[发明专利]一种基于组合判断策略的视觉目标跟踪方法

摘要

本发明涉及一种基于组合判断策略的视觉目标跟踪方法，步骤如下：(1)针对目标尺寸变换问题，建立一个自适应尺度，从而自动调整跟踪框大小；(2)针对目标被遮挡后无法继续确定目标所在位置的问题，采用卡尔曼滤波对当前观测量进行预测，当目标重新出现后继续使用KCF算法跟踪目标；(3)针对目标快速移动造成跟踪失败的问题。本发明通过检测目标在相邻帧中位置移动距离，以此计算目标运动速率，自适应的调节检测区域大小扩展系数，能够在不同的环境下获得较高的精度，有效提高整个跟踪系统的鲁棒性，并保持较高的计算速度，具有很高的工程实用价值。

主权项

1.一种基于组合判断策略的视觉目标跟踪方法，其特征在于：包括以下步骤：(1)在初始帧中对目标位置初始化后，利用循环矩阵对n*m目标区域进行稠密的循环采样，得到η*n*m个正负样本，η为8～10之间的数值；(2)对步骤(1)中所得的正负样本，其中包含完整目标区域为正样本，反之为负样本，按照正样本和负样本的标签，构成一个统一的集合，采用岭回归的办法，对上述构成的集合求最小平方误差，利用傅里叶变换快速计算对样本进行分类所使用的分类器的系数，完成分类器训练，再用训练好的分类器对当前帧进行目标检测，对当前帧中的候选目标区域进行分类判定，确定目标出现的位置，从而完成基于组合判断策略的视觉目标跟踪任务；但是在目标跟踪过程中会出现目标尺寸变化、目标被部分或完全遮挡和目标运动过快情况，下列步骤针对这些情况提出对应的解决方案；(21)在步骤(2)中指出的尺寸变化问题，会影响分类器训练结果，针对目标尺寸变化的问题，以一定间隔设立若干个不同尺寸，设立自适应尺度池，在自适应尺度池中，针对每一帧图像中均能够找到适合的目标大小，尽可能在保证跟踪效果良好的情况下减少计算量，克服因为拍摄设备与运动目标的距离改变而引起的尺寸变化问题；(22)在步骤(2)中指出的目标被障碍物遮挡问题，会影响分类器训练结果，因此针对目标遮挡的问题，设立一种卡尔曼滤波预测跟踪机制，对检测结果的最大响应值进行判定，若最大响应值低于阈值，则说明目标很可能出现被遮挡的情况，则启动卡尔曼滤波对目标位置进行预测跟踪，并在预测跟踪过程当中不断与之前目标模型进行相关性计算，判断目标是否重新出现；(23)在步骤(2)中指出的目标运动过快问题，同样会影响分类器训练结果，因此针对目标运动过快的问题，设立一种自适应调整区域扩展系数机制，利用帧间差分的思想，对运动目标的速度实时计算，若运动速度过快，则自适应增大扩展系数，保证目标始终在采样的区域内；经过步骤(21)、步骤(22)和步骤(23)的修正，保证了步骤(2)中分类的准确性；所述步骤(21)中，建立自适应尺度池的过程为：首先采集若干个不同尺寸的目标的图像块，其次对不同尺寸采用双线性插值修改为与正常大小相同的尺寸， 双线性插值公式表示为：Snew(i,j)＝λS(i,j‑1)+(1‑λ)S(i,j+1)+ρS(i‑1,j)+(1‑ρ)S(i+1,j)其中S(i,j‑1)、S(i,j+1)、S(i‑1,j)、S(i+1,j)为原图像对应坐标点的像素值，λ和ρ为插值系数，随尺寸变化的大小而改变，Snew(i,j)为双线性插值后新尺寸下的图像块；采集不同尺寸后的目标图像块表示为Size：Size＝{L‑1*A,A,L*A}其中A为当前帧中目标区域的大小，L为尺寸系数；再修改不同尺度下图像块的尺寸计算最大响应值，与模板尺寸保持一致，再使用高斯核函数计算不同尺度图像块与模板的相关性：κ||x‑x′||＝exp{‑||x‑x′||2/2×σ2}其中κ||x‑x′||为核函数表达式，x为不同尺度图像块，x′为模板，σ为高斯核大小；计算出所有尺寸图像块与模板区域的核相关响应值后找到响应值最大的点和对应的坐标，再进行亚像素细化，最后得到响应值最大的目标尺寸，作为下一帧中确定目标区域所使用的尺寸大小。