[发明专利]基于信度组合地图模型的视觉目标跟踪方法

说明书

技术领域

本发明涉及计算机视频处理技术，具体是一种基于信度组合地图模型的视觉目标跟踪方法。

背景技术

视觉跟踪技术是计算机视觉领域中最具产业化的部分，并大量应用于工业(例如，在自动化生产线上对物料进行校准和定位)、军事(如雷达领域需要估计目标的位置、速度等运动参数)、民用(如交通系统中视觉跟踪可以用来控制交通流量)等各产业中。具体应用包括视频安全监控、智能机器人、行为分析、人机交互等。

视觉跟踪是指在视频中跟踪一些感兴趣的点或物体，获得目标的位置以及运动轨迹，可以为后续处理(如目标行为分析，目标识别，图像检索等)建立基础。一般地，当给定一段视频时，在首帧用标定区域指定某一物体作为目标，视觉跟踪则是定位目标在之后所有帧中的位置。

一般应对视觉跟踪问题的解决思路可以是建立目标的运动模型定位目标，如光流法、卡尔曼滤波器、粒子滤波器等，也可以是基于学习算法得到分类器，利用目标定位算法得到目标位置。学习算法中的初始正训练集是第一帧中给定目标物体特征的样本集组成，初始负训练集是由第一帧背景特征的样本集组成。用已经训练好的分类器分类下一帧的特征样本，目标物体在下一帧的位置则一般是由优化算法得到。近年来基于学习法的跟踪算法倍受瞩目源于它的性能和实时可行性。

基于学习算法的跟踪器的基本思想是将跟踪问题看作是二值分类问题，视频内对目标的跟踪相当于在每一帧对目标物体的检测。根据学习策略的不同，跟踪算法中使用的学习算法可被分成在线学习和离线学习两类。在线学习算法一次只处理一个样本，而离线学习算法需要整个训练集。由于离线学习算法对目标物体外观变化有相对局限的适应能力，易产生漂移现象，本发明主要针对基于在线学习算法的跟踪器。

许多研究人员提出了基于在线学习的跟踪算法并且取得了相对不错的结果。一些跟踪器的实现是基于子空间表示的增量学习算法，还有一些是基于分类器。例如，Shai Avidan提出了整体跟踪，也就是将若干个弱分类器结合成一个强分类器，通过强分类器区分背景和目标；Danielsson等利用两种衍生的弱分类器抑制输出与目标物体相对无关的弱分类器的组合。B.Babenko引用boosting算法提出了多示例学习为了避免漂移问题。Jakob Santner描述了一个结合模板匹配、在线随机森林和光流法的跟踪器。为了更准确的定位目标，还有研究人员提出了在线拉普拉斯排序支持向量机以及基于稀疏性的区分式分类器和生成模型，其主要目的是为了解决目标漂移问题。J.Fan等开发了一个scribble跟踪器，但是它需要用户特别的涂画目标物体。D.Wang等提出了一个基于稀疏原型的在线跟踪算法，它主要是应用稀疏表示方案的主成分分析算法来有效的训练目标的外观模型。从以上分析可以看出，近年来跟踪算法的研究热点及难点是在如何更准确地利用跟踪过程中产生的新样本更新跟踪器适应变化的物体外观同时避免漂移现象。

视觉跟踪本身是一项十分困难的过程,很多因素影响它的性能。困难之一就是目标物体复杂突变的运动，目标的突发运动可能造成跟踪的失败因为它违反了一些运动模型平滑约束的假设。目标及背景的外观变化也是影响视觉跟踪性能的核心因素之一。如果视觉跟踪方法中没有自适应目标外观的模型，比如一些基于模板匹配方法的跟踪方式，那么在某些场合跟踪器很可能发生漂移，而样本更新时又选择了漂移后的目标，跟踪器则不会再回到原来目标上。跟踪问题的另一个挑战是目标的遮挡。如果目标被遮挡，目标的部分信息被遮盖而无法表示，也就是目标是用一些不完全信息进行表示的，这样跟踪器会很容易漂移到其他物体或背景。另外，还有许多其他因素限制跟踪器的性能，比如光照变化，摄像机的移动等等。目前的跟踪算法无法保证在复杂背景下目标遮挡及光照变化的实时跟踪效果，其中最大的一个瓶颈就是视觉跟踪的漂移问题。本发明针对漂移问题围绕样本更新和重置方案两个方面展开研究。

发明内容

本发明所要解决技术问题是：(1)提出一种方法，使其具有适用于视觉跟踪的在线学习算法，从而能够区分目标标定区域内目标样本和背景样本，提高分类器的分类能力；(2)提出一种方法，使其能够建立信度组合地图模型，开发信度组合地图匹配算法，提出基于信度组合地图算法框架的有效样本更新方案，能够针对目标的各种不同变化和行为自适应地跟踪，从而提升后续跟踪准确率；(3)提出一种方法，使其能够开发基于滑动窗口和信度组合地图匹配的目标定位算法，设计高效的跟踪器重置方案，与样本更新方案一起有效抑制目标漂移，提高跟踪器的鲁棒性。

本发明基于信度组合地图模型的视觉目标跟踪方法依次包括以下步骤：

1)根据视频中第一帧的目标物体标注，建立训练数据库；