[发明专利]基于特征光流与在线集成学习的视频目标跟踪方法

说明书

技术领域

本发明涉及一种视频目标跟踪方法，特别是涉及一种基于特征光流与在线集成学习的视频目标跟踪方法。

背景技术

视频目标跟踪方法的研究和应用作为计算机视觉领域的一个重要分支，正日益广泛地应用到科学技术、国防建设、航空航天、医药卫生以及国民经济的各个领域，因而研究目标跟踪技术有着重大的实用价值。现有的特定目标跟踪方法主要有：基于检测的方法，如帧间差分方法、背景差分方法、运动场估计方法。基于识别的方法，如区域匹配方法、模型匹配方法、频率域匹配方法和特征匹配方法。

文献“Online learning of robust object detectors during unstable tracking,OLCV，2009”公开了一种数字视频中的特定目标的跟踪方法，该方法采用跟踪-建模-检测（TMD）方法。跟踪部分采用改进的加入了中值处理的Lucas-Kanade光流法实现的一个短期跟踪器来对特定目标进行跟踪，估计出目标下一帧出现的位置；而在线检测器是基于随机森林形式的分类器，随机森林中每棵树上的每个特征代表了这棵树在某个层面上的一种衡量，特征选用在某个区域衡量梯度方向并将其数字化的2bitBP特征，通过投票的方式决定输入的图像块是否是潜在目标；建模部分的在线模型用一系列15×15的强度归一化的小块来表现，从跟踪器轨迹和模型更新选择出来的适当的样本来添加进在线模型，同时将错检的可能目标移出模型。但是，特征产生过程中采用随机生成一些特征点，利用前向后向误差判定来确定稳定的点，由于特征是随机产生的，所以具有不确定性，而且跟踪部分和检测部分都采用的是同一组特征，若特征发生错误，则跟踪和检测部分的结果将同时不准确，对于错误特征有局限性且容错性差。而且对跟踪结果和检测结果的权重分配也是一个固定值，不能自适应地进行调整。

发明内容

为了克服现有的数字视频中的特定目标的跟踪方法跟踪结果差的不足，本发明提供一种基于特征光流与在线集成学习的视频目标跟踪方法。该方法将跟踪和检测的特征提取方式分离开来；在检测过程中添加了目标可能出现的位置限制的过滤，将距离目标较远的可能目标去除；再次得到跟踪和检测结果后，自适应地计算目标与在线模型的Fisher鉴别比来确定对应权重，而不是以一个固定的数值来对两个结果进行融合，可以得到较好的跟踪效果。

本发明解决其技术问题所采用的技术方案是：一种基于特征光流与在线集成学习的视频目标跟踪方法，其特点是包括以下步骤：

步骤一、对原始视频的每帧图像用OpenCV提取稳定的特征点，其中包括图像序列中一直稳定存在的特征点和每一帧会新增加的特征点，用OpenCV自带的迭代光流法来跟踪这些特征点在下一帧的位置。

进行目标未缩放跟踪的处理，首先判断OpenCV检测出来的特征点的数目是否达到RANSAC算法所要求的最少特征点数目。若特征点数目＜最少特征点数目，则分别统计这几个特征点在x方向和y方向的位移，排序后选择中位值作为整个目标在x方向和y方向的位移；若特征点的数目≥最少特征点数目，则运用RANSAC算法先去除坏点，再计算出前一帧目标边界框到后一帧目标边界框的转换矩阵。得到目标未缩放时前一帧目标边界框对应的后一帧目标边界框的位置。

在得到目标未缩放的边界框的位置后进行缩放处理，首先以目标边界框的长和宽中较小的一个为基准，从-5到5个像素进行缩放，对应的另外一边也按照从-5到5个像素进行缩放；采用公式