[发明专利]视频目标的双核式自适应融合跟踪方法

说明书

技术领域

本发明涉及到一种计算机视觉跟踪技术，具体是一种自适应融合候选目标与背景之间对比度和候选目标与目标模板之间相似度的双核式视频目标跟踪方法。

背景技术

目前，目标跟踪技术主要分为两个流派--基于滤波与数据关联的流派和基于目标表示与定位的流派。前一流派的代表性方法有卡尔曼滤波、粒子滤波以及概率假设密度滤波(PHD)等，该类方法通过对目标的状态进行预测和更新来实现跟踪，计算复杂度高，主要适用于点目标跟踪。后一流派的代表性方法有核密度估计、模式分类以及子空间分析等，该类方法通过在图像中搜索与给定目标模板最匹配的子区域来实现跟踪，适用于块目标跟踪。

核密度估计跟踪方法(俗称Mean Shift跟踪)采用空间加权直方图表示目标，按照Bhattacharyya(巴氏)相似度准则，运用梯度下降的Mean Shift迭代寻优算法，实现目标的快速定位，自从其提出后就成为了视觉跟踪领域的重要方法。然而，由于跟踪中只考虑候选目标与目标之间的相似度准则，因此当图像中多个区域与目标相似时，跟踪器往往会被错误的吸引到其中的某个虚假目标区，导致跟踪失败。虽然，可以通过采用背景加权直方图降低在背景中较为突出的那些特征在目标中的重要性，以抑制背景信息对目标定位的影响，但这种做法也会带来两个问题：1)目标与候选目标中的一些主要特征被弱化，而次要特征被强化，这是不合理的；2)由于背景是动态变化的，每一次跟踪都对目标进行背景加权，会使其使失去初始面貌，这有悖于跟踪模型一致性原则。

背景作为一种重要的信息，已被广泛应用在视频目标跟踪中。Wren C.R在发表于《Pattern Analysis and Machine Intelligence》(模式分析与机器智能)的论文“Pfinder：Real-time Tracking of the Human Body”(实时人体跟踪器)中首次提出基于背景减跟踪方法，该方法需要对背景进行建模，但所得到的模型对背景的动态变化很敏感，因此其应用范围受限。随后，Stauffer在发表于《International Conference on Computer Vision and Pattern Recognition》(计算机视觉与模式识别国际会议)的论文“Adaptive Background Mixture Models for Real-time Tracking”(实时目标跟踪的自适应背景混合模型)中提出了混合高斯背景模型，该模型能很好地适应背景的动态变化，但多个高斯滤波器的混合使用，增加了计算的复杂性。Avidan在发表于《Pattern Analysis and Machine Intelligence》(模式分析与机器智能)的论文“Support Vector Tracking”(支持向量跟踪)中设计了基于目标-背景模式分类的跟踪器，但该方法需要采集大量样本来完成分类器的离线训练，且分类器无法在线更新。前面这些方法都直接或间接的采用了目标与背景间的对比度作为跟踪准则。

虽然最近十几年视频目标跟踪问题获得了广泛的研究并取得了长足的进步，但还存在许多不足，其中跟踪准则单一性是一个亟待解决的问题。由于现实环境中的许多情况都会影响视频图像中对目标的可靠观测，因此设计出能够在各种复杂环境下准确、快速、稳定地跟踪视频目标的方法，仍然是一项挑战性的任务和急需解决的课题。

发明内容

针对上述现有技术中存在的不足，本发明提出一种视频目标的双核式自适应融合跟踪方法，是基于相似度和对比度的双重准则，本发明适应于复杂条件下的视频目标跟踪，对目标的旋转、遮挡和形变不敏感，且对场景中的虚假目标有很强的辨别能力。

为达到上述目的，本发明所采用的技术方案如下：

一种视频目标的双核式自适应融合跟踪方法，是基于相似度和对比度的双重准则，首先对候选目标及其邻近背景建立空间加权特征直方图模型，并分别采用Bhattacharyya系数和Jensen-Shannon(延森-香农)散度度量候选目标模型与目标模型之间的相似度和候选目标模型与背景模型之间的对比度；然后，运用模糊逻辑将相似度和对比度进行自适应加权融合，形成新的目标函数，并利用Taylor展开对目标函数进行线性逼近；最后，依据梯度下降机理推导出双核式位移迭代公式，并应用均值漂移程序实现目标的双核式跟踪。

设直方图区间总数为m，候选目标及其邻近背景的空间加权特征直方图模型分别为：