[发明专利]一种基于显著性检测与图像分割的相关滤波跟踪方法

说明书

一种基于显著性检测与图像分割的相关滤波跟踪方法。提出了一种结合显著性检测与图像分割的相关滤波改进方法，通过对图像中的背景进行破坏，突出目标特征，弱化背景特征，提高跟踪准确率。通过获取视频流；对目标进行检测；首先应用显著性检测技术区分图像中的前景与背景；进行图像对比度增强对图像进行分割；将得到的分割图与原图进行与操作，得到仅含有目标信息的矩形框；通过显著性检测，对比度增强，图像分割技术的引入，破坏了原本矩形框中的背景信息，保留了目标信息，使目标信息特征的表达始终强于背景信息，解决了复杂背景下相关滤波跟踪失效的问题。

技术领域

本发明涉及视频监控领域。特别涉及图像处理与分析技术，提出了一种基于显著性检测与图像分割的滤波跟踪方法。

背景技术

随着城市的发展，城市的安防问题受到了越来越多的关注，而视频监控则是安防的基石。近年来，视频处理越来越朝着智能化方向发展，视频跟踪技术的应用也愈加广泛，无论是大型广场，学校园区，还是无人值守变电站等场所，都需要对视频中的重点关注目标进行跟踪。传统的目标跟踪需要人工进行观察，跟踪效率低，无法同时兼顾多路视频。通过目标跟踪技术的引入，可以极大提高监控效率，做到一个人同时监控多路监控视频。但是在实际场景中，复杂的背景往往会给目标跟踪带来了极大的挑战。

目前在目标跟踪技术上，主要有两种方法：生成式方法和判别式方法。生成式方法主要是对当前帧的目标区域进行建模，下一帧寻找与模型最相似的区域就是预测位置，例如：kalman filter，mean shift。判别式方法主要以当前帧的目标区域为正样本，背景区域为负样本，通过机器学习训练分类器，下一帧用训练好的分类器寻找最优区域，例如：struck。近年来，相关滤波与基于深度学习的目标跟踪方法逐渐成为了主流的跟踪方法。其中，由于相关滤波将岭回归的封闭解变换到傅立叶域，并结合了循环矩阵的特性将样本集进行化简，在保持了较高跟踪速度的同时有着良好的跟踪准确度，以其优越的综合表现成为目标跟踪方法中的重要分支。针对复杂背景下引起的相关滤波跟踪性能降低的问题，目前人们主要从特征方面入手解决。人们试图将多种特征进行融合，设计出高维度的特征，以求更精确的表达前景信息，提高跟踪性能。随着深度学习的发展，人们将深度特征引入相关滤波领域，使得跟踪性能有着明显的提升。虽然此类方法能够提高一定的性能，但是往往带来的计算开销也是巨大的，难以满足视频监控的实时性要求。

相关滤波是一种基于模板匹配的跟踪方法，因此模板的选定与生成起着至关重要的作用，目前相关滤波方面主流的模板采用的是方向梯度直方图特征来表达。在进行跟踪的时候，需要通过检测方法给定一个初始矩形框，矩形框中包含目标本身与目标周围的背景信息。在背景较为简单的情况下，矩形框中目标的特征表达会强于背景的特征表达，相关滤波跟踪效果良好。但是，实际场景中的背景往往是比较复杂的，矩形框中目标的特征表达可能会弱于背景特征，导致跟踪失败。因此，即使提取的特征维度更高，更能表达矩形框中的信息，但是如果无法区分矩形框中的目标与背景，得到的特征也是错误的。

发明内容

本发明是在相关滤波方法的基础上，提出了一种结合显著性检测与图像分割的相关滤波改进方法，通过对矩形框中的目标进行显著性检测，根据显著性检测的结果进行图像分割，对背景进行破坏，突出目标特征，弱化背景特征，提高相关滤波在复杂背景情况下的跟踪准确率。

针对在实际场景中的背景比较复杂，矩形框中目标的特征表达弱于背景特征，导致跟踪失败这一现象，本发明结合显著性检测与图像分割方法，通过区分矩形框中的前景和背景，保留前景信息，破坏背景信息，降低背景特征表达，进而解决复杂背景下跟踪失败的问题。

本发明具体实现如下：

步骤一：从摄像头获取视频流；

步骤二：进行目标检测，目标跟踪的初始矩形框需要由目标检测方法给定。目标检测可使用运动目标检测，行人检测，车辆检测等方法，根据实际需求进行选择。通过目标检测，给定跟踪初始矩形框；