[發(fā)明專利]一種基于分塊的抗遮擋目標(biāo)跟蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201710599859.2
• 申請(qǐng)日: 2017-07-21
• 公開(kāi)（公告）號(hào): CN107424171B
• 公開(kāi)（公告）日: 2020-01-03
• 發(fā)明（設(shè)計(jì)）人: 凌賀飛;羅巍;李平
• 申請(qǐng)（專利權(quán)）人: 華中科技大學(xué)
• 主分類號(hào): G06T7/223
• 分類號(hào): G06T7/223;G06T7/246;G06T7/269;G06T7/292;G06K9/62
• 代理公司: 42201 華中科技大學(xué)專利中心
• 代理人: 廖盈春;李智

本發(fā)明公開(kāi)了一種基于分塊的抗遮擋目標(biāo)跟蹤方法，結(jié)合核相關(guān)濾波跟蹤算法KCF較快的跟蹤速度和較好的跟蹤效果，使得分塊方法的實(shí)時(shí)性得到保證。該方法使用高置信度的模型更新策略，解決了KCF在遇到遮擋問(wèn)題時(shí)的模型漂移問(wèn)題，且加快了跟蹤的速度和精度，同時(shí)利用分塊方法，在目標(biāo)的跟蹤過(guò)程中被部分遮擋后，合理利用未被遮擋部分的位置信息和可靠性，較為準(zhǔn)確的確定了目標(biāo)在遮擋后的位置信息，從而提高了跟蹤對(duì)遮擋的魯棒性。由于本發(fā)明中的方法能夠滿足實(shí)時(shí)性，因此能夠應(yīng)用于真實(shí)場(chǎng)景。

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，更具體地，涉及一種基于分塊的抗遮擋目標(biāo)跟蹤方法。

背景技術(shù)

目標(biāo)跟蹤一直以來(lái)都是計(jì)算機(jī)視覺(jué)領(lǐng)域的研究熱點(diǎn)，可應(yīng)用于軍事領(lǐng)域、醫(yī)學(xué)領(lǐng)域、視頻監(jiān)控系統(tǒng)、虛擬現(xiàn)實(shí)、以及人機(jī)交互等場(chǎng)景。目標(biāo)跟蹤的主要作用是對(duì)視頻流中的目標(biāo)進(jìn)行定位跟蹤，通過(guò)計(jì)算機(jī)自動(dòng)標(biāo)注出目標(biāo)在視頻序列中每一幀中的位置，可以節(jié)省大量人力物力。但當(dāng)前目標(biāo)跟蹤面臨著許多難題，特別是復(fù)雜的場(chǎng)景(如目標(biāo)遮擋、圖像序列低分辨率、復(fù)雜背景、目標(biāo)快速運(yùn)動(dòng)、目標(biāo)形變等)會(huì)使目標(biāo)跟蹤準(zhǔn)確率降低，影響使用效果。同時(shí)，要想把目標(biāo)跟蹤更多的投入到實(shí)際使用中，還需要目標(biāo)跟蹤方法具有實(shí)時(shí)性。因此研究對(duì)這些問(wèn)題具有魯棒性且能達(dá)到實(shí)時(shí)的目標(biāo)跟蹤算法也是目標(biāo)跟蹤領(lǐng)域的一大難題。

目前基于深度學(xué)習(xí)方法的目標(biāo)跟蹤方法和基于深度特征的相關(guān)濾波目標(biāo)跟蹤方法對(duì)目標(biāo)的特征提取較好，因此在對(duì)抗復(fù)雜環(huán)境干擾時(shí)具有較好的魯棒性，但是現(xiàn)有的大多數(shù)該類方法速度都非常慢，難以達(dá)到實(shí)時(shí)。而極少數(shù)高速的該類方法跟蹤效果卻又很差。傳統(tǒng)方法中，由于核相關(guān)濾波(Kernel correlation filter，KCF)方法具有優(yōu)秀的跟蹤效果，同時(shí)跟蹤速度也非常快，因此該方法在近幾年使用得較多。

