[发明专利]一种基于显著性的形变物体跟踪方法及其系统

说明书

技术领域

本发明涉及一种基于显著性的形变物体跟踪方法及其系统。

背景技术

近年来，随着机器学习和模式识别相关领域的快速发展，极大的推动了计算机视觉技术的发展，大量的工程实践和算法论文如雨后春笋般涌现出来。CVPR,ECCV,ICC这些计算机视觉领域的核心期刊中不乏大量的极具创新，极具影响力的优秀论文。其中，在线学习作为一种机器学习方法，被越来越多的引入到计算机视觉领域中来，开辟出一系列能够在线的对目标进行学习，不断的更新模板模型，从而实现更加快速，鲁棒的跟踪的算法技术。

计算机视觉基于在线学习的计算机视觉的目标跟踪问题可以归纳为这样一个流程：目标的建模，目标的搜索以及目标的更新。其中：目标的建模可以理解为特征选择的问题，进一步说就是选择什么样的特征，用什么样的特点能够最优，最快速，最稳定的表示当前目标；而目标的搜索可以理解为在全局图像中，用什么样的方法去搜索与我们所建立模型对应的目标，从而在实时过程中不断的跟踪目标；而目标模型的更新，则是考虑到现实场景的实际跟踪过程中，目标的外观受到光照，遮挡，形变，旋转和摄像机运动等多方因素的影响，必然发生不变化，我们需要在实时过程中不断的学习并更新目标的模型。

基于自然场景下的形变目标的跟踪技术是计算机视觉领域的一个富有挑战性的工作，指定一个追踪的目标，在目标追踪的过程中，经常会出现追踪对象的丢失，追踪对象的外形发生改变等情况在目标追踪技术中，通常可以分为静态模型和自适应模型，其中，在静态模型，假设被追踪目标对象的外观特征改变较小，或者是改变的先验知识已知，由于在实际的视频追踪中，由于被追踪目标的外形会时刻随着目标的运动而时刻改变，同时先验知识也不是容易获得，因此造成了利用静态模型追踪目标的先天劣势；自适应模型能够快速地学习追踪目标的特征，通过改变模板库，结合记忆，能够较好地适应长时间的目标追踪，但是，自适应方法由于需要保持记忆库，同时不断更新记忆库，因此对于计算机的硬件要求较高。

对于自然场景下目标形变的跟踪，往往因为：1.目标外观的形变过于频繁2.目标外观的不规则，混入背景像素等问题，直接导致了跟踪失败。

究其原因，目前大量的跟踪算法都存在这样一些问题，比如它们大多采用刚性的模板对目标进行建模，这样对于经常发生形变的且外观不规则物体，套用一个形状不匹配的矩形框模板进行建模，必然导致背景像素的错误学习，使得在跟踪过程中，非常容易受到背景变化的干扰，如果同一时刻目标本身也在发生形变，则极易导致跟踪失败。

在自然场景下的长期目标形变跟踪问题中，往往存在一些不变特征，例如颜色分布，运动趋势，视觉显著性。如何有效的提取和利用这些不变特性，才是解决此问题的关键。本发明将通过目标显著性特征提取和软化模板建模两个方面，共同解决自然场景下表观变化跟踪难的问题。

发明内容

本发明的目的在于克服现有技术的不足，提供一种基于显著性的形变物体跟踪方法及其系统，解决现有技术采用刚性的模板对目标进行建模，对于经常发生形变的且外观不规则物体，套用一个形状不匹配的矩形框模板进行建模，必然导致背景像素的错误学习，使得在跟踪过程中，非常容易受到背景变化的干扰，如果同一时刻目标本身也在发生形变，则极易导致跟踪失败的问题。

本发明的目的是通过以下技术方案来实现的：一种基于显著性的形变物体跟踪方法，它包括以下步骤：

S1：人工标定目标区域：在视频/图像序列第一帧，在图像的某一个区域手动框定一个矩形框得到框定区域bb₁，来代表要跟踪的物体；所述的框定区域完全包含目标物体的所有部分；

S2：通过基于视觉显著性的图像分割算法，获取图像包含前景目标的局部显著性图谱D(x,y)；

S3：对前景区域进行分割；

S4：建立目标前景模型；

S5：通过基于颜色特征的颜色直方图跟踪器对前景模型初始化；

S6：基于点特征的光流跟踪器获取候选目标并对其进行判定；

S7：获取目标最终位置；

S8：目标学习与更新。

所述的步骤S2包括以下子步骤：

S21：得到原图像对应的灰度图，包括以下子步骤：

S2101：以框定矩形区域bb₁为中心，生成一个长宽比一致、面积4倍于原矩形区域的新矩形区域bb₂；

S2102：在bb₂区域内，计算灰度直方图，计算公式如下：