[發明專利]一種適用于長程跟蹤的魯棒性視覺目標跟蹤方法

有效

• 申請號: 201810463293.5
• 申請日: 2018-05-15
• 公開（公告）號: CN108921872B
• 公開（公告）日: 2022-02-01
• 發明（設計）人: 顧國華;顧燁儀;萬敏杰;錢惟賢;任侃;路東明;陳錢;顧芷西;隋修寶;何偉基
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/764;G06K9/62
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 唐代盛

本發明公開了一種適用于長程跟蹤的魯棒性視覺目標跟蹤方法，首先根據視頻序列的初始幀圖像與目標在初始幀中的位置信息提取正負樣本，對樣本圖像塊作特征提取得到低維特征向量，使用線性支持向量機技術初始化目標外觀模型；然后對得到的支持向量機模型進行邏輯斯蒂回歸，對目標外觀模型在粒子濾波框架下估計目標位置；隨后，將中值流跟蹤算法與當前的粒子濾波算法結合協同跟蹤，在跟蹤過程中采用增量減量技術在線更新外觀模型，將原始的外觀模型與新樣本結合在線更新外觀模型，直到最后一幀結束更新，從而實現了魯棒性的視覺目標跟蹤。本發明實現了機制迥異的兩路跟蹤方法的并行互補，解決了跟蹤進程中不斷產生新信息而造成空間冗余的問題。

技術領域

本發明屬于光學信號處理與數字圖像處理技術領域，特別是一種適用于長程跟蹤的魯棒性視覺目標跟蹤方法。

背景技術

對于復雜情況下的魯棒性目標跟蹤算法研究，長久以來都在光學信號處理應用領(如軍事目標打擊、視頻監控和機器人視覺等)中占據一席之地。由于目標跟蹤具有滯后性，往往是通過前段視頻序列中的信息來估計后一幀目標出現的位置，而在實際場景下，目標在二維圖像中的顯示的外觀總是隨著干擾因素而不斷變化的，這些干擾因素可能是來自自身的形變、轉動、姿勢變化等，也可以是源于外界的光源擾動、遮擋等。因此，例如光流跟蹤、模板匹配、粒子濾波等傳統的跟蹤方法往往只能適應一些簡單場景下的目標跟蹤并且存在漂移累積的問題。近年來，統計學習理論在目標跟蹤領域得到了廣泛的應用，利用統計學習方法構建在線模型來取代簡單的模板使得原始的跟蹤方法在魯棒性和穩定性上得到了很大的提升。其中，較為常見的有基于隨機森林(張丹,陳興文,趙姝穎.基于改進的隨機森林TLD目標跟蹤方法[J].大連民族大學學報,2016,18(3):255-259.)、支持向量機(鄭建賓.基于粒子濾波和在線訓練支持向量機的目標跟蹤新方法[J].電腦知識與技術,2008,4(32):1190-1193.)、boost發法(蔡明瓊,郭太良,姚劍敏.基于改進On-line Boosting算法的視頻目標跟蹤[J].電視技術,2015,39(16):65-68.)等理論的目標跟蹤方法。然而，現有的技術研究，大多只是在已有理論成果上對跟蹤算法本身從單一的角度進行修正與改進以提高精度，而缺少實際應用下穩健跟蹤方法的系統設計。

針對穩健的跟蹤任務，其關鍵在于建立一個魯棒的在線外觀模型及相應的更新策略，為了克服目標外觀變化所產生的跟蹤問題，大量基于外觀模型的算法應運而生，可以分為兩類：生成式模型和判別式模型。生成式模型單純得根據目標樣本建模，再在候選樣本中尋找與目標函數最為匹配的樣本作為跟蹤結果，并在線更新模型，比較有效的幾種算法是基于增量學習、PCA主成分分析、稀疏矩陣等。該些算法大多著重于通過特征分析技術來提取出目標塊的顯著特征信息，去除冗余的無用信息，然后在后一幀中尋找最為接近的樣本。而判別式模型則是通過對正負樣本同時分析來獲取一個能夠分辨是目標還是背景的分類器，判別式的模型由于兼顧了對背景的分析，因此在目標較大變化的情況下較生成式模型具有更好的魯棒性。然而，無論是基于生成式模型還是判別式目標外觀模型的跟蹤方法，都涉及了模型的建立、更新及狀態決策等諸多問題。盡管現有的理論研究已經較好的將統計學習的理論植入了視覺目標跟蹤的領域中，但針對樣本采集、尺度適應、模型更新、跟蹤漂移等實際的問題缺少實施方案的設計，算法的改進也只是從某一單一因素進行克服，例如針對遮擋、光照的問題，但是對復雜的情況缺少可靠方法來應對實際情況下可能出現的上述問題。

發明內容

本發明的目的在于提供一種基于在線目標判別式外觀模型與中值流跟蹤的協同運作的適用于長程跟蹤的魯棒性視覺目標跟蹤方法，解決了多變復雜情況下的魯棒性視覺目標跟蹤問題。