[发明专利]基于人脑记忆机制的时空上下文目标跟踪方法

说明书

本发明公开了一种基于人脑记忆机制的时空上下文目标跟踪方法。该方法将人脑记忆机制的视觉信息处理认知模型引入到STC方法的时空关系模型更新过程，使得每个模板都要经过瞬时记忆、短时记忆和长时记忆三个空间的传输和处理，形成基于记忆的模型更新策略。通过记忆先前出现的场景，使得该方法在当前目标发生光照变化、姿态突变、遮挡、短暂消失后重现等问题时依然能持续鲁棒的跟踪。此外，在根据时空上下文信息计算置信图时，设置N个目标中心位置候选点，从中选取与目标模板相似度最大的目标中心位置作为最终跟踪结果，从而减少了置信图引起的误差，提高了跟踪精度。最终，形成一种精度高、鲁棒性强的运动目标跟踪方法。

技术领域

本发明涉及一种视频图像中运动目标的跟踪方法，具体涉及一种基于人脑记忆机制的时空上下文目标跟踪(STC,Spatio-Temporal Context)方法，属于计算机视觉技术领域。

背景技术

作为计算机视觉领域重要的研究方向，目标跟踪在视频监控、人机交互、智能交通领域具有广泛的应用前景。

根据目标表观建模不同，典型的目标跟踪方法可分为：生成式目标跟踪方法和判别式目标跟踪方法。其中，生成式目标跟踪方法通过特征学习一个目标模型，然后搜索与目标模型最相近的区域实现目标跟踪。判别式跟踪方法将跟踪构建为一个二元分类问题，对样本和背景分别建模，利用背景和目标信息寻找将其分开的决策边界。相对于生成式跟踪方法，判别式跟踪方法计算量相对较小，且可有效利用背景信息，逐渐成为目标跟踪方法的主流。

作为一种新型判别式跟踪方法-时空上下文目标跟踪(STC)方法(Zhang Kaihua,Zhang Lei,et al.Fast Tracking via Spatio-Temporal Context Learning.ComputerScience,2013.)，是通过贝叶斯框架对要跟踪的目标和它的局部上下文之间的时空关系进行建模，得到目标及其周围区域的统计相关性。根据这一时空关系计算置信图，利用置信图中似然概率最大的位置预测出新的目标位置。这种方法同时结合了时间信息和空间信息，考虑了目标和周围环境信息，并且时空关系的学习是根据傅里叶变换得到的，因而具有较高的目标跟踪准确性和速率。因此，STC方法在目标跟踪领域具有重要的应用前景。

另一方面，在STC方法中，基于贝叶斯框架建立的时空关系是目标与其周围的区域在低级特征(像素强度值)上的统计相关性。当出现光照变化、目标姿态突变、遮挡、短暂消失后重现等情况时，容易跟偏或者跟丢目标，导致目标跟踪准确性下降。因此，研究STC方法在复杂条件下(光照变化、目标姿态突变、遮挡、短暂消失后重现等)的鲁棒性目标跟踪问题，具有重要的研究意义。

发明内容

为了解决STC方法在目标跟踪过程中光照变化、目标姿态突变、遮挡、短暂消失后重现等情况下的跟踪精度下降问题，本发明提出了一种基于人脑记忆机制的时空上下文目标跟踪方法。该方法将人脑记忆机制的视觉信息处理认知模型引入到STC方法的时空上下文模型更新过程，使得每个模板都要经过瞬时记忆、短时记忆和长时记忆三个空间的传输和处理，形成基于记忆的模型更新策略。通过有效记忆先前出现的场景，使得该方法在当前目标发生光照变化、姿态突变、遮挡、短暂消失后重现等问题时依然能持续鲁棒的跟踪。此外，该方法在根据时空上下文信息计算置信图时，设置N个目标中心位置候选点，从中选取与目标模板相似度最大的目标中心位置作为最终跟踪结果，从而减少了置信图引起的误差，提高了跟踪精度。最终，形成一种精度高、鲁棒性强的运动目标跟踪方法。

本发明是通过下述技术方案实现的。

本发明公开的一种基于人脑记忆机制的时空上下文目标跟踪方法。将基于人脑记忆机制的视觉信息处理认知模型引入到STC方法的时空关系模型更新过程，形成一种全新的基于记忆的模型更新策略，使得每个模板都要经过瞬时记忆、短时记忆和长时记忆三个空间的传输和处理。形成一种基于记忆的模型更新策略。