[发明专利]基于连续自适应均值漂移多特征融合的复杂环境目标跟踪方法

说明书

技术领域

本发明涉及图像处理、视频监控技术领域，特别是涉及一种基于连续自适应均值漂移多特征融合的复杂环境目标跟踪方法。

背景技术

目前，我国道路车辆随着社会的发展不断增加，公路承载能力相对不足，致使交通拥堵严重，事故频发。车辆跟踪技术在城市道路交通监控系统中，能够实时监控记录车辆的行为信息，获取车辆的信息参数，从而进一步奠定了车辆行为识别基础。目前跟踪方法大部分依靠单一颜色信息表示被跟踪的目标，卡尔曼滤波器跟踪计算复杂度低，能够对跟踪车辆的中心，但要求车辆运行状态满足高斯分布，而对现实中大部分的非线性、非高斯环境易跟踪失败；块匹配跟踪算法利用图像之间的匹配度进行跟踪，但跟踪过程中无法通过分配策略设置合理的阈值，且抗仿射变换能力差；粒子滤波算法抗干扰能力强，但存在精度和时耗的互斥情况，且在跟踪过程中粒子易出现退化现象。连续自适应均值漂移(Camshift，ContinuouslyAdaptiveMeanshift)算法是一种无需参数的基于核密度的快速模式匹配算法，可以有效解决目标形变问题，其计算简单、时实行高，但在目标颜色和背景接近、遮挡面积较大是易导致目标跟踪失败。总之，上述方法不具备通用性,如场景中出现光照、目标形变、霜雾天气目标轮廓或区域特征不明显、遮挡等因素存在时易丢失目标。

鉴于以上情况，如何选择有效的跟踪方法和提取具有不变性的特征有待提高。本发明针对城市道路车辆跟踪中存在的若干问题，提出一种在连续自适应均值漂移算法的基础上将HSV颜色特征、局部不变特征和轮廓特征融合的复杂环境车辆跟踪算法，通过提高辨识车辆目标的能力，为智能道路交通监控系统提供有力的的理论依据。

发明内容

本发明所要解决的技术问题：克服现有技术的缺陷，提供一种基于连续自适应均值漂移多特征融合的复杂环境目标跟踪方法，遇车辆形变、霜雾天气、背景噪声以及光照变换、遮挡干扰等复杂环境时能较好的解决跟踪丢失问题，提高跟踪精度。

本发明的技术解决方案：一种基于连续自适应均值漂移多特征融合的复杂环境目标跟踪方法，其特征在于该方法通过基于连续自适应均值漂移算法，融合HSV颜色模型、局部不变特征、轮廓特征，定义并计算加权特征在空间上分布，利用统计分析学样本主成分分析降维提高特征匹配效率，使得算法对复杂交通环境亦能较好的应对，并制定遮挡解决策略，保证跟踪准确性，步骤如下：

(1)采用Camshift算法对特征概率密度分布进行估计，利用候选模型和目标模型Bhattacharrya相似度跟踪目标；

(2)通过样本主成分分析对SIFT局部不变特征降维，自适应仿射变换；

(2.1)SIFT局部尺度不变特征变换算法生成特征向量；

(2.2)建立样本矩阵，引入统计分析学中的样本主成分分析，累计样本主成分贡献率，对关键点特征降维；

(3)建立融合HSV颜色特征、局部不变特征和轮廓特征的多特征模板，设置权重，更新模板；

(4)利用全局特征进行匹配，建立抗遮挡模型，判断遮挡是否发生和结束，对完全和部分遮挡两种情况实施不同跟踪方法。

有益效果：与现有技术相比，本发明提供的基于连续自适应均值漂移多特征融合的复杂环境目标跟踪方法，在Camshift算法基础上，将HSV颜色特征、局部不变特征和边缘特征进行融合，利用统计学中主成分的分析方法降低匹配特征的维数，制定抗遮挡模型，对车辆形变、霜雾天气、背景噪声干扰以及光线变化、遮挡等问题时可以自适应更新特征权重，对复杂环境有良好鲁棒性，为城市道路交通等实际应用场合提供了有效的指导依据。

附图说明

图1是本发明实施例提供的尺度空间

图2是本发明实施例提供的局部极值检测

图3是本发明实施例提供的目标提取

图4是本发明实施例提供的局部特征匹配

图5是本发明实施例提供的遮挡检测判断流程；

图6是本发明实施例提供的基于连续自适应均值漂移多特征融合的复杂环境目标跟踪流程；

图7是本发明实施例提供的车辆复杂环境跟踪；

图8是本发明实施例提供的不同特征融合识别率比较；

具体实施方式

下面结合具体实施例，进一步阐明本发明，应理解这些实施例仅用于说明本发明而不用于限制本发明的范围，在阅读了本发明之后，本领域技术人员对本发明的各种等价形式的修改均落于本申请所附权利要求所限定的范围。