[發(fā)明專利]一種局部特征塊相似匹配目標(biāo)跟蹤方法

在審

• 申請?zhí)枺?/td>: 201910342327.X
• 申請日: 2019-04-26
• 公開（公告）號: CN110111362A
• 公開（公告）日: 2019-08-09
• 發(fā)明（設(shè)計(jì)）人: 劉萬軍;李放;劉大千;孫虎
• 申請（專利權(quán)）人: 遼寧工程技術(shù)大學(xué)
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/194;G06T7/223
• 代理公司: 沈陽東大知識產(chǎn)權(quán)代理有限公司 21109
• 代理人: 劉曉嵐

本發(fā)明提供一種局部特征塊相似匹配目標(biāo)跟蹤方法，涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域。該方法讀取待跟蹤視頻圖像序列，將第一幀待跟蹤視頻圖像序列作為訓(xùn)練圖像，并建立待跟蹤視頻圖像的初始目標(biāo)模型；然后讀取待跟蹤視頻圖像序列的第t幀作為當(dāng)前幀圖像，在當(dāng)前幀中，根據(jù)第一幀圈定的初始目標(biāo)區(qū)域的中心和對角線長度得到當(dāng)前幀的匹配前景區(qū)域；利用陸地移動距離模型匹配算法進(jìn)行目標(biāo)檢測，確定匹配到的跟蹤目標(biāo)；利用閾值決策方法判斷目標(biāo)模型T中各個(gè)局部特征塊是否發(fā)生嚴(yán)重遮擋，并對當(dāng)前待跟蹤視頻圖像的目標(biāo)模型T進(jìn)行更新；對所有待跟蹤視頻圖像序列進(jìn)行目標(biāo)檢測，得到待跟蹤視頻圖像序列的跟蹤結(jié)果。本發(fā)明方法能夠準(zhǔn)確的匹配到目標(biāo)，匹配結(jié)果更魯棒。

技術(shù)領(lǐng)域

本發(fā)明涉及計(jì)算機(jī)視覺技術(shù)領(lǐng)域，尤其涉及一種局部特征塊相似匹配目標(biāo)跟蹤方法。

背景技術(shù)

近年來，目標(biāo)跟蹤技術(shù)成為無人機(jī)應(yīng)用研發(fā)中具有代表性的研究子課題，該技術(shù)涵蓋了計(jì)算機(jī)視覺、機(jī)器學(xué)習(xí)、圖像識別、信號處理、電子通信等多個(gè)領(lǐng)域的關(guān)鍵技術(shù)。目標(biāo)跟蹤的主要任務(wù)是對感興趣物體位置以及運(yùn)動軌跡進(jìn)行估計(jì)，在已知上一時(shí)刻的目標(biāo)運(yùn)動狀態(tài)，通過跟蹤算法來計(jì)算當(dāng)前時(shí)刻目標(biāo)的運(yùn)動位置，并對下一時(shí)刻目標(biāo)的運(yùn)動參數(shù)進(jìn)行預(yù)測估計(jì)，從而獲得感興趣物體的形態(tài)、位置、輪廓等信息。目標(biāo)跟蹤的具體過程為通過攝像機(jī)或其他終端設(shè)備采集圖像或視頻信息，經(jīng)過計(jì)算機(jī)模擬人類或其他生物的視覺分析處理獲取相應(yīng)的場景信息。然后通過對采集到的圖像信息進(jìn)行實(shí)時(shí)的分析、處理實(shí)現(xiàn)對場景中的目標(biāo)進(jìn)行檢測、分類、識別，進(jìn)而確定要跟蹤的目標(biāo)，并對選定的模型進(jìn)行更新。隨著近些年科學(xué)技術(shù)的快速發(fā)展，高性能計(jì)算機(jī)的不斷涌現(xiàn)，現(xiàn)有視頻采集設(shè)備獲取視頻能力的不斷提升，目標(biāo)跟蹤技術(shù)也取得了長足的進(jìn)步。目前，目標(biāo)跟蹤技術(shù)在軍事和民用領(lǐng)域都得到了較為廣泛的應(yīng)用。

