[發明專利]一種基于跟蹤學習檢測的目標跟蹤優化方法

有效

• 申請號: 201810079102.5
• 申請日: 2018-01-26
• 公開（公告）號: CN108320301B
• 公開（公告）日: 2022-03-18
• 發明（設計）人: 趙亦工;李長桂
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/277
• 分類號: G06T7/277
• 代理公司: 西安睿通知識產權代理事務所(特殊普通合伙) 61218
• 代理人: 惠文軒

本發明公開了一種基于跟蹤學習檢測的目標跟蹤優化方法，屬于計算機視覺領域，其主要思路為：確定L幀灰度圖像視頻幀序列，每幀灰度圖像視頻幀序列中分別包含一個跟蹤目標；第1幀灰度圖像視頻幀序列中的跟蹤目標位置已知，其余L?1幀灰度圖像視頻幀序列中的跟蹤目標位置未知；t∈{1,2,…,L}，t的初始值為1；在第t幀目標限定框中選取個均勻跟蹤點，進而在第t+1幀灰度圖像視頻幀序列中得到第t+1幀灰度圖像視頻幀序列的跟蹤階段限定框tb_t+1；從第t+1幀灰度圖像視頻幀序列中獲得第t+1幀灰度圖像視頻幀序列的檢測階段限定框db_t+1，進而確定第t+1幀跟蹤目標的最終位置；令t的值加1，直到得到第2幀跟蹤目標的最終位置至第L幀跟蹤目標的最終位置，并記為基于跟蹤學習檢測的目標跟蹤優化結果。

技術領域

本發明屬于計算機視覺領域，特別涉及一種基于跟蹤學習檢測的目標跟蹤優化方法，即一種基于跟蹤-學習-檢測(Tracking-Learning-Detection，TLD)的目標跟蹤優化方法，適用于視頻幀序列中單個目標長時間的穩定跟蹤。

背景技術

近些年來，目標檢測和目標跟蹤一直是計算視覺領域中備受矚目的科技前沿方向，主要包括從視頻幀序列中檢測和識別出感興趣的運動目標，然后持續穩定地跟蹤運動目標，并對運動目標的運動狀態實時進行詳盡描繪；目標檢測和目標跟蹤涉及到人工智能、圖像處理和模式識別等多領域的學科。

隨著相關領域學科的飛速發展，目標檢測和目標跟蹤無論在民用方面還是軍事方面都擁有著無可比擬的應用潛力，已經成為了一項現實生活中無法或缺的非常重要的科學技術；在經過科研工作者長達數十年的研究中，很多優秀的目標跟蹤算法一一問世，例如基于粒子濾波的目標跟蹤算法、基于運動目標建模的目標跟蹤算法和基于卡爾曼濾波的目標跟蹤算法等等，這些經典的目標跟蹤算法都有自己的局限性，不能很好的適用于更廣泛的場景，缺乏對目標長時間實時跟蹤的能力，缺乏自我學習和自我調整的能力，隨著跟蹤時間的變長，跟蹤效果越來越差，最終導致跟蹤的失敗。

目標跟蹤算法TLD的提出很好的解決了視頻幀序列中單目標長時間實時跟蹤的問題，該算法首次將跟蹤和檢測結合起來，二者相互協作，相輔相成，面對復雜的跟蹤場景，如遮擋、光照變化、尺度變換等有較強的抗干擾能力；當目標跟蹤算法TLD跟蹤失敗時，重新檢測能有效再次識別到跟蹤目標，有效的提高了該跟蹤算法的魯棒性，此外目標跟蹤算法TLD創造性的結合了跟蹤和檢測的結果進行在線學習，自我修正，有效的的提高了該跟蹤算法長時間實時跟蹤的穩定性。

目標跟蹤算法TLD可以分為跟蹤階段、檢測階段和學習階段三個階段，跟蹤階段和檢測階段相互獨立，學習階段根據跟蹤階段和檢測階段的結果進行在線學習，不斷完善和穩定目標跟蹤算法TLD的跟蹤能力；其中跟蹤階段和檢測階段的最終輸出分別為跟蹤階段限定框和檢測階段限定框，結合跟蹤階段和檢測階段得到的最終輸出稱為目標限定框；目標跟蹤算法TLD的魯棒性和穩定性值得肯定，但是該算法總體的實時性一般，有待提高，特別是視頻幀序列中的檢測階段，每次都要對整個灰度圖像視頻幀序列進行全局掃描，嚴重影響了檢測階段的檢測速度，進而降低了整個目標跟蹤算法TLD的實時性。

發明內容

針對上述現有技術存在的不足，本發明的目的在于提出一種基于跟蹤學習檢測的目標跟蹤優化方法，該種基于跟蹤學習檢測的目標跟蹤優化方法充分考慮了檢測階段的掃描策略，在跟蹤階段對跟蹤目標進行馬爾科夫預測，在檢測階段利用跟蹤階段的結果縮小掃描范圍，并使用尺度等級無序的滑動窗口進行掃描，有效地提高了目標跟蹤算法TLD的實時性。

為達到上述技術目的，本發明采用如下技術方案予以實現。

一種基于跟蹤學習檢測的目標跟蹤優化方法，包括以下步驟：