[发明专利]多特征融合目标跟踪方法及基于信息熵的权值自适应方法

说明书

本发明公开了一种多特征融合目标跟踪方法及基于信息熵的权值自适应方法，其中，多特征融合目标跟踪方法包括以下步骤：S1、构建系统状态模型和系统观测模型；S2、根据系统状态模型，采样得到当前时刻的粒子集；S3、提取候选目标的多个特征，并计算相关系数和相关距离；S4、加权融合各特征，并计算粒子的先验概率密度似然函数，预测目标的位置。与现有技术相比，本发明的有益效果是：利用颜色、纹理及边缘特征进行目标特征提取，及引用相关性测量多特征的相关距离，从而提高了多特征对目标描述的准确性和全面性。以及基于信息熵的自适应更新多特征融合的权值，提高了方法对抗复杂场景的鲁棒性以及运行效率，适用于目标被遮挡，背景光照不断变化，目标的尺度变化等复杂场景。

技术领域

本发明属于计算机视觉领域，具体涉及一种多特征融合目标跟踪方法及基于信息熵的权值自适应方法，可用于复杂情况干扰下目标的连续稳定跟踪。

背景技术

目标跟踪是军用探测系统和民用监控系统的重要任务之一。目标跟踪，指的是在视频序列中确定感兴趣的运动目标的大小，位置和运动轨迹，从而为更高层的处理和分析奠定基础。然而，目前研究跟踪方法的仍存在很多难点，主要包含有四大类：(1)复杂的环境背景：在恶劣的雨、雪、雾、霾等天气条件下，图像因复杂背景带来视觉效果的模糊，使得目标特征难以通过传统的基于特征的跟踪方法进行提取。另外，传感器噪声、以及相机抖动等干扰，给图像处理及目标跟踪带来困难。(2)复杂跟踪场景干扰：真实的目标场景复杂多变，对运动目标检测跟踪造成各种各样的干扰，从而影响人们对事物的判断。如：不断变化的光照条件，与目标相似物体的干扰，目标被部分或严重遮挡等情况。(3)目标运动形式多变：目标运动中发生形状，尺度，旋转，以及运动模糊等变化，导致目标的外观发生大幅度的变化，这对于目标检测跟踪提出了很高的要求。(4)实时性要求：智能视频监控最重要的需求之一就是实时性。然而，提高检测跟踪方法的实时性，自然会影响到方法的计算量，从而影响方法跟踪结果的准确性。因此，方法需要考虑如何适应场景的变化和干扰，准确地描述目标的特征，更好地兼顾方法的准确性和实时性，保证不会出现错误跟踪或跟踪目标丢失等情况。

目前用于运动目标的跟踪方法主要分为四大类：基于特征点的跟踪、基于区域的跟踪、基于光流的跟踪、基于活动轮廓的跟踪。基于特征点的跟踪方法通常指的是通过跟踪在目标上具有多个方向的一组奇点信息来实现目标跟踪，并且可以精确地将特征点的信息应用于匹配减轻。该方法可以很好地解决部分遮挡问题，但要保证能够准确地提取和保存特征点信息。基于区域的跟踪方法主要通过创建用来表征运动目标特征的模板，并与目标进行匹配，从而确定目标的位置。方法适用于形变较小，且无遮挡的目标，跟踪准确且稳定。但缺点是方法计算量较大。基于光流的跟踪方法，充分利用视频序列在前景的运动特性来实现目标跟踪。光流法分为全局光流法和特征点光流法。全局光流法在复杂背景中的跟踪效果较好，但是计算量相对较大。特征点光流法速度较快，但效果一般。基于活动轮廓的跟踪方法结合图像特征和闭合曲线轮廓来构造能量函数，通过求解最小化的能量来跟踪目标。方法考虑目标整体轮廓的几何信息，因而可靠性较高。但是方法的计算量相对较大，对于快速移动或形变较大的目标的跟踪效果不是十分理想。

考虑到单一的特征提取方法不能足够准确地描述目标,并且随后的轨迹评估也缺乏鲁棒性。许多学者通过结合多个特性和自适应融合方法，来实现更加稳定的跟踪。然而,大多数的目标跟踪方法中，对目标特征的表达能力较弱，缺乏适应环境变化的融合策略，跟踪的结果或者对某些目标的形态变化敏感，或者对复杂场景中的适应能力有限，或者运算复杂度较高，从而导致跟踪方法的可靠性较低，鲁棒性较差，限制了方法的研究和应用范围。因此,迫切需要一个能够在复杂的场景中，能够保持准确、鲁棒和自动的目标跟踪方法。

发明内容