[發明專利]一種基于LARK特征的自適應目標跟蹤方法

有效

• 申請號: 201710649699.8
• 申請日: 2017-08-02
• 公開（公告）號: CN107609571B
• 公開（公告）日: 2023-09-05
• 發明（設計）人: 張毅;王琴;柏連發;韓靜
• 申請（專利權）人: 南京理工大學
• 主分類號: G06V10/75
• 分類號: G06V10/75;G06V10/56;G06V10/80;G06V10/74
• 代理公司: 南京蘇創專利代理事務所(普通合伙) 32273
• 代理人: 張學彪

本發明公開一種基于LARK特征的自適應目標跟蹤方法；本發明方法利用LARK(Locally?Adaptive?Regression?Kernels)特征對細微、弱小結構變化敏感且能夠抗光照、噪聲干擾的優勢，聯合顏色信息和空間結構特征，提出基于全局LARK特征匹配和CAMSHIFT(Continuously?Adaptive?Mean?SHIFT)的跟蹤框架，記為GLMT，削弱背景干擾，能夠進行復雜背景下的目標跟蹤。

技術領域

本發明屬于紅外及可見光圖像目標跟蹤領域，具體設計一種基于空間結構特征和灰度信息的目標跟蹤方法。

背景技術

近年來，許多目標跟蹤算法逐步被提出，Bradski提出的CAMSHIFT算法是以顏色直方圖為目標模式的目標跟蹤算法，可以有效的解決目標變形和尺寸縮放的問題，且運算效率較高，但其對快速運動的目標以及背景較復雜時跟蹤效果不好。在此基礎上，許多提出的改進CAMSHIFT跟蹤算法在不同程度上提高跟蹤的穩定性，但這些算法需要保證目標顏色的獨特性，對視頻圖像的質量要求較高，且比較適合簡單背景下的目標跟蹤。對于背景較復雜的實際場景，現已經有很多流行的基于在線學習的跟蹤算法，壓縮跟蹤(CT)算法及其改進算法利用在線學習更新分類器和簡單的貝葉斯分類器獲得目標的最優位置，該算法實時性好，對目標遮擋和外觀變化均具有一定的魯棒性，但跟蹤過程中目標窗尺度固定，因此當目標外觀變化較快時，其分類器的更新速度明顯延遲，容易引起跟蹤漂移。基于時空上下文信息進行視覺跟蹤的STC算法及其改進算法使用了相關性濾波處理，處理速度非常快，但是其選取較簡單的特征得到目標與周圍區域的統計相關性，缺少可靠性，且在目標運動過快或被遮擋時也會出現誤跟蹤。由于紅外圖像的對比度低、色彩信息匱乏且灰度級動態范圍小，使得紅外圖像的跟蹤也成為跟蹤研究領域的熱點。經典的均值漂移跟蹤算法利用目標灰度信息進行目標建模，能夠實時的跟蹤目標，但易受到相似灰度信息背景干擾，且在跟蹤時窗口大小不能隨著實際目標大小變化，導致跟蹤失敗。使用灰度似然比加權核直方圖的方法，以及亮度-距離空間下表示紅外目標模型的方法來改進經典均值漂移跟蹤算法，可以很好地跟蹤剛性的紅外目標，解決了在復雜背景下目標的表示不夠準確的問題，但對于人和動物等非剛性目標的形變會出現跟丟或誤跟蹤的現象。此外融合SURF特征的均值漂移算法在理想狀態下可以解決目標尺度變化的跟蹤問題，但在目標較小或紋理單一的情況下，提取的SURF特征點較少或匹配的特征點對數近似為零，導致無法進行跟蹤。

為了解決上述問題，本文提供一種一種基于LARK特征的自適應目標跟蹤方法。

發明內容

本發明提供一種基于LARK特征的自適應目標跟蹤方法，本發明基于特征匹配以及均值漂移理論，研究出了一種基于全局LARK特征匹配和CAMSHIFT的跟蹤模型，并提出一種局部LARK特征統計匹配模型，結合圖像的彩色或灰度信息，對緊湊型和非緊湊型的目標跟蹤都具有很好地魯棒性。

本發明為解決現有技術問題的技術方案是：首先對模板圖像和待處理圖像進行LARK特征提取，并做適當的去冗余處理，然后根據本發明提出的局部特征統計匹配方法，結合圖像灰度直方圖統計概率，有效區分背景和目標，得到目標概率分布圖，最后利用MeanShift算法得到準確目標位置和大小。

本發明與現有技術相比，其顯著優點為：

1)能有效區分復雜場景下的目標與背景。本發明算法利用的LARK特征對圖片中灰度梯度的變化和細微結構的變化較敏感，結合LARK特征匹配和灰度直方圖統計，在紅外或可見光場景中存在顏色相似物體時，可以得到準確的目標區域。

2)可以跟蹤形變較大的非緊湊型目標。目標發生形變時，存在與模板圖像相似的局部特征，對相似局部特征統計匹配，可以很好地跟蹤到目標。

下面結合附圖對本發明作進一步詳細敘述。

附圖說明

圖1是GLMT算法的流程圖。

圖2是LLSMT算法的流程圖。