通過對目標(biāo)的外觀特征進(jìn)行相似性分析，許多研究人員通過建立魯棒外觀模型的匹配方法進(jìn)行目標(biāo)的提取、跟蹤。近年來，相繼出現(xiàn)了許多基于建立魯棒初始模型的跟蹤方法。例如，Zhong等人提出稀疏協(xié)作模型的魯棒跟蹤算法，它由稀疏判別分類器(SparseDiscriminative Classifier，SDC)和稀疏生成模型(sparse generative model，SGM)兩部分構(gòu)成。在SDC分類器中，利用目標(biāo)的整體模型對場景的前景與背景分離。然后在SGM模型中，利用目標(biāo)的局部空間信息進(jìn)行匹配跟蹤。該算法可以有效地處理外觀變化，并減輕跟蹤漂移問題。王美華等人利用部件庫的特征和置信度建立初始表觀模型，并基于貝葉斯框架計(jì)算候選樣本的置信度，從而獲得目標(biāo)區(qū)域。Yang等人提出相似約束的多核魯棒目標(biāo)跟蹤方法。該方法通過將多核學(xué)習(xí)框架擴(kuò)展到Boosting中，以優(yōu)化特征和內(nèi)核的組合，從而有效地和有效地促進(jìn)復(fù)雜場景中的魯棒視覺跟蹤。朱書軍等人提出標(biāo)簽隨機(jī)有限級框架的可分辨跟蹤算法，利用鄰接矩陣對群目標(biāo)進(jìn)行動態(tài)建模，利用廣義標(biāo)簽多伯努利濾波估計(jì)目標(biāo)個(gè)數(shù)、狀態(tài)。Jin等人提出基于量子遺傳的跟蹤算法。該算法利用量子遺傳的全局優(yōu)化能力，在量子遺傳算法的框架中，將像素的位置作為種群中的個(gè)體，通過預(yù)定義的遺傳目標(biāo)函數(shù)計(jì)算個(gè)體的適應(yīng)度值，當(dāng)搜索具有最大適應(yīng)值的像素點(diǎn)并返回其對應(yīng)位置，從而實(shí)現(xiàn)視覺跟蹤。但當(dāng)目標(biāo)所處的背景比較復(fù)雜時(shí)，特別是背景中包含相似物體干擾時(shí)，這些方法由于不能識別而丟失目標(biāo)。

但上述幾種方法存在以下幾點(diǎn)問題：

背景雜波問題：基于模型匹配的目標(biāo)跟蹤方法通過對模型中的目標(biāo)進(jìn)行特征提取和特征分析，并利用匹配技術(shù)在圖像中搜尋、確定目標(biāo)。然而在實(shí)際跟蹤中，圖像包含的背景信息非常復(fù)雜，一些背景信息與前景目標(biāo)信息極為相似，從特征角度分析一般很難區(qū)分，在利用特定的目標(biāo)選取方式建立目標(biāo)模板時(shí)，通常會造成跟蹤漂移甚至跟錯(cuò)目標(biāo)的情況，這也加大了跟蹤目標(biāo)的難度。

目標(biāo)形變問題：實(shí)際跟蹤時(shí)目標(biāo)通常為非剛性物體，隨著跟蹤的不斷深入目標(biāo)自身形態(tài)發(fā)生變化，目標(biāo)跟蹤以目標(biāo)的識別和匹配為前提，當(dāng)目標(biāo)處于形變狀態(tài)時(shí)能否重新識別目標(biāo)是一個(gè)需要解決的問題。若識別失敗則很難再準(zhǔn)確匹配目標(biāo)特征，直接導(dǎo)致目標(biāo)丟失。一般來說，目標(biāo)的形變較為復(fù)雜、沒有規(guī)律性，給跟蹤帶來一定程度的困難。