[发明专利]一种基于全局搜索的实时分布场目标跟踪方法

说明书

【技术领域】

本发明属于计算机视觉与图像分析领域，具体涉及一种基于全局搜索的实时分布场目标跟踪方法。

【背景技术】

跟踪技术是计算机视觉的一个重要问题，已经广泛应用到视频监控，人机接口、机器人感知、行为理解和动作识别等领域。由于跟踪过程中目标的旋转、变形、遮挡和光照变化等复杂因素的影响，视觉跟踪技术一直是一个值得深入研究的问题^[1，2]。

一般地，跟踪算法主要包括目标表示、搜索策略和模型更新三个方面。其中，目标表示是跟踪算法首先要解决的问题。早期的目标常用一个模板表示，该模板包含目标的亮度、梯度信息或其他特征^[3]，但是它对目标的空间结构变化敏感。另一种基于模板的目标表示方法是直方图表示法^[4，5]，计算简单，速度快，对目标的形变、姿势变化等不敏感，可以在一定程度上避免漂移。但是，它是一种基于统计的目标表示方法，会丢失一些空间信息。而且，当目标与背景相似度较高时，这些方法表现力下降。2001年，Viola^[6]等人首先将基于Haar-like特征的Adaboost算法引入到人脸检测中。由于将积分图像的思想应用到Haar-like特征的计算中，极大地提高了特征的获取速度。受此启发，Babenko^[7]等人通过在线多示例学习训练分类器的方法，利用Haar-like特征对目标和背景训练一个判别式模型实现了鲁棒地跟踪。Haar-like特征计算简单，但对边缘、线段比较敏感，而且只能描述特定走向的特征，比较粗糙。姚志均^[8]提出了一种新的空间直方图相似性度量，将空间直方图中的每个区间的空间分布看作为一个高斯分布，用JSD(Jensen-Shannon Divergence)和直方图相交法分别度量空间分布和颜色直方图中的相似性，并将其应用到粒子滤波跟踪算法中，改进跟踪结果。

最近，Laura Sevilla-Lara^[9]等采用了一种新颖的分布场(Distribution Fields，简称DF)目标表示方法，并将其引入到目标跟踪领域。该方法首先通过对图像自然分层，保留原始图像的基本信息，通过对图像各层以及层间进行高斯平滑后，在目标表示中引入了“模糊性”，在一定程度上克服了形变和光照等变化的影响。然而，在搜索策略上，原始分布场按照梯度下降法搜索，当出现极小值的时候停止搜索，部分降低运算量。但是对于目标函数是非凸的，梯度下降法在具体跟踪过程中只是根据上一帧检测得到目标的最大响应位置，在当前帧中从此位置开始在有限的区域内计算L1范数搜索目标，这样对于目标运动相对比较快的情况下，在有限区域搜索易于陷入局部最优解，限制了跟踪效果。

参考文献：

[1]Yilmaz A,Javed O,ShahHAH M.Object Tracking:a Survey[J],ACM Computing Surveys(CSUR),2006,38(4):13.

[2]Yang Han-xuan,Zheng Feng,Wang Liang,et al.Recent advances and trends in visual tracking:A review[J].Neurocomputing.2011,74(18):3823-3831.

[3]Baker S,Matthews I.Lucas-Kanade20years on:A unifying framework[J].International Journal of Computer Vision,2004,56(3):221-255.

[4]Collins R T,Mean-shift blob tracking through scale space[C]//Proc of IEEE Computer Society Conference on Computer Vision and Pattern Recognition,Madison:IEEE Press,2003,2:II-234-40.

[5]Ning Ji-feng,Zhang Lei,Zhang David,et al.Robust Mean Shift Tracking with Corrected Background-Weighted Histogram[J],IET Computer Vision.2012,6(1):62-69.