[发明专利]基于在线学习的遮挡目标跟踪方法

说明书

技术领域

本发明属于图像处理技术领域，涉及视频目标跟踪方法，可应用于人机交互和目标跟踪等领域。

背景技术

目标跟踪是指通过对拍摄的图像序列进行分析，从而计算出目标在每帧图像上的位置，然后得到相关的参数。目标跟踪是计算机视觉中一个必不可少的关键技术，它在机器人视觉导航、安全监测、交通管制、视频压缩以及气象分析等许多方面都有广泛应用。如军事方面，已被成功地应用于武器的成像制导、军事侦察和监视等。民用方面，如视觉监控，已被广泛地应用于社会生活的各方面。目标跟踪可应用于社区和重要设施的保安监控；用于智能交通系统中进行车辆的实时追踪，可以得到车流量、车型、车速、车流密度等等许多有价值的交通流参数，同时还可以检测事故或故障等突发状况。

武汉大学提出的专利申请“基于压缩域分析的Mean shift运动目标跟踪方法”（专利申请号201010181393.2，公开号CN101867798A）公开了一种基于视频压缩域分析的Mean shift运动目标跟踪方法。该方法将压缩域分析与Mean shift跟踪算法相结合，即首先对视频编码过程中产生的运动矢量进行概率统计分析，以获取目标运动方向与运动速度的估计值，再以此修正Mean shift运动候选区域的中心位置，使每次搜索开始时，候选中心位置更接近实际目标中心位置。该方法虽然提高了快速运动目标跟踪的精度，减少了算法的搜索迭代次数，提高了运算效率，但是仍然存在的不足是：当目标完全被遮挡时，则无法估计目标运动方向和运动速度，造成跟踪的失败。

上海交通大学提出的专利申请“基于SURF特征点图匹配和运动生成模型的视频目标跟踪方法”（专利申请号201010571129.X，公开号CN102004910），公开了一种计算机视觉技术领域的基于SURF特征点图匹配和运动生成模型的视频目标跟踪方法。该方法包括以下步骤：使用局部特征点集描述目标物体；通过将新帧图像中检测得到的特征点集与目标特征点集进行图匹配得到目标局部特征点的运动与目标整体的运动之间的关系；利用最大似然估计在局部特征点运动信息上计算出目标整体运动参数；利用在线最大期望方法更新目标特征点的混合概率系数；通过监视背景特征点是否进入目标区域内来判断。该方法虽然能有效地适用于一般目标的实时跟踪，并且克服了现有跟踪方法在光照变化、形态变化、背景纷杂和目标遮挡等情况下的失效，但是这种方法采用的是检测到的特征点集和目标特征点集进行匹配的方法，所以当目标剧烈变化或者完全遮挡时，仍然无法实现跟踪。

发明内容

本发明针对上述现有技术的不足，提出一种基于在线学习的遮挡目标跟踪方法，以提高目标跟踪对目标严重遮挡和目标外表剧烈变化的鲁棒性。

实现本发明的思路是：由随机森林分类器检测目标，由Lucas-Kanade跟踪器跟踪目标，然后根据跟踪和检测的结果，确定目标的位置，同时通过引入的遮挡判定思想，提高目标模板更新的准确性，防止目标模板在遮挡过程中的漂移，通过增加的Kalman预测方法，提高目标被严重遮挡和外表剧烈变化时的跟踪准确性。具体实现步骤包括如下：

（1）输入一段视频的第一帧，并人工标记出待跟踪的目标；

（2）建立并初始化随机森林检测器和Kalman滤波器：

2a)根据标记目标的大小取10种大小不同的滑动窗口（w_i,h_i），其中w_i表示第i种滑动窗口的宽度，h_i表示第i种滑动窗口的高度，i＝1～10；

2b)设定随机森林检测器中的决策树数目为10个，在整幅图像中，以每个像素点为滑动窗口（w_i,h_i）的中心提取图像块，计算每个图像块与目标区域的面积重叠比o_j＝s_j/m，其中s_j表示第j个图像块的面积，m表示目标的面积，将面积重叠比最大的10个图像块所在的区域作为正样本，训练随机森林检测器，将面积重叠比小于设定阈值的图像块所在的区域作为负样本，训练随机森林检测器；

2c)根据第一帧视频图像中目标的初始位置，初始化Kalman滤波器；

2d)将第一帧视频图像转化为色彩-纯度-明度HSV颜色模型，将色彩通道H均匀量化为8个小区间，将纯度通道S均匀量化为8个小区间，将明度通道V均匀量化为4个小区间，在正样本区域中，分别统计色彩通道H、纯度通道S、明度通道V中颜色落在每个小区间内像素点数目，得到正样本区域的颜色直方图his_u；