[发明专利]一种基于压缩正则化块差分的视频目标跟踪方法

说明书

本发明公开了一种基于压缩正则化块差分的视频目标跟踪方法，实现步骤如下：步骤一.选定跟踪区域；步骤二.初始化测量矩阵；步骤三.初始化目标分类器；步骤四.更新目标分类器；步骤五.输入新视频帧；步骤六.生成粗略候选目标集合；步骤七.计算粗略候选目标集合中所有候选目标的CNBD特征向量；步骤八.判别粗略跟踪结果；步骤九.生成细致候选目标集合；步骤十.计算细致候选目标集合中所有候选目标的CNBD特征向量；步骤十一.判别本帧跟踪结果；步骤十二.如果当前帧是最后一帧，跟踪结束；否则，转至步骤四。该方法采用压缩正则化块差分特征对被跟踪目标或候选目标进行表述，采用由粗到细的滑动窗口方式生成候选目标集合。

技术领域

本发明涉及视频目标跟踪方法领域，特别涉及一种基于压缩正则化块差分的视频目标跟踪方法。

背景技术

视频目标跟踪即借助具有辨识力的特征对视频帧序列中运动目标进行跟踪，以分析其运动参数及轨迹。然而，实际场景中目标形变、光照变化、遮挡、背景混乱等因素给视频目标跟踪技术带来了极大的挑战。智能视频监控、机器人导航、人机交互等众多应用领域要求视频目标跟踪方法既准确又快速。

在视频目标跟踪方法的整个流程中，现有技术1Wang N,Shi J,Yeung D Y,etal.Understanding and diagnosing visual tracking systems[C]//Proceedings ofthe IEEE International Conference on Computer Vision.2015:3101-3109.指出特征提取对跟踪方法的准确性和快速性至关重要。在已有快速视频目标跟踪方法中，现有技术2：Zhang K,Zhang L,Yang M H.Fast compressive tracking[J].IEEE transactions onpattern analysis and machine intelligence,2014,36(10):2002-2015.提出的压缩跟踪方法是主流的快速跟踪方法之一，然而，其采用的Haar-like特征限制了跟踪的准确性。发明专利一种基于压缩不规则分块LBP的视频目标跟踪方法,申请号:201611185481.3，采用压缩不规则分块LBP特征进行特征提取，促进了现有技术2的跟踪准确性。现有技术4：Liao S,Jain A K,Li S Z.A fast and accurate unconstrained face detector[J].IEEE transactions on pattern analysis and machine intelligence,2016,38(2):211-223.提出的正则化像素差分(Normalized Pixel Difference,NPD)特征在人脸检测应用中取得了优于Haar-like、LBP等特征的性能，然而，NPD特征易受噪声干扰且维度过高限制了跟踪的准确性和快速性。

上述现有技术存在如下不足：

(1)在复杂场景下Haar-like特征和LBP特征的性能不及NPD特征

在压缩跟踪框架中，压缩特征向量性能的优劣对跟踪方法的准确性至关重要。现有技术2基于高维Haar-like特征生成压缩Haar-like特征向量，发明专利申请201611185481.3基于分块LBP特征生成压缩不规则分块LBP特征向量。然而，现有技术4指出，在光照变化、姿势变化、遮挡、模糊、低分辨率等多种复杂场景下，以人脸检测应用为例，正则化像素差分(Normalized Pixel Difference,NPD)特征已被验证能够取得优于Haar-like、LBP等特征的性能。因此，本发明可以将性能更优的NPD特征引入到压缩跟踪中。

(2)NPD特征易受噪声干扰且维度过高

NPD特征向量中每个元素是图像区域中某两个像素值的正则化差分值。然而，由于成像设备或数字化过程所限，单个像素值极易受到噪声的干扰，若直接将其引入视频目标跟踪过程将导致NPD特征向量的不可靠性。再者，NPD特征的维数过高将影响视频目标跟踪的快速性。以W×H＝50×50目标区域为例，NPD特征向量维数为