[发明专利]基于快速压缩跟踪算法的尺度自适应目标跟踪方法

说明书

本发明公开了一种基于快速压缩跟踪算法的尺度自适应目标跟踪方法。本发明首先，采用上下文模型对类哈尔特征进行加权，增强了类哈尔特征对光照变化的鲁棒性。其次，采用分步跟踪，即增强了算法的抗遮挡能力和应对目标尺度变化的能力，又保持了算法的实时性。最后，提出尺度自适应方法，实现了对尺度变化目标的稳定跟踪。本发明对目标尺度变化、目标外观变化及目标被遮挡的情况具有较好的鲁棒性，且能保证帧频在39帧/秒左右，满足实时性的要求。

技术领域

本发明属于图像处理技术领域，特别是涉及视频目标跟踪、人脸识别、在线学习及尺度自适应等，具体是基于快速压缩跟踪算法的尺度自适应目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域的一个研究热点，它在运动分析、行为识别、智能监控、人机交互等领域有广泛的应用[1,2]。目标跟踪的难点是如何处理目标自身的外观变化及光照、遮挡、背景变化等因素对目标的影响[3,4]。近年来，基于在线学习的目标跟踪算法受到了广泛关注，该算法把跟踪问题看成一个特殊的二元分类问题，其关键在于用一个训练好的分类器将目标从序列图像的背景中分割出来，并且在线更新分类器[5,6]。由于噪声及分类器更新因子不匹配等因素的影响，在线学习的目标跟踪算法容易出现跟踪漂移的问题[7]。因此出现了许多改进算法。文献[8]提出一种基于在线半监督分类器的跟踪算法来降低跟踪漂移，它的主要思想是将优先分类器和在线分类器组成组合分类器，利用半监督学习方式学习组合分类器实现分类器的更新，该算法在限制跟踪漂移的同时能保持对外观变化目标的稳定跟踪。文献[9]提出了一种将半监督学习和多示例学习相结合的学习方法，该方法引入一个组合损失因子，同时对标记和未标记的样本进行学习，实验结果表明其跟踪效果优于在线半监督分类器。

压缩跟踪(Compressive Tracking,CT)算法[10]是二元分类方法中比较流行的一种算法，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。但它主要存在两方面的问题：第一，特征描述简单，当光照变化或目标外观变化较大时容易出现跟踪漂移或目标丢失。第二，跟踪过程中目标窗尺度固定，当目标尺度变大或发生遮挡时容易出现跟踪漂移或目标丢失。文献[11]是原作者对CT算法的改进，但其仅是提高了算法的处理速度，对上述问题并没有很好的解决。

参考文献列表：

[1]Cehovin L,Kristan M,Leonardis A.Robust visual tracking using anadaptive coupled-layer visual model[J].IEEE Transactions on Pattern Analysisand Machine Intelligence(PAMI),2013,35(4):941–953.

[2]Qian Chen,Sun Xiao,Wei Yi-chen,etal.Realtime and robust handtracking from depth[C].IEEE Conference on Computer Vision and PatternRecognition(CVPR),2014:1106-1113.

[3]Zhang T,Ghanem B,Liu S,etl.Robust visual tracking via multi-tasksparse learning[C].IEEE Conference on Computer Vision and Pattern Recognition(CVPR),2012:2042–2049.

[4]Dicle C,Sznaier M and Camps O.The way they move:tracking multipletargets with similar appearance[C].IEEE International Conference on ComputerVision(ICCV),2013:2304-2311.