特征點(diǎn)在所述當(dāng)前幀圖像中對(duì)應(yīng)的第二特征點(diǎn)；

采用所述感知哈希算法篩選所述第二特征點(diǎn)提取第三特征點(diǎn)；

由所述第三特征點(diǎn)確定目標(biāo)位置作為所述目標(biāo)跟蹤結(jié)果。

在本發(fā)明的一個(gè)實(shí)施例中，對(duì)所述上一幀圖像中目標(biāo)區(qū)域提取第一特征點(diǎn)采用SURF算法。

在本發(fā)明的一個(gè)實(shí)施例中，所述SURF算法包括：

利用上一幀圖像目標(biāo)區(qū)域計(jì)算圖像尺度空間；

將所述圖像尺度空間通過(guò)非極大值抑制確定所述第一特征點(diǎn)。

在本發(fā)明的一個(gè)實(shí)施例中，所述第一特征點(diǎn)為SURF角點(diǎn)。

在本發(fā)明的一個(gè)實(shí)施例中，預(yù)測(cè)所述第一特征點(diǎn)在所述當(dāng)前幀圖像中對(duì)應(yīng)的第二特征點(diǎn)采用金字塔LK光流法。

在本發(fā)明的一個(gè)實(shí)施例中，采用所述感知哈希算法篩選所述第二特征點(diǎn)提取第三特征點(diǎn)包括：

計(jì)算所述第一特征點(diǎn)所在圖像塊的第一哈希指紋；

計(jì)算所述第二特征點(diǎn)所在圖像塊的第二哈希指紋；

計(jì)算所述第一特征點(diǎn)的第一哈希指紋和對(duì)應(yīng)的所述第二特征點(diǎn)的第二哈希指紋間的漢明距離；

選取所述漢明距離的中值作為閾值，篩選所述第二特征點(diǎn)得到所述第三特征點(diǎn)。

在本發(fā)明的一個(gè)實(shí)施例中，將所述漢明距離的中值作為閾值，篩選所述第二特征點(diǎn)得到所述第三特征點(diǎn)包括：將所述漢明距離小于等于所述閾值且小于15的圖像塊對(duì)應(yīng)的所述第二特征點(diǎn)保留，否則篩掉。

在本發(fā)明的一個(gè)實(shí)施例中，所述檢測(cè)模塊確定目標(biāo)檢測(cè)結(jié)果包括：

對(duì)所述當(dāng)前幀圖像進(jìn)行全局遍歷以得到所述檢測(cè)模塊確定的待選目標(biāo)；

采用所述檢測(cè)模塊的方差分類器、隨機(jī)蕨分類器及最近鄰分類器對(duì)至少一個(gè)所述待選目標(biāo)進(jìn)行處理形成所述目標(biāo)檢測(cè)結(jié)果。

在本發(fā)明的一個(gè)實(shí)施例中，對(duì)所述當(dāng)前幀圖像進(jìn)行全局遍歷采用滑窗方式。