[发明专利]一种移动背景下的运动目标跟踪与检测方法

说明书

本发明公开了一种移动背景下的运动目标跟踪与检测方法，包括：运动目标检测方法和运动目标跟踪方法，运动目标检测方法包括：A1，确定全局运动参数模型；A2，参数估计特征点匹配；A3，全局运动背景补偿；A4，提取运动目标并优化；运动目标跟踪方法包括：B1，运动目标检测，将运动目标和背景进行分割；B2，利用KCF算法对运动目标进行跟踪，计算得到运动目标的质心位置；B3，利用Kalman滤波器，利用上一帧图像的质心位置预测下一帧的质心位置，将实际结果和预估结果进行对比，计算误差，更新滤波器。本发明提供的移动背景下的运动目标跟踪与检测方法具有运动目标检测的判别能力强、检测过程快速准确、跟踪效果好的特点。

技术领域

本发明涉及图像数据处理技术领域，特别是涉及一种移动背景下的运动目标跟踪与检测方法。

背景技术

随着人工智能和图像处理技术的发展，人们可以依赖计算机去处理海量的繁琐工作和数据，图像数据的处理技术也在不断地更新发展，而目标的检测和跟踪作为图像处理、计算机视觉的重要分支，成为近些年来的研究热点。

现有技术中动态背景下的运动目标检测中用到的二帧帧差法提取运动目标的过程中存在空洞问题，并且现有的KCF算法在跟踪的过程中存在运动目标和目标框漂移问题，如果不能够及时调整的话，可能会导致目标框的继续漂移，从而导致运动目标的跟踪失败。基于以上问题，亟需提供一种新的移动背景下的运动目标跟踪与检测方法。

发明内容

本发明的目的是为了提供一种移动背景下的运动目标跟踪与检测方法，能够对动态背景下运动目标的检测和运动目标的跟踪进行优化和完善，具有运动目标检测的判别能力强、检测过程快速准确、跟踪效果好的特点。

为实现上述目的，本发明提供了如下方案：

一种移动背景下的运动目标跟踪与检测方法，包括：

A，基于目标检测算法检测运动目标，具体包括：

A1，确定全局运动参数模型；

A2，参数估计特征点匹配；

A3，全局运动背景补偿；

A4，提取运动目标并优化；

B，基于融合Kalman滤波算法和KCF算法的跟踪算法对运动目标进行跟踪，具体包括：

B1，首先进行运动目标检测，将运动目标和背景进行分割；

B2，利用KCF算法对运动目标进行跟踪，通过运动目标的外接框，计算得到运动目标的质心位置；

B3，利用Kalman滤波器对检测到的每一帧的图像中的运动目标的外接框的质心进行预测，判断运动目标的运动方向，将得到的跟踪图像和维护的模板进行匹配，将匹配的结果和匹配阈值进行对比；

B4，判断是否发生跟踪偏差，如果是，则转至步骤B5，如果否，则转至步骤B6；

B5，更新卡尔曼滤波器和KCF算法并继续进行跟踪；

B6，输出跟踪图像。

可选的，所述步骤A1中的全局运动参数模型具体采用仿射运动参数模型。

可选的，所述步骤A2中的参数估计特征点匹配，具体包括：采用Surf算法首先进行Hessian矩阵的构建，然后构建尺度空间，精确定位特征点，丢弃小于预设极值的取值，筛选错误和不稳定的极值点，然后选取特征点的主方向，保证旋转不变性，最后生成Surf特征描述子进行匹配。

可选的，所述步骤A3中的全局运动背景补偿，具体包括：采用Surf算法进行特征点检测并匹配，利用匹配的特征点的坐标计算得到图像的全局运动模型，利用计算出来的运动模型计算得到背景补偿的图像。