[發明專利]一種基于軌跡優化的目標跟蹤方法及系統

有效

• 申請號: 201710876003.5
• 申請日: 2017-09-25
• 公開（公告）號: CN107590821B
• 公開（公告）日: 2022-03-04
• 發明（設計）人: 胡瑞敏;阮威健;閆素;梁超;陳軍;黃文軍;張精制;鄭淇;孫志宏;陳金
• 申請（專利權）人: 武漢大學
• 主分類號: G06T7/246
• 分類號: G06T7/246
• 代理公司: 武漢科皓知識產權代理事務所(特殊普通合伙) 42222
• 代理人: 嚴彥

本發明提供一種基于軌跡優化的目標跟蹤方法及系統，在第一幀進行目標模型的構建，包括首先對目標進行樣本的采樣，進而根據與目標的覆蓋率標記樣本，提取多融合特征訓練結構化的分類器，得到基礎的目標模型；然后在后續幀圖片中采取若干候選，利用每一個候選訓練模型，選出下一幀中置信度最高的候選。如此迭代多幀之后，根據連續多幀中構成的多條軌跡的平均置信度，從而選出目標的最佳運動短軌跡。因此，本發明通過引入目標在連續幀的時序穩定性，克服了傳統的基于靜態檢測方法因忽略時空信息導致模型判別力不足，從而無法選出最佳目標而導致模型漂移的問題，并且提出一種基于多特征融合的結構化輸出分類模型，能有效地提高模型的辨別力。

技術領域

本發明屬于計算機視覺領域，尤其涉及一種基于軌跡優化的目標跟蹤方法及系統。

背景技術

目標跟蹤的目標是在連續的圖像或視頻序列中估計出感興趣目標的運動狀態和運動軌跡。它是計算機視覺的一個重要分支，被廣泛應用于行為分析、視頻監控、智慧交通、國防建設等各個領域。近年來，盡管目標跟蹤已經取得了很大的進展^[1-5]，但是由于光照變化、尺度變化、以及局部遮擋等環境因素的影響，當前的跟蹤算法的魯棒性和穩定性還具有一定的局限性。

現有的目標跟蹤算法大致可歸為生成式方法和判別式方法。生成式方法是指在圖像區域中找到與運動目標模型最相似的區域以實現跟蹤。而判別式跟蹤方法把跟蹤看成二分類問題，旨在構造一個分類器將目標和背景區分出來。如Kalal等人提出一種P-N學習方法以利用正負樣本之間的結構關系來學習一個分類器從而實現跟蹤^[2]。

然而，現有的大多數跟蹤器通常將跟蹤視為靜態檢測或匹配任務，即僅僅通過當前幀得到的某種判斷依據來確定跟蹤目標，比如分類器的分類分數等，忽略了目標在相鄰幀之間的時空關系。而跟蹤是一個定位在時空序列上的視覺任務，時間上下文和空間上下文信息都應該利用。舉個例子，如果用一個分類器在當前幀中檢測出了四個得分最高的候選，置信度分別為0.86,0.82,0.78和0.76，是無法保證置信度為0.86的候選就是最正確的跟蹤目標的。因為這些置信度與所構建的觀察模型有關。若模型的辨別力不足，它的估計可能還不夠充分，需要對候選進一步確認。因此，如何通過目標在相鄰幀以及連續多幀的時空關系來進一步選出最優目標，是值得探索的問題。針對這個問題，本發明提出了一種軌跡優化的目標跟蹤技術方法。

此外，為了應用軌跡優化的目標跟蹤后處理策略，首選需要構建一個基礎分類模型。在構建分類器的過程中，如果只是簡單地賦予訓練樣本二進制標簽，會帶來標簽上的模糊性，模型也會因引入錯誤標記到的樣本而大大降低判別力。另一方面，特征表示是一個魯棒的跟蹤算法中的重要組成部分之一，如何為目標構建魯棒的目標表示模型也受到了研究者的廣泛關注。針對這兩個問題，本發明還構建了一個基于多特征融合的結構化輸出分類器，以作為本發明的算法基礎模型。其中，基礎模型在訓練和測試過程都是結構化輸出的。

相關參考文獻：

[1]Henriques J F,Caseiro R,Martins P,et al.High-speed tracking withkernelized correlation filters[J].IEEE Transactions on Pattern Analysis andMachine Intelligence,2015,37(3):583-596.

[2]Kalal Z,Mikolajczyk K,Matas J.Tracking-learning-detection[J].IEEEtransactions on pattern analysis and machine intelligence,2012,34(7):1409-1422.

[3]Zhang K,Zhang L,Yang M H,et al.Fast tracking via spatio-temporalcontext learning[J].arXiv preprint arXiv:1311.1939,2013.