[发明专利]基于结构相似度的视觉跟踪方法

说明书

技术领域

本发明涉及运动目标视觉跟踪领域，具体是利用结构相似度作为候选目标和模板目标的相似性度量函数，进而采用最优化算法计算目标状态的局部最优值的目标跟踪方法。 

背景技术

视觉跟踪的主要目的是模仿生物视觉系统对运动物体的捕捉能力，具体而言，就是从视频序列中获得感兴趣目标的状态参数，如位置、尺寸等。目标跟踪方法可大致分为两类：确定性跟踪方法和概率跟踪方法。确定性跟踪方法先根据目标的视觉特性，建立度量目标和候选目标的相似性函数，进而依据相似性函数采用最优化算法计算目标状态的局部最优值。具有计算效率高、需要参数少的优点，但由于容易陷入局部极值而导致无法保证跟踪的精度。概率跟踪方法首先预测感兴趣目标的状态，再依据观测模型通过概率推导来更新目标状态，比较流行的概率跟踪方法是粒子滤波跟踪方法，能够解决非线性非高斯问题，并很容易融入多种视觉特征以使跟踪效果更佳稳健，但缺点是计算效率低和依赖的参数较多。 

视觉跟踪算法的主要目的是在当前帧图像中定位目标，或者说，在视频序列中求解目标的轨迹。如何度量目标与候选目标的相似性是视觉跟踪问题的关键环节，而在视觉领域中，一个好的度量方法应该符合人类的视觉感知机理。近来提出的结构相似度方法(SSIM：Structural Similarity)，就是一个符合人类视觉系统的度量方法。它最初被用来进行图像评价，相比于传统的SSD(Sum of Squared Difference)距离，它更符合人类的视觉感知特性。 

Loza等人首次提出将SSIM模型用于视觉跟踪中，将其作为视觉特征来求取粒子滤波算法的粒子权值。该算法能够捕捉目标的尺寸变化，并且对亮度变化具有一定的不变性。但是对于粒子滤波算法而言，速度是一个主要的瓶颈。 

发明内容

本发明为了得到运动目标在序列图像中的位置信息，提供了一种强实时性、高精度的视觉跟踪方法。 

为达此目的，本发明通过如下技术方案实现： 

(1)利用kalman滤波器(KF：kalman filter)预测目标在本帧图像中的大致位置。 

(2)利用候选目标和模板目标的结构相似度进行迭代搜索，确定目标在本帧图像中的位置。 

(3)利用候选目标和模板目标的相似性度量值，自适应的调整kalman滤 波器参数。 

本发明的有益效果是：本发明提供了一种基于结构相似度的视频跟踪方法，在缩短算法执行时间的同时，降低了跟踪误差。 

附图说明

图1本发明的整体算法模块组成流程图 

图2本发明的具体算法实施流程图 

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合具体实施例，并参照附图，对本发明作进一步详细说明。 

本发明一种基于结构相似度的视觉跟踪方法，如图1所示，整个算法流程主要由本帧目标位置预测、基于结构相似度迭代搜索目标位置和kalman滤波器参数更新3个部分构成。 

进一步的，如图2所示，各部分具体实现步骤为： 

步骤一、预测目标在本帧图像中的大致位置。 

如果利用kalman滤波器预测的候选目标和模板目标的SSIM值较大，则说明预测结果可信，将kalman滤波器的预测结果作为本帧图像迭代搜索的初始点，否则采用上帧的跟踪位置作为本帧迭代搜索的初始点。