[发明专利]基于Kalman目标预测多特征压缩融合的快速运动目标跟踪方法

说明书

本发明为基于Kalman目标预测多特征压缩融合的快速运动目标跟踪方法，包括：1.在特征提取阶段，对多特征进行压缩，以降低特征维数、减少训练时间。2.采用背景加权技术对压缩后的多特征进行自适应融合，形成跟踪使用的特征向量，以有效降低相似物和遮挡的干扰。3.在跟踪过程中，采用Kalman滤波预测目标位置，并进行目标跟踪优化：(1)在分类过程中，计算样本位置与Kalman预测位置的距离权重，然后将该权重输入贝叶斯分类器，以增强分类性能、降低错误跟踪率。(2)在参数更新过程中：采用自适应学习率代替恒定不变的学习率，以减小噪声对分类性能的干扰。本发明可以有效提高在复杂情况下快速运动物体的跟踪准确率。

(一)技术领域

本发明涉及一种快速运动目标的视频跟踪方法。

(二)背景技术

传统的压缩感知方法对于慢速移动的物体有较好的跟踪效果，但是在目标保持持久的快速移动的情境下，一旦出现出现跟踪漂移，就会造成误差累积很难找回目标。目前针对快速目标的跟踪，大多数的研究都是基于卡尔曼滤波(Kalmanfilter)来实现的。

Kalman滤波器是一种通过递归滤波来估计系统状态的线性最小均方差的方法，该方法能对目标的速度、位置等得到好的预估值，因而在目标跟踪中得到了广泛的应用。把这种思想运用到对快速运动目标的跟踪中，Kalman滤波可以从不同角度预测目标，及时的矫正目标位置，这样可以大大提高跟踪的准确度。文献[1]针对快速运动的目标跟踪，提出使用背景差分法来检测移动目标区域，然后使用卡尔曼滤波器预测目标位置，最后根据组合质心加权方法来优化预测、校正状态值，实现了对移动物体的有效检测、跟踪。文献[2]则在跟踪时将卡尔曼粒子滤波器和最小二乘支持向量回归相结合增加跟踪的鲁棒性，但时间消耗较大。文献[3]提出基于Kalman滤波的Camshift目标跟踪方法，提高了跟踪准确性，但在目标遮挡时会出现局部最大值，不利于跟踪。文献[4]提出的快速运动目标的跟踪算法中，利用Kalman预测的目标位置作为下一帧Camshift的搜索区域，并用Camshift确定的目标位置来更新Kalman的参数，可跟踪被遮挡的目标，但跟踪时间较长。文献[5]为了实现快速运动物体的跟踪，提出了结合Kalman滤波和Meanshift结合的快速目标跟踪方法，在Meanshift框架下,用Kalman滤波器对快速运动的目标位置进行矫正与预测，该方法比Camshift的运算时间要少，但在特征描述方面只使用了颜色信息，且缺乏必要的模板更新，因此不适用于复杂情境下的跟踪。同时，这些快速运动目标的跟踪方法都有一个不足就是跟踪时间消耗大，不满足跟踪实时性需要。

参考文献：

[1]Fu Z X,Han Y.Centroid weighted Kalman filter for visual objecttracking[J].Measurement,2012:650-655.

[2]Zhou Z Y,Wu D C,Zhu Z F.Object tracking based on Kalman particlefilter with LSSVR[J].Optik,2016:613-619.

[3]万中田,冼钟业,胡明宇.基于Kalman预测器的多特征Camshift运动目标跟踪算法[J].武汉大学学报,2015,48(5):712-722.

[4]闫钧华,陈少华,艾淑芳.基于Kalman预测器的改进的CAMShift目标跟踪[J].中国惯性技术学报,2014,22(4):536-542.

[5]朱胜利,朱善安,李旭超.快速运动目标的Meanshift跟踪算法[J].浙江大学学报,2006,33(5):66-70.

(三)发明内容

为了实现对快速运动目标的实时跟踪，本发明进行了以下改进：

1.在特征提取阶段，对多特征进行压缩，以降低特征维数、减少训练时间。