[发明专利]一种基于TLD算法的目标跟踪方法

说明书

技术领域

本发明属于目标跟踪技术领域，具体涉及一种基于TLD算法的目标跟踪方法。

背景技术

目标跟踪在军事和民用领域中都有广泛的应用。随着现代航空航天技术的飞速发展，各种航行速度和机动性能越来越高，对目标跟踪也提出越来越高的要求。目标跟踪是把自动控制、图像处理、信息科学有机结合起来，形成了一种能从图像信号中实时地自动识别目标、提取和预测目标位置信息，自动跟踪目标运动技术。

作为一种基于在线学习检测的单目标跟踪算法，TLD(Tracking-Learning-Detection，简称TLD)跟踪算法由于其良好的跟踪性能，受到了广泛的关注。

该算法主要由跟踪模块、检测模块、学习模块三个部分组成。跟踪模块采用中值光流法预测出目标在当前帧中的位置；检测模块使用了三层级联分类器，方差分类器、随机蕨分类器、最近邻分类器，检测出目标在当前帧中的位置；学习模块利用P-N在线学习的方法，不断更新跟踪模块的“显著特征点”和检测模块的目标模型及相关参数，从而使得跟踪效果更加稳定、鲁棒、可靠。

TLD算法较好的解决了被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。现有的TLD算法，例如专利申请号为201610530203.0的一种基于TLD算法的目标跟踪方法中，跟踪模块使用均匀采点确定特征点，计算量大，跟踪实时性差，且部分特征点只包含目标的位置信息，不具有代表性，不能够被可靠地跟踪，使得跟踪结果易发生漂移。在采用均匀采点得到大量特征点后，利用金字塔LK光流法和NCC法筛选特征点，计算量大，实时性差。

因此，现有的TLD算法其计算复杂度高，计算量大，在实时性方面与实际系统的需求存在较大差距，如何提高TLD算法的目标跟踪算法的实时性仍然是一个极富挑战性的课题。

发明内容

为了解决现有技术中存在的上述问题，本发明提供了一种基于TLD算法的目标跟踪方法，包括：跟踪模块、检测模块、学习模块，该目标跟踪方法包括：

从第一帧图像中初始化选取目标区域；

所述跟踪模块根据上一帧中目标区域信息预测当前帧图像中对应的目标区域信息并采用感知哈希算法对所述当前帧图像中目标区域信息进行筛选以确定目标跟踪结果；

所述检测模块确定目标检测结果；

根据所述目标跟踪结果与所述目标检测结果确定目标跟踪区域；

将所述目标跟踪区域输入至所述学习模块进行学习。

在本发明的一个实施例中，所述跟踪模块根据上一帧中目标区域信息预测当前帧图像中对应的目标区域信息并采用感知哈希算法对所述当前帧图像中目标区域信息进行筛选以确定目标跟踪结果包括：

对所述上一帧图像中目标区域提取第一特征点；

预测所述第一特征点在所述当前帧图像中对应的第二特征点；

采用所述感知哈希算法筛选所述第二特征点提取第三特征点；

由所述第三特征点确定目标位置作为所述目标跟踪结果。

在本发明的一个实施例中，对所述上一帧图像中目标区域提取第一特征点采用SURF算法。

在本发明的一个实施例中，所述SURF算法包括：

利用上一帧图像目标区域计算图像尺度空间；

将所述图像尺度空间通过非极大值抑制确定所述第一特征点。

在本发明的一个实施例中，所述第一特征点为SURF角点。

在本发明的一个实施例中，预测所述第一特征点在所述当前帧图像中对应的第二特征点采用金字塔LK光流法。

在本发明的一个实施例中，采用所述感知哈希算法筛选所述第二特征点提取第三特征点包括：

计算所述第一特征点所在图像块的第一哈希指纹；

计算所述第二特征点所在图像块的第二哈希指纹；

计算所述第一特征点的第一哈希指纹和对应的所述第二特征点的第二哈希指纹间的汉明距离；

选取所述汉明距离的中值作为阈值，筛选所述第二特征点得到所述第三特征点。

在本发明的一个实施例中，将所述汉明距离的中值作为阈值，筛选所述第二特征点得到所述第三特征点包括：将所述汉明距离小于等于所述阈值且小于15的图像块对应的所述第二特征点保留，否则筛掉。

在本发明的一个实施例中，所述检测模块确定目标检测结果包括：

对所述当前帧图像进行全局遍历以得到所述检测模块确定的待选目标；

采用所述检测模块的方差分类器、随机蕨分类器及最近邻分类器对至少一个所述待选目标进行处理形成所述目标检测结果。

在本发明的一个实施例中，对所述当前帧图像进行全局遍历采用滑窗方式。