[发明专利]一种局部特征块相似匹配目标跟踪方法

说明书

本发明提供一种局部特征块相似匹配目标跟踪方法，涉及计算机视觉技术领域。该方法读取待跟踪视频图像序列，将第一帧待跟踪视频图像序列作为训练图像，并建立待跟踪视频图像的初始目标模型；然后读取待跟踪视频图像序列的第t帧作为当前帧图像，在当前帧中，根据第一帧圈定的初始目标区域的中心和对角线长度得到当前帧的匹配前景区域；利用陆地移动距离模型匹配算法进行目标检测，确定匹配到的跟踪目标；利用阈值决策方法判断目标模型T中各个局部特征块是否发生严重遮挡，并对当前待跟踪视频图像的目标模型T进行更新；对所有待跟踪视频图像序列进行目标检测，得到待跟踪视频图像序列的跟踪结果。本发明方法能够准确的匹配到目标，匹配结果更鲁棒。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种局部特征块相似匹配目标跟踪方法。

背景技术

近年来，目标跟踪技术成为无人机应用研发中具有代表性的研究子课题，该技术涵盖了计算机视觉、机器学习、图像识别、信号处理、电子通信等多个领域的关键技术。目标跟踪的主要任务是对感兴趣物体位置以及运动轨迹进行估计，在已知上一时刻的目标运动状态，通过跟踪算法来计算当前时刻目标的运动位置，并对下一时刻目标的运动参数进行预测估计，从而获得感兴趣物体的形态、位置、轮廓等信息。目标跟踪的具体过程为通过摄像机或其他终端设备采集图像或视频信息，经过计算机模拟人类或其他生物的视觉分析处理获取相应的场景信息。然后通过对采集到的图像信息进行实时的分析、处理实现对场景中的目标进行检测、分类、识别，进而确定要跟踪的目标，并对选定的模型进行更新。随着近些年科学技术的快速发展，高性能计算机的不断涌现，现有视频采集设备获取视频能力的不断提升，目标跟踪技术也取得了长足的进步。目前，目标跟踪技术在军事和民用领域都得到了较为广泛的应用。

通过对目标的外观特征进行相似性分析，许多研究人员通过建立鲁棒外观模型的匹配方法进行目标的提取、跟踪。近年来，相继出现了许多基于建立鲁棒初始模型的跟踪方法。例如，Zhong等人提出稀疏协作模型的鲁棒跟踪算法，它由稀疏判别分类器(SparseDiscriminative Classifier，SDC)和稀疏生成模型(sparse generative model，SGM)两部分构成。在SDC分类器中，利用目标的整体模型对场景的前景与背景分离。然后在SGM模型中，利用目标的局部空间信息进行匹配跟踪。该算法可以有效地处理外观变化，并减轻跟踪漂移问题。王美华等人利用部件库的特征和置信度建立初始表观模型，并基于贝叶斯框架计算候选样本的置信度，从而获得目标区域。Yang等人提出相似约束的多核鲁棒目标跟踪方法。该方法通过将多核学习框架扩展到Boosting中，以优化特征和内核的组合，从而有效地和有效地促进复杂场景中的鲁棒视觉跟踪。朱书军等人提出标签随机有限级框架的可分辨跟踪算法，利用邻接矩阵对群目标进行动态建模，利用广义标签多伯努利滤波估计目标个数、状态。Jin等人提出基于量子遗传的跟踪算法。该算法利用量子遗传的全局优化能力，在量子遗传算法的框架中，将像素的位置作为种群中的个体，通过预定义的遗传目标函数计算个体的适应度值，当搜索具有最大适应值的像素点并返回其对应位置，从而实现视觉跟踪。但当目标所处的背景比较复杂时，特别是背景中包含相似物体干扰时，这些方法由于不能识别而丢失目标。

但上述几种方法存在以下几点问题：

背景杂波问题：基于模型匹配的目标跟踪方法通过对模型中的目标进行特征提取和特征分析，并利用匹配技术在图像中搜寻、确定目标。然而在实际跟踪中，图像包含的背景信息非常复杂，一些背景信息与前景目标信息极为相似，从特征角度分析一般很难区分，在利用特定的目标选取方式建立目标模板时，通常会造成跟踪漂移甚至跟错目标的情况，这也加大了跟踪目标的难度。

目标形变问题：实际跟踪时目标通常为非刚性物体，随着跟踪的不断深入目标自身形态发生变化，目标跟踪以目标的识别和匹配为前提，当目标处于形变状态时能否重新识别目标是一个需要解决的问题。若识别失败则很难再准确匹配目标特征，直接导致目标丢失。一般来说，目标的形变较为复杂、没有规律性，给跟踪带来一定程度的困难。