基于核相關(guān)濾波目標(biāo)跟蹤方法主要過(guò)程為：

(1)初始化階段：根據(jù)給定的目標(biāo)初始位置，對(duì)目標(biāo)周圍一定區(qū)域進(jìn)行循環(huán)采樣，根據(jù)與中心樣本的距離給定連續(xù)的高斯值作為樣本的標(biāo)簽值，提取樣本特征得到目標(biāo)表觀模型，同時(shí)進(jìn)行線性方法或嶺回歸方法，訓(xùn)練得到分類器模型。

(2)跟蹤階段：在待跟蹤幀的搜索區(qū)域進(jìn)行特征提取，將目標(biāo)模型與搜索區(qū)域特征映射到傅里葉域，然后進(jìn)行相關(guān)濾波，響應(yīng)值最高點(diǎn)即認(rèn)為是目標(biāo)中心位置。

(3)模型更新階段：跟蹤到目標(biāo)后，利用跟蹤到的目標(biāo)特征信息以一定的學(xué)習(xí)率更新表觀模型和分類器參數(shù)。

該方法巧妙的對(duì)初始樣本進(jìn)行循環(huán)位移采樣，解決了之前樣本不足的問(wèn)題，同時(shí)利用循環(huán)矩陣在傅里葉域的性質(zhì)，大大加快了跟蹤的速度。但是該方法也具有一些缺陷。初始版本的KCF跟蹤框尺寸固定，無(wú)法應(yīng)對(duì)目標(biāo)尺寸變化，而改進(jìn)版的KCF也只是預(yù)先設(shè)定了一系列尺寸的跟蹤框然后分別進(jìn)行匹配，在速度上自然下降了不少，另外，由于每一幀都會(huì)對(duì)模型進(jìn)行更新，因此該方法在跟蹤的過(guò)程中，模型會(huì)發(fā)生漂移，特別是當(dāng)目標(biāo)發(fā)生完全遮擋后，跟蹤就完全失敗了。

發(fā)明內(nèi)容

針對(duì)現(xiàn)有技術(shù)的以上缺陷或改進(jìn)需求，本發(fā)明的目的在于提供了一種基于分塊的抗遮擋目標(biāo)跟蹤方法，由此解決現(xiàn)有的KCF方法無(wú)法應(yīng)對(duì)目標(biāo)尺寸變化以及在跟蹤過(guò)程中出現(xiàn)的復(fù)雜場(chǎng)景導(dǎo)致的跟蹤漂移或跟蹤失敗的技術(shù)問(wèn)題。

為實(shí)現(xiàn)上述目的，按照本發(fā)明的一個(gè)方面，提供了一種基于分塊的抗遮擋目標(biāo)跟蹤方法，包括：

(1)輸入圖像序列的第一幀，設(shè)置幀數(shù)t＝1，對(duì)第t幀圖像中待跟蹤目標(biāo)所處的目標(biāo)區(qū)域建模得到外觀模型和分類器，并對(duì)目標(biāo)區(qū)域進(jìn)行分塊，對(duì)每塊分別進(jìn)行建模得到各分塊對(duì)應(yīng)的外觀模型和分類器；

(2)若視頻序列沒(méi)有結(jié)束，則繼續(xù)讀入圖像序列，并更新t，若t≤第一預(yù)設(shè)值，則進(jìn)入步驟(3)；否則進(jìn)入步驟(5)；

(3)對(duì)目標(biāo)區(qū)域進(jìn)行跟蹤并更新各分塊對(duì)應(yīng)的外觀模型參數(shù)和分類器參數(shù)，計(jì)算每一個(gè)分塊的置信度，若t＝第一預(yù)設(shè)值，則進(jìn)入步驟(4)，否則進(jìn)入步驟(2)；