[发明专利]一种单目标跟踪方法及其实现装置

说明书

技术领域

本发明涉及给定目标起始位置的跟踪方法及其实现装置，尤其是一种单目标跟踪方法及其实现装置。

背景技术

基于运动目标特征进行跟踪技术的研究，是近几年计算机视觉领域研究的热点。虽然指纹、掌纹和静脉等生物特征在安全领域已经开展了广泛的研究并有了初步应用，但这些生物特征属于接触式识别，大大限制了其应用范围。相对而言，步态和人脸识别这种“非接触式”识别技术，将人体运动与生物特征进行巧妙结合进行识别研究，目前已经成为了智能场景视频监控中一门重要领域。尤其是步态识别，需要在行人行走运动时采集到运动人体的特征进行身份识别，前期的运动人体检测与跟踪工作的准确性、实时性是整体识别性能的前提。这对视频监控提出了很大挑战，基于系统场景安全性能的要求，传统的依靠人工操作的视频监控由于具有以下缺点，已经不能适应实际场景安全监控应用的需要。在实际的复杂背景下如何实现目标的跟踪不仅是智能视频监控系统的关键，在智能交通或者人机交互应用中也有着很重要的作用，因此目标跟踪算法得到了很广泛的发展。但是，大部分行人跟踪算法的成功与否，都要取决于背景的复杂度以及行人目标与背景的相似性，只有目标与背景在颜色上区别较大的情况下才能得到良好效果。为了解决复杂场景中行人跟踪的问题，需要我们设计出越来越多的鲁棒算法，使其足以解决光照变化、噪声影响、障碍物遮挡等种种实际应用中不可避免的问题。如何准确而快速地从视频序列中检测和跟踪出运动目标非常重要，是身份识别和异常行为识别最为关键的技术之一，目前运动目标跟踪的方法主要有两种：1、统计学习方法；2、基于颜色特征的算法。第一种方法逐渐成为模式识别领域中的主流技术之一，它在许多经典问题上都有成功的应用，运动目标跟踪就是一例。Adaboost算法是Freund等人提出的一种级联跟踪算法，它的目标是自动地从弱分类器空间中挑选出若干个弱分类器整合成一个强分类器。Vila等人提出的基于Haar型特征的Adaboost算法，是Adaboost算法在人脸检测上的成功应用。Grabner等人提出在线Adaboost算法，将Adaboost算法应用到目标跟踪领域，取得了较好的跟踪效果。不同于离线Adaboost算法，在线Adaboost算法的训练样本是实时得到的一个或几个数据。使用这种算法可以更好地适应运动目标特征变化等问题，但在线Adaboost算法单纯依靠分类器进行跟踪，在复杂的背景中发生大面积遮挡的情况下容易分类错误川，造成跟踪丢失。

Bradski提出的Camshift跟踪算法凭借其在实时性和鲁棒性方面良好的表现也是一种被广泛关注的算法。Camshift算法以Meanshift算法为核心，解决了Meanshift不能改变跟踪窗口大小的缺点，缩小了目标搜索范围，提高了准确性和运算效率，在背景简单的情况下能够取得较好的跟踪效果。但Camshift跟踪算法受周围其他运动目标影响较大，容易将非目标点误认为目标点，使目标尺寸变化并造成跟踪失效，进而出现跟踪丢失现象。传统的Camshift目标跟踪算法用颜色信息作为特征进行跟踪，当目标颜色与背景或者非目标相近，也会出现跟踪丢失。并且，传统的Camshift目标跟踪算法对快速运动目标容易跟踪失败，且无法从失败中复原。鉴于单一的在线Adaboost算法和Camshift算法都不能取得很好的跟踪效果，发明专利CN201210487250.3,专利名称为“一种运动目标跟踪方法”公开了一种基于在线Adaboost算法和Camshift算法结合的运动目标跟踪方法，首先将在线Adaboost跟踪算法的特征矩阵和分类器运算得到置信图，特征的选取融合了局部方向直方图特征与颜色特征，然后在置信图上应用Camshift算法，使得Camshift算法应用的特征融合了纹理与颜色信息。该方法包括以下步骤：第一步，基于码本模型的快速运动目标检测方法准确检测到运动目标；第二步，对在线Adaboost算法弱分类器组初始化，得到强分类器，运动目标特征的选取融合了局部方向直方图特征与颜色特征；第三步，将在线Adaboost跟踪算法的特征矩阵和弱分类器运算得到置信图，在置信图上应用Camshift跟踪算法，根据得到的运动目标位置更新弱分类器，最后得到整段视频序列的跟踪结果。该方法利用传统办法解决跟踪问题，其存在问题有两方面，首先,提取的特征鲁棒性不足，对于局部的方向直方图和颜色特征往往对噪音较为敏感，从而导致目标表观的鲁棒性不足；其次,该方法采用的Camshift方法对光照，颜色变化的目标容易产生漂移现象，从而导致了跟踪精度下降的问题，无法满足实际监控视频中的苛刻环境。因此设计鲁棒的特征和泛化能力强的分类器是目标跟踪的两大关键问题。