[發明專利]一種基于特征融合和環境自適應的目標檢測跟蹤方法

在審

• 申請號: 202111201960.0
• 申請日: 2021-10-15
• 公開（公告）號: CN113888596A
• 公開（公告）日: 2022-01-04
• 發明（設計）人: 馬迪;袁智;馬博洋;李金拓;胡嘉銘;董蔚;李強
• 申請（專利權）人: 大唐東北電力試驗研究院有限公司
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/90;G06K9/00;G06K9/62
• 代理公司: 北京中南長風知識產權代理事務所(普通合伙) 11674
• 代理人: 穆麗紅

本發明涉及一種基于特征融合和環境自適應的目標檢測跟蹤方法，包括以下步驟：步驟1，使用預分類器對視頻數據進行預處理，將視頻數據劃分為簡單幀及復雜幀；步驟2，針對簡單幀，提取單一特征；針對復雜幀，提取HoG、Haar、CN特征進行多方向特征融合；步驟3，基于運動預測的樣本篩選機制，用最小二乘法擬合目標的運動軌跡，并以此作為權重計算的參數，對循環采樣產生的樣本進行重新評估，以獲得更準確的權重。本發明在保證跟蹤速度和精度的情況下，在對抗目標形變、快速運動、尺度變換時具有更好的魯棒性，尤其在復雜背景和處理長期序列更有優勢。能夠在不影響跟蹤準確率的情況下盡可能的減少系統計算的復雜度，提高了算法的跟蹤速度。

技術領域

本發明涉及計算機視覺目標跟蹤技術領域，尤其涉及一種基于特征融合和環境自適應的目標檢測跟蹤方法。

背景技術

視頻目標跟蹤一直是計算機視覺領域的一個重點研究問題，它在公共交通、智能監控、智能安防、人機交互等多個領域都有所應用。隨著應用范圍的不斷擴展和科學技術水平的不斷提升，人們對目標跟蹤領域的研究也越來越深入。

目標跟蹤是指在連續的視頻幀中準確的對目標區域進行跟蹤，然而很多現在的目標跟蹤算法并不能很好的適應于多場景下的目標跟蹤任務，目前相對來說比較成熟的跟蹤算法一般可以分為兩類，一類是基于生成類模型的目標跟蹤算法，另一類是基于判別式模型的目標跟蹤算法。生成式模型主要是通過計算目標和樣本的聯合概率，找到與目標模型最相近的樣本作為當前目標狀態的估計，判別式模型則是將跟蹤看成一個二分類問題，運用訓練數據對分類器進行訓練，進而將目標從背景中分離出來，直接判斷樣本是否為目標，判別式方法可以顯著區分背景和前景的信息，具有更好的魯棒性，因此在目標跟蹤領域占據主流地位。

近年來，基于相關濾波(correlation filter)的跟蹤算法因為速度快、效果好的特點吸引了眾多研究者的目光，相關濾波器通過將輸入特征回歸為目標高斯分布來訓練濾波器，進而在后續跟蹤中尋找預測分布中的響應峰值來定位目標位置，由于相關濾波器在運算中巧妙應用快速傅立葉變換，因此算法獲得了大幅度速度提升。牛津大學JoaoF.Henriques等提出了CSK，之后加入了核函數，演變為經典的KCF(核相關濾波器)，但是當目標受尺度變化、嚴重遮擋、相似目標干擾和出視野等因素影響時，很容易出現跟蹤失敗的問題。

發明內容

本發明的目的是提供一種基于特征融合和環境自適應的目標檢測跟蹤方法，在KCF算法的基礎上，引入自適應分類器和顏色矩特征描述子，解決KCF跟蹤器在跟蹤過程中目標因嚴重遮擋、相似目標干擾和出視野等因素而造成的跟蹤失敗問題，實現對目標的快速而精確的跟蹤，具有較好的魯棒性。

本發明提供了一種基于特征融合和環境自適應的目標檢測跟蹤方法，包括以下步驟：

步驟1，使用預分類器對視頻數據進行預處理，將視頻數據劃分為簡單幀及復雜幀；

步驟2，針對簡單幀，提取單一特征；針對復雜幀，提取HoG、Haar、CN特征進行多方向特征融合；

步驟3，基于運動預測的樣本篩選機制，用最小二乘法擬合目標的運動軌跡，并以此作為權重計算的參數，對循環采樣產生的樣本進行重新評估，以獲得更準確的權重。

進一步地，所述步驟1包括：

根據背景和目標的相似性將視頻幀化分為簡單幀及復雜幀。

進一步地，步驟1中簡單幀及復雜幀的劃分以指定相似度為閾值進行劃分。

進一步地，步驟1中所述預分類器根據檢測目標的顏色特征判斷當前幀中目標的前景和背景的相似性，并根據分類結果對當前幀進行分類。

進一步地，所述步驟2包括：

針對簡單幀，僅選取CN單特征；