[发明专利]基于受限结构图搜索的目标跟踪方法

说明书

本发明公开了一种基于受限结构图搜索的目标跟踪方法，其包括以下步骤：S0、初始化目标模型；S1、输入下一视频帧；S2、求解目标部件标签；S3、求解目标状态；S4、更新目标模型；S5、在步骤S4中，如果能量减小则接受模型更新，转到步骤S2继续迭代优化，否则退出迭代循环，输出当前帧最优的目标状态，转到步骤S1。本发明的有益之处在于：(1)将顺序组织的模块在能量最小化框架中统一考虑，能更好挖掘各模块之间的相互支持关系，使它们相互约束和促进，提升跟踪效果；(2)采用基于轮换迭代的优化方法，将原始的多变量优化问题分解为多个较易处理的能量最小化子问题来逐一求解，提高了目标跟踪精度。

技术领域

本发明涉及一种目标跟踪方法，具体涉及一种基于受限结构图搜索的目标跟踪方法，属于计算机技术领域。

背景技术

目标跟踪方法是计算机视觉领域的重要研究课题之一。精确的目标跟踪能为视频数据的进一步分析提供可靠的基础，所以广泛应用于自动驾驶、视频监控、无人机和人机交互等重要场合。虽然目标跟踪已经取得较大发展，但是仍然面临着诸多挑战制约其性能的提高，比如目标的几何形变、部分遮挡和背景杂乱等。

目前，绝大多数目标跟踪算法按照目标表示方法分类，可以分为基于目标整体框模型的跟踪算法和基于目标部件模型的跟踪算法。其中，前者采用一个矩形框表示目标，强调对目标整体的表象学习，该方法对光照变化、背景杂乱等情况鲁棒，但是在因形变、遮挡或者尺度变化引起的表象剧烈变化时容易跟踪失败，后者采用目标部件(像素、超像素或矩形部件等)的集合表示目标，主要学习其局部结构信息，因为单个目标部件鉴别力低，通常需要建立目标结构图来考虑部件之间的结构信息，将目标跟踪问题转化为图匹配问题。

基于图模型的跟踪算法通常包含以下三个顺序模块：目标部件选择、目标部件匹配和目标状态估计。其中，目标部件选择是指使用表象模型从背景中区分出候选目标部件，目标部件匹配是指根据表象和结构相似性来关联相邻两帧的部件，目标状态估计是指根据匹配结果估计出目标状态(目标中心位置和目标尺度)。

但是这样的顺序机制并不足以实现在复杂场景下的鲁棒跟踪。

首先，目标部件选择和后续两个模块相对独立，使得不精确的表象模型会直接对匹配结果造成负面影响，进而造成跟踪失败。

其次，它们并没有考虑全局限制，使其在杂乱背景下对背景噪声比较敏感。

进一步的，该机制不足以反映这三个模块的真实关系：

(1)连续两帧的部件匹配能为当前帧的部件选择提供补充信息，反之亦然；

(2)部件选择和匹配提取了局部表象变化，有助于整体目标状态估计；

(3)估计的目标状态反过来能为部件选择和匹配提供一个整体约束，取得更高精度。

如果能同时考虑三个模块之间的相互支持和促进关系，将有助于建立更加精确的跟踪模型。而先前的工作并没有考虑这些问题。

发明内容

为解决现有基于图模型的跟踪算法局限于局部表象建模，而不能同时考虑各模块相互支持促进的不足，本发明的目的在于提供一种基于受限结构图搜索的目标跟踪方法。

为了实现上述目标，本发明采用如下的技术方案：

基于受限结构图搜索的目标跟踪方法，其特征在于，包括以下步骤：

S0、初始化目标模型

根据第一帧标定的目标状态，得到目标尺度两倍大小的目标搜索区域R，然后将该目标搜索区域R过分割为一系列颜色相似像素的超像素收集在目标框内的超像素为正样本，目标框外的超像素为负样本，这样学习一个线性支持向量机模型作为表象模型M以及相关滤波器模型F作为整体约束，另外，建立目标结构图模型G＝{V,C}，其中V表示目标部件集合，C表示临近目标部件集合关系组成的边的集合；