[发明专利]一种目标占比自适应的压缩域小目标跟踪方法

说明书

本发明涉及一种目标占比自适应的压缩域小目标跟踪方法，包括以下步骤：设定跟踪小目标的起始帧，获取起始帧的掩模；对获得的运动矢量进行预处理工作，包括两个部分：帧内编码块的处理和全局运动补偿；应用MRF模型，分别计算跟踪小目标在这一帧的时域代价、空域代价和邻域代价，得到小目标的预测位置。本发明可以有效地提高小目标跟踪的准确率和F度量。

技术领域

本发明涉及图像目标跟踪技术领域，特别是涉及一种目标占比自适应的压缩域小目标跟踪方法。

背景技术

小运动目标检测和跟踪是视频应用领域的一个重点和难点，尤其现在的视频分辨率越来越高，目标在一帧中的占比越来越小，以及背景的多样性和摄像机的复杂运动都增加了目标跟踪的难度。现有压缩域跟踪方法对小目标的跟踪性能较差。

现在绝大部分视频都是按某种视频编码标准压缩后，以压缩(编码)的形式进行保存和传输，也即是说，信宿端并不能直接获得视频的像素形式表示。如需还原视频像素信息，则需要对视频进行全解码。目前主流的视频编码标准(如H.264/AVC等)，在实现视频编码(压缩)的过程中，大量利用了视频中像素块的运动来寻找相似性最高的参考块，因为像素块在相邻帧中最相似的参考块往往出现在它运动的方向上，通过运动预测和运动补偿等技术，利用像素块之间的相关性，使用运动信息代替像素信息对这个像素块进行存储和传输，从而达到消除冗余像素信息(即压缩)效果。虽然视频被编码后不再保存像素信息，但却保存了与物体运动关联性很强的编码信息，包括运动向量、编码模式、经过运动补偿后的预测残差等。视频中运动越剧烈的地方，编码器对其编码时划分得越是细致，因为这些地方的运动情况更复杂。相反，在一些背景区域，编码时的划分粒度相对较大。也就是说，压缩域信息为物体跟踪提供了重要线索。视频经压缩后生成的码流中，本身就已经包含了关于视频的像素域运动状态信息(如运动向量等)。信宿端可以直接使用压缩域现成运动信息，节省从像素域中重新挖掘运动信息的巨大开销。

现有压缩域跟踪技术一般采用马尔可夫随机场(MRF)机制。马尔可夫随机场方法是建立在MRF模型和Bayes理论的基础上，MRF模型提供了不确定性描述与先验知识联系的纽带，并利用观测图像，根据统计决策和估计理论中的最优准则确定分割问题的目标函数，求解满足这些条件或消费函数的最大可能分布，从而将分割问题转化为最优化问题。其具有以下几个鲜明的特点：①MRF模型可以将像素的空间关系紧密地结合在一起，将像素间的相互作用加以传播，因而在图像分割中可以用低阶的MRF来描述像素间的作用关系；②MRF模型既能反映图像的随机性，又能反映图像的潜在结构，这样可以有效地描述图像的性质；③MRF模型即从物理模型出发，又与图像数据(灰度值或特征)拟合直接联系起来；④近年来关于Gibbs分布与MRF等价性的研究，使得分布与能量或消费函数建立了有效的联系，利用这种联系可以处理用MRF描述的图像问题；⑤求解用MRF描述的不确定性问题，利用统计决策和估计理论，主要是Bayes理论，将图像的先验知识转化为先验分布模型来描述，采用最大后验估计来得到图像标号的分布(实质是完成图像的分割过程)，推导出的参数具有明确的物理含义，而线性模型、时间序列模型中的参数一般只作为被拟合了的参数而出现，较少具有真实含义，其解的正确性可以通过Monte Carlo方法生成的随机数加以验证；⑥MRF模型的局部特征可以采用大规模并行算法。

发明内容

本发明所要解决的技术问题是提供一种目标占比自适应的压缩域小目标跟踪方法，可以有效地提高小目标跟踪的准确率和F度量。

本发明解决其技术问题所采用的技术方案是：提供一种目标占比自适应的压缩域小目标跟踪方法，包括以下步骤：

(1)设定跟踪小目标的起始帧，获取起始帧的掩模；

(2)对获得的运动矢量进行预处理工作，包括两个部分：帧内编码块的处理和全局运动补偿；

(3)应用MRF模型，分别计算跟踪小目标在这一帧的时域代价、空域代价和邻域代价，得到小目标的预测位置。

所述步骤(1)前还包括判断目标是否为小目标的步骤。