[发明专利]基于子区域的自适应随机投影视觉跟踪方法

说明书

本发明公开了一种基于子区域的自适应随机投影视觉跟踪方法，包括4个步骤：生成子区域、构建自适应观测矩阵、中值流跟踪、目标位置确定及参数更新；与现有技术相比，本发明设计了一种对光照，遮挡和尺度干扰有良好特性的视觉跟踪方法。为了缓解光照和遮挡干扰引起的目标外观变化，构建了基于颜色、纹理和空间特征融合的外观模型。为了跟踪目标尺度，设计了一种中值流跟踪策略计算相邻帧的尺度变化。大量实验表明，本文方法在准确度、精度、鲁棒性等方面优于部分state‑of‑the‑art算法，具有推广应用的价值。

技术领域

本发明涉及图像技术领域，尤其涉及一种基于子区域的自适应随机投影视觉跟踪方法。

背景技术

视觉跟踪作为计算机视觉领域的核心任务之一，在视频监控、运动分析和识别、异常事件检测和人机交互上都得到了广泛的应用。视觉跟踪算法通常由外观模型、目标状态搜索和模型更新三个部分组成，外观模型根据目标的运动状态规律估计目标在下一帧中的位置范围，该范围包括了所有可能的目标位置候选区域；采用适当地搜索策略采样候选目标区域，目标的最终位置由目标外观模型对采样候选区域评估而得，可见目标外观模型往往是跟踪算法的关键[1]。针对前述应用，研究者们提出了许多行之有效的目标外观模型如Online AdaBoost(OAB)[2]，Semi-supervisedBoosting(SemiB)[3]，Multiple InstanceLearning(MIL)[4]，TrackingLearningDetection(TLD)[5]，但是受很多因素制约，在多样性地自然场景中实现对任意目标的鲁棒跟踪依然是极其困难的。这些制约包括来自光照变化、部分/全部遮挡、尺度变化、运动模糊等外部因素，也包括目标的姿态变换、形状变化等内部因素。

近些年来，将随机投影[6-9]和稀疏表示[10-14]技术应用于视觉跟踪取得了较大的突破。Zhang等人基于随机投影设计了一种高效地特征提取技术，首次提出了Compressive Tracking(CT)跟踪框架[15]。首先，提出了一种非常稀疏的随机观测矩阵提取目标的多尺度压缩特征。其次，设计了一种在线更新的朴素贝叶斯分类器对候选区域的低维压缩特征进行分类，置信度最高的候选区域即为目标在当前帧的位置。CT跟踪算法的优点是性能实时，在一般场景下准确度高。其局限性在于算法无法解决尺度跟踪问题，而且当目标经历多样纹理、遮挡干扰时，跟踪器容易发生漂移现象。为了解决上述问题，Wu等人[16]基于CT跟踪框架提出了一种MSCT改进算法，利用目标位移的二阶转换构建运动模型的同时，估计相邻帧的尺度变化。文献[17]基于CT跟踪框架提出了一种MSRP改进算法，其做法是提取压缩域的纹理特征构建目标的外观模型，并设计了一种基于经典控制理论反馈思想的尺度跟踪策略。在[17]基础上，作者Teng等人[18]又提出了一种MCFF(multiplecompressed features fusion)改进算法，其主要思想是设计两种随机观测矩阵提取互补的两种特征，特征间的动态融合能够更好的表征目标的外观变化。[18]的大量实验证明了MCFF算法在若干标准数据集上的效果优于MSCT和MSRP算法，但是在目标经历光照变化、遮挡和杂乱背景杂乱场景时效果还有待提高。

参考文献

[1]A.Yilmaz，O.Javed，andM.Shah，“Objecttracking:Asurvey，”AcmComputingSurveys，vol.38，no.4，pp.45，2006

[2]H.Grabner，M.Grabner，andH.Bischof，Real-timetrackingviaon-lineboosting，BMVC2006，pp.47-56，2006.

[3]H.Grabner，C.Leistner，andH.Bischof，Semi-supervisedon-lineboostingforrobusttracking，ECCV2008.pp.234-247，2008.