[發明專利]一種基于背景加權的Mean Shift算法和Kalman預測融合的遮擋跟蹤方法

在審

• 申請號: 201811247771.5
• 申請日: 2018-10-25
• 公開（公告）號: CN109472813A
• 公開（公告）日: 2019-03-15
• 發明（設計）人: 吳水琴;任維;毛耀;劉瓊;李志俊;周翕
• 申請（專利權）人: 中國科學院光電技術研究所
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06K9/46
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發明提供了一種基于背景加權的Mean Shift(HRBW Mean Shift)算法和Kalman預測融合的遮擋跟蹤方法，針對均值漂移算法中的Bhattacharyya系數受初始目標框中背景像素的影響而無法準確的判斷目標的遮擋狀態，均值漂移算法在遮擋判定前失效，導致Kalman預測濾波算法不能被啟用或啟用后不能準確地預估目標的軌跡的問題。本發明提供了一種通過在目標直方圖中加入由目標直方圖和背景直方圖的對數似然比計算得到背景加權因子，來改進目標模型的方法，從而進一步優化Bhattacharyya系數值，使得Bhattacharyya系數法能夠更準確地檢測目標的遮擋狀態。本發明增大了正常跟蹤狀態下與遮擋狀態下Bhattacharyya系數的差值，有利于遮擋狀態的判斷，通過提高遮擋判斷準確性的方式來提高遮擋時的跟蹤性能。

技術領域

本發明涉及一種基于背景加權的Mean Shift算法和Kalman預測融合的遮擋跟蹤方法，屬于視頻圖像跟蹤領域。主要用于解決視頻圖像的跟蹤過程中的遮擋問題，能夠準確的檢測遮擋狀態并解決跟蹤算法在遮擋過程中跟蹤失效的問題。

背景技術

隨著計算機視覺的發展，目前已有大量的跟蹤算法涌現。但遮擋跟蹤一直是跟蹤研究中的難點。當目標經過遮擋物時，由于特征信息減少，特別是目標被完全遮擋時，跟蹤算法會提取到遮擋物或其他假目標，甚至當目標重新出現時，跟蹤算法依舊會保持錯誤的跟蹤。

目前解決遮擋跟蹤算法有TLD跟蹤算法、子塊匹配法。TLD跟蹤算法在跟蹤模塊中增加跟蹤失敗檢測機制，根據相鄰視頻幀中目標運動軌跡的連續性來判斷目標在遮擋后跟蹤算法是否失效。跟蹤失敗后啟用檢測模塊，檢測模塊在圖像中進行全局搜索重新檢測出目標。但此跟蹤算法幀頻低，往往達不到實時性要求。子塊匹配法將目標分成多個子塊，根據每個子塊的特征進行匹配，然后綜合各個子塊的跟蹤結果來確定目標最終的位置信息。此種方法可以解決目標被部分遮擋情況下的跟蹤問題，但無法解決目標被全部遮擋情況下的跟蹤問題；且此跟蹤算法受分塊的影響，子塊過大時跟蹤算法的抗遮擋能力下降，子塊過小時跟蹤算法那的跟蹤性能下降。

由于均值漂移算法具有結構簡單和收斂速度快的優點，所以常使用均值漂移算法與Kalman預測濾波算法融合的方法來進行遮擋跟蹤，使用均值漂移算法中的Bhattacharyya系數值來判定遮擋狀態。當目標在正常狀態下，使用均值漂移算法進行跟蹤處理，若使用Bhattacharyya系數值檢測出目標處于遮擋狀態下，則啟用Kalman預測濾波算法進行預測處理，以保證跟蹤的正確性和連續性。因為Kalman濾波算法是根據目標的歷史運動數據來預測目標的軌跡信息，而目標歷史運動數據是由均值漂移算法提供的，一旦位置信息錯誤或遮擋狀態信息錯誤，都會導致Kalman預測濾波算法預測錯誤。由于均值漂移算法易受初始目標框中背景像素的影響，特別在初始跟蹤框面積和目標區域面積相差較大時，初始跟蹤框中會包含較多冗余的背景像素信息，而均值漂移算法在較多冗余的背景信息情況下會發生漂移，加之Bhattacharyya系數法也可能無法準確的檢測目標的遮擋狀態，導致不能啟動或不能及時地啟動Kalman預測濾波器，從而使得跟蹤失效。

發明內容

為了克服上述現有技術的不足，本發明提供了一種基于背景加權的Mean Shift算法和Kalman預測融合的遮擋跟蹤方法，減少了初始框中背景像素的影響，在提高跟蹤精度和速度的同時，同時提高了遮擋檢測的敏感性，使之能夠更準確的判定目標的遮擋狀態，提高算法的抗遮擋跟蹤能力。

為實現發明的目的，本發明提供一種基于背景加權的Mean Shift算法和Kalman預測融合的遮擋跟蹤方法，具體步驟如下：

步驟(1)：建立基于直方圖比的背景加權的目標直方圖模型：

建立基于直方圖比的背景加權的目標直方圖模型需要使用基于目標直方圖和背景直方圖的對數似然比推導出的權值作為背景加權因子。因此，需要建立目標直方圖模型和背景直方圖模型，根據目標直方圖模型和背景直方圖模型計算出背景加權因子，然后根據背景加權因子建立了基于HRBW的目標直方圖模型。