[发明专利]基于Grab-Cut与光流分割的非刚体目标跟踪方法

说明书

技术领域

本发明涉及一种非刚体目标跟踪方法，特别是涉及一种基于Grab-Cut与光流分割的非刚体目标跟踪方法。

背景技术

目标跟踪是计算机视觉中一个很重要的研究方向，其应用领域包括监控，机器人视觉和自主导航。在现实世界中，这些应用包括了复杂场景、光照变化，视角变化等，这些都给跟踪带来了很大的困难。此外，在很多应用场合中，我们事先并不知道目标的信息，给定图像后，通常都是先在图像中指定一个目标，然后对该目标进行跟踪。目前，目标跟踪的一个非常流行的方法是先检测后跟踪，首先训练一个分类器，然后在跟踪的过程中，不断更新分类器，再进行目标跟踪。现有的很多跟踪方法基于矩形标识框，矩形框内的区域为目标区域，其他区域为背景。该方法对于刚体目标效果较好，然而对于非刚体目标，仅使用一个矩形框并不能精确的表示目标。在分类器的学习过程中，矩形框内的背景区域将不可避免的作为正样本引入到分类器中，这样会导致分类器的性能下降，最终可能使得跟踪失败。因此，采用局部的目标特征，将目标分为多个子块，通过对各目标子块的识别，再进行Hough投票，最终达到目标检测跟踪的方法受到了越来越多的研究和应用。使用Hough投票检测出目标后，需要进行目标分割，基于Grab-Cut的分割方法需要指定前景和背景，在目标跟踪的过程中，不能进行人工的干预，在相似背景的情况下，该方法的分割结果会包括过多的背景区域，不能对目标有精确的表示，可能会使得跟踪失败。

发明内容

为了克服现有的非刚体目标跟踪方法精确度差的不足，本发明提供一种基于Grab-Cut与光流分割的非刚体目标跟踪方法。该方法首先采用Hough进行目标表示和检测。其次将Grab-Cut与光流相结合，在Grab-Cut的初始分割基础上，再利用光流法去除初始分割结果中的背景区域，以得到更加精确的分割结果。最后，采用随机森林进行在线学习，更新目标样本，以适应目标及场景的变化，达到更加鲁棒的非刚体目标跟踪结果。本发明仅用一个矩形框表示目标不精确的缺陷，可以提高非刚体目标跟踪方法的精确度。

本发明解决其技术问题所采用的技术方案是：一种基于Grab-Cut与光流分割的非刚体目标跟踪方法，其特点是包括以下步骤：

步骤一、将非刚体目标分为多个子块，并确定出非刚体目标的质心点，然后提取每个子块的特征和子块中心相对于非刚体目标质心点的位移，并采用随机森林训练分类器，将每个非刚体目标子块作为一类，标签置为1，背景区域的标签置为0。

步骤二、根据训练好的分类器检测识别出非刚体目标的各个子块后，根据纪录的位移对非刚体目标的质心点进行投票，得到非刚体目标的质心点位置，最后通过局部极大值抑制，得到非刚体目标质心点位置。

步骤三、非刚体目标检测后，得到的是非刚体目标的质心，根据非刚体目标的大小，将距离非刚体目标质心点较近的点作为前景，远离非刚体目标质心点的像素点作为背景，采用Grab-Cut对非刚体目标进行分割，得到较粗的非刚体目标分割结果。然后使用光流计算前一帧中非刚体目标点在当前帧中的位置，再设置一阈值用来进行目标的精细分割，若分割后的前景点距离光流估计的非刚体目标点大于设置阈值时，将该点设为背景点，去除初始分割结果中的背景区域，使得非刚体目标更为精确。

步骤四、非刚体目标分割结后，重新将非刚体目标划分为多个子块，并纪录各子块相对非刚体目标质心点的位移，进行样本更新，以适应非刚体目标及场景的变化。分类器更新后，若有新的图像输入，转入到步骤二再进行非刚体目标检测跟踪过程。

本发明的有益效果是：该方法首先采用Hough进行目标表示和检测。其次将Grab-Cut与光流相结合，在Grab-Cut的初始分割基础上，再利用光流法去除初始分割结果中的背景区域，以得到更加精确的分割结果。最后，采用随机森林进行在线学习，更新目标样本，以适应目标及场景的变化，达到更加鲁棒的非刚体目标跟踪结果。本发明仅用一个矩形框表示目标不精确的缺陷，提高了非刚体目标跟踪方法的精确度。

下面结合实施例对本发明作详细说明。

具体实施方式

本发明基于Grab-Cut与光流分割的非刚体目标跟踪方法具体步骤如下：

1、目标初始化。

在图像上选取指定的目标，并对其进行分割，提取出目标的剪影作为前景区域，其他图像区域作为背景。然后将目标分为多个子块，每个子块的大小为12×12，其特征为一个16维的向量（包括3维颜色信息，2维一阶梯度，2维二阶梯度，9维HOG特征）。