[发明专利]一种基于先验模型约束的抗干扰轮廓跟踪方法

摘要

本发明提供一种基于先验模型约束的抗干扰轮廓跟踪方法，该方法采用SLIC算法和均值漂移聚类算法建立待跟踪视频图像的初始先验模型作为目标模型，采用目标模型的目标特征分布对当前帧图像进行水平集演化，采用SLIC算法和均值漂移聚类算法确定当前帧图像的目标区域，并根据当前图像遮挡情况进行先验模型的更新；本发明方法去除了图像跟踪过程中图像中非目标信息的干扰，使得先验模型对目标的描述更准确。保证模型的准确性。

主权项

1.一种基于先验模型约束的抗干扰轮廓跟踪方法，其特征在于，包括以下步骤：步骤1：读取待跟踪视频图像序列，将前T₁帧待跟踪视频图像序列作为训练图像序列；步骤2：采用陆地移动距离模型匹配算法确定训练图像序列的目标区域，采用简单线性迭代聚类算法和均值漂移聚类算法建立待跟踪视频图像的初始先验模型；步骤2.1：标定出当前训练图像序列中第一帧图像的目标区域；步骤2.2：采用陆地移动距离模型匹配算法跟踪当前训练图像序列，确定当前训练图像序列中的初始目标区域；步骤2.3：对当前训练图像序列中的初始目标区域进行拓展，采用简单线性迭代聚类算法对当前训练图像序列的扩展区域进行超像素分割，得到当前训练图像的训练样本集；步骤2.4：利用均值漂移聚类算法建立当前训练样本集的超像素块的簇集合，对超像素块的簇集合进行目标区域划分，得到属于目标区域的各个聚类簇clst(i)，即得到待跟踪视频图像的初始先验模型，其中，i＝1，...，n，n为当前训练图像的训练样本集聚类簇个数；步骤3：读取第T₁+1帧待跟踪视频图像序列作为当前第t′帧图像，其中，t′＝T₁+1，...，T，T为待跟踪视频图像序列个数；步骤4：将待跟踪视频图像的初始先验模型作为初始目标模型，基于特征空间函数确定初始目标模型的目标特征分布；步骤5：采用当前目标模型的目标特征分布对当前第t′帧图像进行水平集演化，得到当前第t′帧图像的目标候选区域，采用简单线性迭代聚类算法和均值漂移聚类算法确定当前第t′帧图像的目标区域，并计算当前第t′帧图像的目标区域置信度C_t′；步骤5.1：采用当前目标模型的目标特征分布对当前第t′帧图像进行水平集演化，得到当前第t′帧图像与当前目标模型相匹配的候选区域，作为当前第t′帧图像的目标候选区域；步骤5.2：对当前第t′帧图像的目标候选区域进行拓展，采用简单线性迭代聚类算法对当前第t′帧图像的扩展区域进行超像素分割，得到当前第t′帧图像的超像素块；步骤5.3：利用均值漂移聚类算法建立当前第t′帧图像的扩展区域的超像素块的簇集合，对超像素块的簇集合进行目标区域划分，得到属于当前第t′帧图像的目标区域的各个聚类簇clst(i_t′)，即得到当前第t′帧图像的目标区域，并计算当前第t′帧图像的目标区域置信度C_t′；步骤6：根据当前第t′帧图像的目标区域置信度C_t′判断当前第t′帧图像是否发生遮挡，并根据其遮挡情况，确定当前第t′帧图像的初始目标轮廓，对当前第t′帧图像的初始目标轮廓进行水平集演化，得到当前第t′帧图像的精准目标轮廓；步骤6.1：计算当前第t′帧图像的遮挡参数θ_t′，若当前第t′帧图像的遮挡系数θ_t′小于遮挡阈值θ₀，则当前第t′帧图像的目标区域发生遮挡，执行步骤6.2，否则，执行步骤6.3；所述当前第t′帧图像的遮挡参数θ_t′的计算公式如下所示：步骤6.2：将当前目标模型与当前第t′帧图像的目标区域的交集作为当前第t′帧图像的初始目标轮廓，执行步骤6.4；步骤6.3：将当前目标模型作为当前第t′帧图像的初始目标轮廓；步骤6.4：对当前第t′帧图像的初始目标轮廓进行水平集演化，得到当前第t′帧图像的精准目标轮廓；步骤7：判断当前图像帧数t′是否达到待跟踪视频图像序列个数T，若是，执行步骤11，否则，执行步骤8；步骤8：根据当前第t′帧图像的目标区域置信度C_t′，判断当前第t′帧图像是否发生严重遮挡，并根据其遮挡情况，对当前待跟踪视频图像的先验模型进行更新；步骤8.1：若当前第t′帧图像的遮挡系数θ_t′，小于严重遮挡阈值θ₁，则当前第t′帧图像的目标区域发生严重遮挡，执行步骤8.2，否则，执行步骤8.4；步骤8.2：将当前第t′帧图像替换当前待跟踪视频图像的先验模型中第t′‑1帧图像，并在当前t′帧图像目标区域的聚类簇中选取补偿聚类特征加入当前待跟踪视频图像的先验模型的目标区域的聚类簇，得到更新的待跟踪视频图像的先验模型的目标区域的聚类簇；步骤8.3：计算更新的待跟踪视频图像的先验模型的目标区域的聚类簇的置信度，得到更新后的待跟踪视频图像的先验模型，执行步骤9；步骤8.4：判断当前图像帧数t′是否为常数l的倍数，若是，则将当前第t′帧图像的精准目标轮廓替换当前训练图像序列的第一帧图像，更新训练图像序列，执行步骤8.5，否则，执行步骤8.6；步骤8.5：采用简单线性迭代聚类算法和均值漂移聚类算法确定更新的训练图像序列的目标区域，建立更新后的待跟踪视频图像的先验模型，执行步骤9；步骤8.6：将当前待跟踪视频图像的先验模型作为更新后的待跟踪视频图像的先验模型；步骤9：令t′＝t′+1作为当前第t′帧图像；步骤10：将更新后的待跟踪视频图像的初始先验模型作为当前目标模型，基于特征空间函数确定当前目标模型的目标特征分布，返回步骤5；步骤11：得到待跟踪视频图像序列的跟踪结果。