[发明专利]一种基于LARK特征的自适应目标跟踪方法

说明书

本发明公开一种基于LARK特征的自适应目标跟踪方法；本发明方法利用LARK(Locally Adaptive Regression Kernels)特征对细微、弱小结构变化敏感且能够抗光照、噪声干扰的优势，联合颜色信息和空间结构特征，提出基于全局LARK特征匹配和CAMSHIFT(Continuously Adaptive Mean‑SHIFT)的跟踪框架，记为GLMT，削弱背景干扰，能够进行复杂背景下的目标跟踪。

技术领域

本发明属于红外及可见光图像目标跟踪领域，具体设计一种基于空间结构特征和灰度信息的目标跟踪方法。

背景技术

近年来，许多目标跟踪算法逐步被提出，Bradski提出的CAMSHIFT算法是以颜色直方图为目标模式的目标跟踪算法，可以有效的解决目标变形和尺寸缩放的问题，且运算效率较高，但其对快速运动的目标以及背景较复杂时跟踪效果不好。在此基础上，许多提出的改进CAMSHIFT跟踪算法在不同程度上提高跟踪的稳定性，但这些算法需要保证目标颜色的独特性，对视频图像的质量要求较高，且比较适合简单背景下的目标跟踪。对于背景较复杂的实际场景，现已经有很多流行的基于在线学习的跟踪算法，压缩跟踪(CT)算法及其改进算法利用在线学习更新分类器和简单的贝叶斯分类器获得目标的最优位置，该算法实时性好，对目标遮挡和外观变化均具有一定的鲁棒性，但跟踪过程中目标窗尺度固定，因此当目标外观变化较快时，其分类器的更新速度明显延迟，容易引起跟踪漂移。基于时空上下文信息进行视觉跟踪的STC算法及其改进算法使用了相关性滤波处理，处理速度非常快，但是其选取较简单的特征得到目标与周围区域的统计相关性，缺少可靠性，且在目标运动过快或被遮挡时也会出现误跟踪。由于红外图像的对比度低、色彩信息匮乏且灰度级动态范围小，使得红外图像的跟踪也成为跟踪研究领域的热点。经典的均值漂移跟踪算法利用目标灰度信息进行目标建模，能够实时的跟踪目标，但易受到相似灰度信息背景干扰，且在跟踪时窗口大小不能随着实际目标大小变化，导致跟踪失败。使用灰度似然比加权核直方图的方法，以及亮度-距离空间下表示红外目标模型的方法来改进经典均值漂移跟踪算法，可以很好地跟踪刚性的红外目标，解决了在复杂背景下目标的表示不够准确的问题，但对于人和动物等非刚性目标的形变会出现跟丢或误跟踪的现象。此外融合SURF特征的均值漂移算法在理想状态下可以解决目标尺度变化的跟踪问题，但在目标较小或纹理单一的情况下，提取的SURF特征点较少或匹配的特征点对数近似为零，导致无法进行跟踪。

为了解决上述问题，本文提供一种一种基于LARK特征的自适应目标跟踪方法。

发明内容

本发明提供一种基于LARK特征的自适应目标跟踪方法，本发明基于特征匹配以及均值漂移理论，研究出了一种基于全局LARK特征匹配和CAMSHIFT的跟踪模型，并提出一种局部LARK特征统计匹配模型，结合图像的彩色或灰度信息，对紧凑型和非紧凑型的目标跟踪都具有很好地鲁棒性。

本发明为解决现有技术问题的技术方案是：首先对模板图像和待处理图像进行LARK特征提取，并做适当的去冗余处理，然后根据本发明提出的局部特征统计匹配方法，结合图像灰度直方图统计概率，有效区分背景和目标，得到目标概率分布图，最后利用MeanShift算法得到准确目标位置和大小。

本发明与现有技术相比，其显著优点为：

1)能有效区分复杂场景下的目标与背景。本发明算法利用的LARK特征对图片中灰度梯度的变化和细微结构的变化较敏感，结合LARK特征匹配和灰度直方图统计，在红外或可见光场景中存在颜色相似物体时，可以得到准确的目标区域。

2)可以跟踪形变较大的非紧凑型目标。目标发生形变时，存在与模板图像相似的局部特征，对相似局部特征统计匹配，可以很好地跟踪到目标。

下面结合附图对本发明作进一步详细叙述。

附图说明

图1是GLMT算法的流程图。

图2是LLSMT算法的流程图。