[发明专利]一种结合时空上下文信息的目标跟踪方法

说明书

本发明属于模式识别和计算机视觉领域，公开了一种结合时空上下文信息的目标跟踪方法，包括：利用第一帧图片训练初始的强分类器，并学习下一帧跟踪需要的时空上下文模型；当新的一帧到达时，利用训练好的强分类器对搜索区域的若干块进行评估，得到第一置信矩阵；然后综合时空上下文信息求得置信图函数，并利用该函数求取搜索区域各个块的置信值，得到第二置信矩阵；最后按照相应的权重线性组合得到最终的置信矩阵，找到最终的置信矩阵中置信值最大的块就是要跟踪的目标；本发明通过将目标的时空上下文信息结合到在线Boosting算法中，能够实现快速的鲁棒性跟踪。

技术领域

本发明属于模式识别和计算机视觉技术领域，尤其涉及一种结合时空上下文信息的目标跟踪方法。

背景技术

运动目标跟踪是计算机视觉领域重要的研究方向之一，在人机交互、智能监控、医学影像等领域具有重要的应用。跟踪算法近些年来已经取得了比较大的进展，但如何有效的解决由于遮挡、快速运动、光照变化、背景杂乱等因素引起的跟踪漂移问题，仍然是一个极具挑战性的问题。

在线Boosting算法，当新的一帧到达时，利用强分类器对图片中的背景和目标进行分类，得到目标区域，但当目标发生遮挡时，就会出现利用遮挡的特征对特征池进行更新，污染了特征池，最后就会出现跟踪漂移。

基于上述问题，一些改进的在线Boosting算法被提出。Yan等人提出一种基于子区域分类器的在线Boosting算法，将目标区域分成若干个子区域，每个子区域对应一个强分类器。在跟踪过程中对有最小置信值的强分类器所对应的特征池选择不更新，以避免遮挡的特征对特征池的污染，但当目标尺度发生变化时，跟踪效果差。

Sun等人提出一种结合运动Blob检测的在线Boosting算法，当跟踪结果的置信值低于下限阈值时，采用运动Blob检测的方法对搜索区域的运动目标进行检测，对检测到的运动块利用强分类器进行置信值评估，直到置信值大于上限阈值或下限阈值，但运动Blob检测通常是检测不到远距离的运动目标，所以改进的效果不明显。

Wang等人提出融合遮挡感知的在线Boosting算法，利用一定数目的图片帧训练出背景特征分类器和目标特征分类器，利用这两个分类器感知目标是否发生遮挡，如果目标受到遮挡，则不采集受污染的正样本更新分类器，这样就加大了分类器的复杂度，降低了在线Boosting算法实时性的效果，并且对于快速运动的目标易跟丢。

发明内容

针对上述现有技术存在的缺点，本发明的目的在于提供一种结合时空上下文信息的目标跟踪方法，能够解决现有技术中在目标区域被部分遮挡或目标尺度发生较大变化时出现的跟踪漂移问题。

为达到上述目的，本发明采用如下技术方案予以实现。

一种结合时空上下文信息的目标跟踪方法，所述方法包括如下步骤：

步骤1，获取视频图像中的第一帧图像，标定所述第一帧图像的目标区域，以所述目标区域为中心，将所述目标区域扩大得到搜索区域，搜索区域大小是目标区域大小的四倍，并将所述目标区域作为正样本，将所述搜索区域的四个边角区域分别作为四个负样本；其中，所述目标区域的大小与每个边角区域的大小相同；将所述正样本和四个负样本作为训练样本，根据所述训练样本得到强分类器；

步骤2，根据第一帧图像学习空间上下文模型，并将其作为学习到的跟踪下一帧图像的时空上下文模型；

步骤3，获取需要跟踪的当前帧图像，确定当前帧图像的初始搜索区域，当前帧图像的初始搜索区域以上一帧图像的目标区域为中心，且当前帧图像的初始搜索区域为上一帧图像的目标区域的四倍；对当前帧图像的初始搜索区域按照上一帧图像的目标区域大小进行分块，得到多个大小相同的待搜索子块；

步骤4，根据强分类器对每个待搜索子块进行评估，得到每个待搜索子块的第一置信值，组成第一置信矩阵；