[发明专利]基于局部对比显著性联合特征的目标跟踪方法

摘要

本发明为一种基于局部对比显著性联合特征的目标跟踪方法。包括步骤：(1)目标跟踪开始初始化选取目标区域和背景区域；(2)提取目标区域和局部背景区域的颜色、纹理、梯度方向直方图特征，进行自下而上显著特征提取；(3)自上而下的特征评估，修正显著性模型；本发明利用显著性特征强区分性、稳健性，作为单一的特征的补充，能够较好的表述目标，可以提高系统在目标与背景具有相似特征分布、局部遮挡、目标自身变化等复杂场景下的跟踪性能，具有较强的鲁棒性。

主权项

基于局部对比显著性联合特征的目标跟踪方法，其特征在于：包括以下步骤：步骤S1:选取动态场景下视频的第t帧输入含有跟踪目标和常用背景环境的视频帧，手动选取目标区域，并用矩形框表示目标区域的边界；步骤S2：根据目标区域选取背景区域，并用矩形框表示背景区域的边界；步骤S3：分别提取目标区域和背景区域的颜色直方图特征、纹理直方图特征、梯度直方图特征，计算每个特征的概率值，并生成对应的概率图；步骤S4：依据提取的颜色直方图特征、纹理直方图特征、梯度直方图特征，分别计算每个特征的对比度值，定义为显著性特征，并生成对应的特征向量f₁、f₂、f₃；步骤S5：基于特征向量f₁、f₂、f₃，堆栈构造样本特征向量F＝[f₁，f₂,f₃]^T步骤S6：依据每个特征图对目标显著性的贡献度，利用学习算法估计最优特征权，选出最显著特征；步骤S7：利用最显著特征分别建立目标和背景观测模型，利用Mean Shift算法找到目标下一帧的位置；步骤S8：判断显著性特征确定的跟踪框和目标位置的相似性，检测跟踪目标是否失败；步骤S9：当检测出跟踪目标正常，执行步骤13；若检测出跟踪目标失败，执行步骤10；步骤10：构建可分性评价函数D_t，公式为其中，为目标观测；为背景观测；ε为设定常数，用于去掉较小的目标观测和背景观测，以提高算法的稳定性；r为背景特征分布；ω为前景特征分布；目标观测和背景观测采用具有H个区间的直方图来表示，h表示特征分量，h＝1,2,……,H；t为选取图像的帧数；通过可分性评价函数D_t将显著性目标模型与背景共有的特征映射为零值，存在于背景特征分布映射为负值，只保留目标最能区分的特征分量构成目标的显著性模型；步骤S11：构建目标观测的连续性模型其中为显著性目标连续模型；为t‑k时刻目标模型；为t时刻显著性目标模型；γ_k为遗忘因子；C₂为归一化常数；t为选取图像的帧数；k为选取图像的第k帧视频；步骤S12：利用可分性评价函数D_t及目标观测的连续性模型对目标模型进行修正，得到目标合作模型；步骤S13：利用均值漂移算法实现的定位。