[发明专利]一种基于视觉显著性模型的自动检测跟踪方法

说明书

技术领域

本发明属于计算机视觉和生物视觉交叉技术领域，涉及一种利用视觉显著性模型对跟踪-学习-检测算法进行改进创新，实现对多类目标在简单场景自动检测跟踪，在复杂场景半自动检测跟踪的功能，并对于物体的姿态变化以及遮挡后的重新检测过程有很好的效果。

背景技术

在跟踪系统中，以往常用的跟踪方法有：帧差分法、背景建模方法、光流法等。但是它们在面对复杂背景和多种类型目标时，往往会因为光照、姿态和形状的变化，使得目标特征发生剧烈变化，从而导致跟踪失败。当出现部分遮挡和快速移动时，目标的部分特征信息丢失，使得特征失匹配，从而导致跟踪失败或者跟踪偏移。

为了提高跟踪精度，用单一的跟踪器来实现跟踪功能已经不能满足。因此跟踪-学习-检测提出一种把跟踪器、检测器和学习机融合成一体的思想来解决在线实时跟踪问题。它能够很好地解决以往跟踪方法存在的问题，但是它对于特征选择、姿态变化有着明显的不足。

发明内容

针对现有技术的不足，本发明的目的是能够对目标能够自动跟踪，并且有跟踪精度高、鲁棒性好的特性，能够满足工程上跟踪检测系统的应用，为此本发明提出一种基于视觉显著性模型的自动检测跟踪方法。

为实现本发明的目的，本发明基于视觉显著性模型的自动检测跟踪方法的技术方案包含以下步骤：

步骤S1：利用视觉显著性模型对输入的第一帧视频图像进行场景粗理解，计算图像的颜色、亮度、方向显著性图并归一化后，获得图像场景的加权显著性图，若显著性图中的一个显著性区域的权值占所有的80％以上，则定义为简单场景；若显著性图中的一个显著性区域的权值占所有的80％以下，则滤除场景中权值不到10％的显著性区域，并定义为复杂场景；

步骤S2：当程序检测到视频序列为简单场景时，直接取用显著性区域建立矩形框作为跟踪目标进行跟踪；

步骤S3：当程序检测到视频序列为复杂场景时，弹出对话框让使用者自行选择跟踪目标，然后将人为手动选择的跟踪框与各个显著性区域的距离，加入并重新计算各个显著性区域的权值，再根据权值不同对人为手动选择的跟踪框进行校正；

步骤S4：利用跟踪-学习-检测算法对跟踪框进行跟踪，当出现目标离开视野或者被遮挡时，能够检测出跟踪失败，并且在跟踪失败时及时反馈信息；当未出现目标离开视野或者未被遮挡时，继续对目标进行稳定跟踪并且实时检测跟踪是否出现失败；

步骤S5：当出现跟踪失败时，使用视觉显著性模型对失败后的每一帧图像进行检测，得到显著性图；对显著性图中的各个区域与跟踪失败前的线上模型进行直方图匹配，当直方图匹配相似性第一高的区域的相似度远大于第二高的区域时，直接对相似性第一高的区域进行跟踪；当直方图匹配有多个相似度相近的区域时，同时送入目标检测器进行检测，不断重复步骤S4直到重新检测到目标并进行跟踪。

优选实施例，对视频输入的第一帧图像进行视觉显著性模型的计算，分别计算颜色、亮度、方向显著图，归一化得到加权显著图。

优选实施例，对于简单场景，以显著性区域的中心作为跟踪框的中心，显著性区域的面积作为跟踪框的面积，达到自动选择跟踪目标，实现自动跟踪的功能。

优选实施例，以人为手动选择的跟踪框的中心位置与跟踪框大小作为两个参数带入视觉显著性模型中显著性区域权值的计算，根据计算结果将人为手动选择的跟踪框的中心位置与跟踪框大小向权值较高的显著性区域逼近，达到对人为选择的跟踪框进行校正，由于每次人为手动选择的跟踪框的中心位置和跟踪框大小不可能完全相同，这就产生了跟踪目标初始化的随机误差，而对于视频图像第一帧的显著性模型计算过程则是相同的，利用其对人为手动选择的跟踪框进行修正就实现了修正人为选择代入的随机误差，达到稳定的跟踪效果。

优选实施例，当跟踪目标被遮挡、发生剧烈形变或跟踪目标离开视场时，跟踪框内大部分跟踪点的前后项误差很大，则定义为跟踪失败。

优选实施例，在跟踪失败时，计算当前帧的显著性图，对显著性图中的各个区域建立直方图，与跟踪失败前的线上模型的直方图进行对比，找到姿态发生变化或消失后又重新出现的目标。