[发明专利]一种融合学习机制的目标跟踪方法

说明书

本发明公开了一种融合学习机制的目标跟踪方法，其特征在于结合在线学习与识别算法以及改进的KCF跟踪算法；通过提取稠密光照不变特征的方式提取人脸的IIF光照不变特征，使得人脸识别的结果不受光照变化的影响；同时利用改进的KCF跟踪算法，检测三个尺度大小不同的窗口对目标的响应，选取响应最强烈的尺度窗口作为下一时刻的跟踪窗口，实现尺度自适应的目标跟踪；当目标短暂离开摄像头视域范围时，重新识别目标人脸，重新初始化KCF跟踪器，实现对目标人脸的长期跟踪。

技术领域

本发明涉及图像模式识别领域，涉及图像处理和机器视觉等技术，尤其涉及视频的人脸识别与跟踪处理方法。

技术背景

现在，人脸识别与跟踪在人工智能和机器视觉领域是一个热点问题，具有较高的研究价值，在智能监控、机器人、人机交互等方面有着广泛的应用。视频人脸跟踪的根本任务是在视频序列中检测并识别某个人脸，然后跟踪捕获该人脸的运动轨迹与大小变化。现有的视频人脸跟踪算法主要有CamShift、SURF以及Mean Shift等算法，这些算法虽然在特定环境下能对人脸进行准确地跟踪，但在光照变化强烈的环境下跟踪效果不理想。部分跟踪方法在跟踪前需要手动选取跟踪目标，不能达到自动跟踪目标的效果，并且在跟踪过程中会因为算法的运行速度太慢、视频帧率太低或者目标人脸姿态的改变而导致跟丢目标。

对于视觉跟踪，Joao F提出的KCF跟踪算法具有跟踪速度快、跟踪效果好的特点，但是KCF存在跟踪过程中跟踪框不能自适应尺度的问题，并且KCF只能实现短期跟踪，不能实现长期跟踪，长期跟踪是指当跟踪目标短暂离开摄像头视域范围后，仍能继续跟踪目标。

发明内容

本发明要解决的技术问题是：光照变化强烈的环境下对人脸的识别效果不好，影响在丢失目标后重新定位目标的正确率；对于跟踪目标的选取通常通过手动选取的方法或者人脸检测的方法，手动选取的方法不能达到自动跟踪目标人脸的效果，而当摄像头视域范围内包含多于1个人时，人脸检测的方法不能确定哪个是跟踪目标；在跟踪过程中跟踪框不能实现尺度自适应；当目标短暂离开摄像头视域范围后不能重新跟踪目标，即不能对目标进行长期的跟踪。

针对以上问题，本发明提出如下技术方案：

一种融合学习机制的目标跟踪方法，先识别视频数据流中的目标人脸，再对目标人脸进行跟踪，达到自动跟踪目标人脸的效果：其特征在于：结合在线人脸学习与识别算法以及改进的KCF跟踪算法对目标人脸进行跟踪；通过提取稠密光照不变特征的方式提取人脸的IIF光照不变特征，使得人脸识别的结果不受光照变化的影响；同时利用改进的KCF跟踪算法，检测三个尺度大小不同的窗口对目标的响应，选取响应最强烈的尺度窗口作为下一时刻的跟踪窗口，实现尺度自适应的目标跟踪；当目标短暂离开摄像头视域范围时，重新识别目标人脸，重新初始化KCF跟踪器，实现对目标人脸的长期跟踪。

进一步的，首先，进行人脸检测，确定目标人脸的位置并提取目标人脸光照不变特征特征；其次，使用IHDR算法增量式地学习由人脸特征向量与对应姓名标签之间的映射关系；然后，检索IHDR树，识别目标人脸，根据目标人脸位置生成一个比目标人脸大的子窗口；最后，用生成的子窗口初始化KCF跟踪器，实现对目标人脸的跟踪。

上述技术方案中，包括如下主要步骤：

步骤S1：打开摄像头，读入视频数据流，使用人脸检测算法检测并定位视频流中的人脸；在复杂背景中识别出人脸；

步骤S2：根据检测到的人脸位置生成一个比目标人脸大的矩形子窗口；

步骤S3：对子窗口中的人脸图片进行预处理，提取人脸特征；

步骤S4：启动IHDR增量学习算法学习人脸的特征向量与姓名标签之间的映射关系，构建IHDR树；

步骤S5：使用人脸检测算法定位并框选出人脸，对框选出的人脸进行预处理，检索IHDR树，识别目标人脸，并输出识别结果；