[发明专利]一种基于视频的自适应分块的目标跟踪方法

说明书

技术领域

本发明涉及一种基于视频的自适应分块的目标跟踪方法。

背景技术

视频目标跟踪是计算机视觉领域研究的重要方向之一，融合了图像处理、模式识别、自动控制等多项领域的知识，在视频监控、车辆导航以及机器人导航等方面有着广泛的应用。

Mean Shift算法是一种典型的基于区域的目标跟踪算法，采用加权直方图对目标进行建模，对目标和候选目标的相似度函数进行一阶泰勒近似并最终取梯度最优化，得到Mean Shift形式的位置向量，每一次迭代计算都会使目标朝着相似度高的位置移动。由于该目标模型只保留了较少的空间信息，错误信息的积累会导致跟踪的不精确，尤其目标发生遮挡或者光照发生变化时，容易发生漂移甚至目标丢失的现象。

将目标进行分块再利用Mean Shift算法进行跟踪有很大优势，因为目标未被遮挡的部分保存了大量目标信息，通过这些信息的融合便可以进行目标跟踪。考虑到周围环境和目标自身的影响，仅仅利用这些未被遮挡的图像块的颜色特征信息仍是不够的，目标颜色特征与其他特征的融合便由此得到了大量研究。

SURF算法(Speeded Up Robust Features,加速稳健特征)的尺度不变特征对旋转、尺度缩放和亮度变化具有不变性，本发明将该算法应用到视频目标跟踪中，通过对目标自适应分块并融合SURF特征可以更有效地描述目标，定位效果准确且自适应改变跟踪窗口大小。

发明内容

针对上述问题，本发明提供一种基于视频的自适应分块的目标跟踪方法，既能很好地处理目标遮挡的状况，又能在环境影响下精确定位目标，还能自适应改变跟踪窗口大小。

为实现上述技术目的，达到上述技术效果，本发明通过以下技术方案实现：

一种基于视频的自适应分块的目标跟踪方法，其特征在于，包括如下步骤：

S01：获取视频流并转化为图像帧序列；

S02：读取一幅图像并选取目标模板；

S03：对目标模板进行初始化：

03a)将目标模板进行分块得到k个子图像块，其中，对目标模板按照两种方式分块，分别是将目标模板横向划分为k个子图像块，以及将目标模板纵向划分为k个子图像块；

03b)对每个子图像块建立直方图模型向量并计算选取目标SURF特征点，提取目标周边背景的特征直方图，计算各子图像块的中心位置和尺寸信息；

03c)初始化各子图像块权值λ^(k)为1/k；

S04：读取下一帧图像对选取的运动目标实施跟踪，其中，目标初始位置为上一帧图像的目标位置，具体跟踪如下：

04a)计算候选目标与目标模板之间的相似度量函数获得当前帧的目标位置的中心位置y；

04b)对各子图像块权值λ^(k)更新并判断目标是否发生遮挡，其中，

式中：α是用来表示图像块与背景相似度高低的数值大小，表示第k个子图像块与目标模板的相似度，表示第k个子图像块与背景的相似度；

04c)在跟踪过程中，利用各子图像块权值计算确定哪一个图像块发生遮挡，自适应地选取两种分块方式中遮挡图像块数最少的分块方法；

04d)采用融合公式对有效图像块融合，利用分块均值漂移算法对其进行跟踪获得初步结果；

04e)根据提取到的SURF特征点校正目标的位置和尺度，得到跟踪的最终结果；

S05：判断是否继续加载图像帧，若是，则进入步骤S04开始下一帧图像的跟踪；否则，进入步骤S06；

S06：将获得的带有跟踪结果的图像帧序列合成为视频流输出。

本发明的有益效果是：

(1)构建了更加具有鲁棒性的跟踪目标动态模型的方法：设计自适应分块方法，通过分块、判断遮挡、自适应融合三个步骤获得鲁棒的被跟踪目标动态模型。

(2)在复杂环境下更新待融合图像块的权重：在跟踪过程中，考虑到背景对目标模板的影响，利用改进的权重计算方法更新待融合图像块的权重，以保证跟踪的准确性。

(3)对运动目标初步跟踪结果进行校正：通过SURF特征匹配对初步跟踪结果做校正，提高算法的跟踪精度。

既能很好地处理目标遮挡的状况，又能在环境影响下精确定位目标，还能自适应改变跟踪窗口大小。

附图说明

图1是本发明一种基于视频的自适应分块的目标跟踪方法的流程图；

图2是本发明运动目标自适应分块方法。

具体实施方式