[发明专利]一种基于多级检测器的具有自恢复能力的目标跟踪方法

说明书

一种基于多级检测器的具有自恢复能力的目标跟踪方法：结合Adaboost多级弱分类器级联为强分类器的思想，选择多个不同类型的检测器串联；第一级检测选择显著性检测器；第二级选用分类器集合检测模块，代入到随机树中计算第一级检测出的可能区域为正样本的后验概率；第三级选择相关滤波检测器，计算后验概率大于某阈值的样本与初始化或上一帧得到的正样本的相关度，从而减小长期跟踪带来的积累误差；经过多级检测器后确定相关度最大的位置即认定为当前帧中目标区域，并以确定的位置采样，补充样本集中去除的正负样本数，保证样本的可靠性和数目的恒定；若相关度最大值小于某阈值，则激活重检测机制，对位置附近区域重新检测搜索目标。

技术领域

本发明设计了一种基于多级检测器的具有自恢复能力的目标跟踪方法，将多个不同类别的检测器串联，形成一个强检测器对视频序列每一帧图像进行目标检测，从而实现目标跟踪，并且能够在跟踪目标丢失的情况下进行重检测，重新检测目标位置并继续跟踪。该方法采用的是基于检测的目标跟踪思路，对于静态背景和动态背景都具有较好的鲁棒性，拥有较高的工程应用价值。

背景技术

对于图像目标如何保持长期稳定跟踪的理论研究，逐渐成为计算机视觉关注点较高的方向，其已经广泛应用在监测识别和机器人等领域。目标跟踪是一个融合图像信号处理、模式识别、自动化等众多学科的综合性研究发展方向，需要对图像序列进行分析处理，所以设计一个高效、鲁棒的跟踪器仍然是一个难题。目标跟踪技术关键在于利用特征或模型将目标与背景区别分离，常用的跟踪算法主要有以下几种思路：基于特征匹配的方法、基于对比度分析的方法、基于模型的方法和基于运动检测的目标跟踪方法。其中基于运动目标检测的方法主要思想是通过检测序列图像中的目标和背景的差异，确定目标存在的区域和位置从而实现跟踪。传统的检测方法有帧间差分法、背景差分法和光流法等。前两种方法是直接对前后两帧或背景做差值计算得到目标区域，这种方式只适用于静态背景的处理，而且容易受到背景中运动非目标事物的影响。光流法虽然可以处理动态背景的问题，但是稠密的光流点计算需要占用大量的计算资源，检测速度无法满足实时性要求。此外还有一些学者提出新的检测思路，例如Fu等人提出的多假设数据关联法，该算法利用概率数据关联的思想对复杂场景下检测目标，解决目标丢失等不确定条件。Ess等将卡尔曼滤波作为目标的运动模型。利用目标外观相似度建立数据关联，实现目标的检测。Li等提出了利用统计学习来解决检测响应与目标跟踪融合问题的思路。Wu提出了一个对目标的分块模型，把目标概率分布函数作为其特征，利用贝叶斯融合检测目标。但是在实际利用检测对目标进行跟踪的过程中，以上算法普遍存在的问题是由于各种可能的因素带来的跟踪误差，在跟踪过程中误差逐渐积累，会导致之后的检测目标精度下降，最终影响跟踪效果。此外在目标跟踪的初始化阶段，获取的目标初始模板本身就存在精确度问题，也会严重影响后续跟踪过程的精度。若目标运动的轨迹中存在障碍物或者建筑物，目标会由于被遮挡的原因特征部分消失甚至完全消失，当目标再次出现时无法再重新检测继续跟踪。

发明内容

本发明的技术解决问题是：针对目标跟踪过程中受到的各种环境影响和精度限制的的不足，提供一种基于多级检测器的具有自恢复能力的目标跟踪方法，提高整个跟踪系统的鲁棒性，且具有在线学习和去除积累误差的特点，增强了跟踪系统的工程应用能力。

本发明的技术解决方案为：将几个不同类型的弱检测器串联为一个强检测器，提高目标检测的精确度，并结合在线学习的方法对目标模型中的正负样本实时更新，有效减小长时间跟踪过程中积累的误差。此外建立重检测机制，当目标在短暂遮挡后重新对目标区域进行搜索重新检测目标，进一步提高该算法的跟踪性能，并可以有效应对多种复杂环境因素的干扰。