[发明专利]基于视频在线学习的跟踪方法和装置

说明书

本发明提供一种基于视频在线学习的跟踪方法和装置，该方法包括步骤：A1.经初始化后，将视频帧送入检测模块，由检测模块检测运动目标，产生样本，生成样本集；同时，跟踪模块和检测模块并行进行，跟踪模块估计运动目标出现的坐标，生成运动轨迹；其中，跟踪模块包括MOSSE滤波器；A2.将样本集和运动轨迹输入P‑N学习模块，由P‑N学习模块进行评估和校正，把置信度最高的记为正样本，其余作为负样本，生成训练数据；A3.P‑N学习模块评估得到当前帧运动目标出现的最可信的一个位置，作为跟踪的结果进行跟踪；同时P‑N学习模块利用生成的正负样本和新坐标，反作用于跟踪模块和检测模块，更新检测模块的样本集和跟踪模块的滤波模型。通过采用MOSSE滤波器，提高了处理速度和运算效率，且减少了光照变化等引发跟踪失败的几率，更具有鲁棒性。

技术领域

本发明属于计算机视觉中的运动目标跟踪领域，特别涉及一种基于视频在线学习的跟踪方法和装置。

背景技术

运动目标跟踪是计算机视觉中的核心课题之一，也是非常具有挑战性的课题。它融合了自动控制、信号处理、神经生物学、图像处理、模式识别、机器学习及人工智能等众多先进技术。运动目标跟踪技术主要集中于对运动物体的连续跟踪，其具体来说，就是目标提前标明，第一帧已给出的情况下，在接下来的图像序列中找到目标物体的确切位置进行标记并反馈给系统，以便进行后续对视频中的行为动作的分析和理解。

目前，处理运动目标跟踪问题的算法思想有两种，分别是生成类的算法和判别类的算法。生成类的算法通过搜索和目标最相似的区域来处理跟踪问题，判别类的方法将跟踪问题变为二分类问题，其核心就是训练出一个分类器，把目标物体和背景中区分开。随着机器学习的快速发展和应用，用判别类的方法处理运动目标跟踪问题取得了很多突破，得到了更广泛的采用。在判别类方法中，大多是基于检测机制的跟踪算法框架，即使用目标物体和附近的环境训练出一个在线的分类器，这是当前跟踪算法的热点研究趋势。

TLD(Tracking-Learning-Detection)算法能够对锁定的目标进行不断的学习，以获取目标最新的外观特征，从而及时完善跟踪，以达到最佳的状态。TLD算法包括三部分：跟踪器、学习模块和检测器；其利用跟踪器和检测器同时工作的思想，共同确立跟踪目标框，并且利用二分类的学习机制反馈给检测器和跟踪器，更新分类器得到较高的跟踪效率。

现有TLD算法中的跟踪模块通常使用Lucas-Kanada(LK)光流法，实现递归跟踪，首先，在图像的目标区域中构造距离相等的点集，通过LK光流法估计这些点的光流，如果这些点为图像的特征点或角点，则该方法有很高的可靠性；但若图像区域特征较少，即目标与背景没有明显区别则无法很好的实现跟踪。其次，光流法是基于场景中的亮度是恒定和目标的运动是小而连贯的，现但实际中很少有满足这种假设的场景与运动，这就意味着当有光照变化、背景干扰、发生遮挡，运动目标突然提速等快速变化时，则很容易导致跟踪失败。另外，LK光流法处理过程慢，导致其跟踪速度慢，无法满足实时性的要求。

发明内容

为解决上述问题，本发明提供一种能够适应光暗变化，且能快速准确、实时地跟踪运动目标的方法及装置。

本发明提供一种基于视频在线学习的跟踪方法，该方法包括如下步骤：A1.经初始化后，将视频帧送入检测模块，由检测模块检测运动目标，产生样本，生成样本集；同时，跟踪模块和检测模块并行进行，跟踪模块估计运动目标出现的坐标，生成运动轨迹；其中，跟踪模块包括MOSSE(Minimum Output Sum of Squared Error)滤波器；A2.将样本集和运动轨迹输入P-N学习模块，由P-N学习模块进行评估和校正，把置信度最高的记为正样本，其余作为负样本，生成训练数据；A3.P-N学习模块评估得到当前帧运动目标出现的最可信的一个位置，作为跟踪的结果进行跟踪；同时P-N学习模块利用生成的正负样本和新坐标，反作用于跟踪模块和检测模块，更新检测模块的样本集和跟踪模块的滤波模型。