[发明专利]基于聚类子区域关联的稳定特征挖掘和目标跟踪方法

说明书

本发明公开了一种基于聚类子区域关联的稳定特征挖掘和目标跟踪方法，a)自适应检测目标运动区域，提取该运动区域的V色彩分量直方图峰轮廓，根据候选峰、区域峰和残余峰能量，获得聚类数；b)构建目标运动区域的S和V分量样本灰度矩阵，进行类数自适应的K‑means聚类；c)对基于类的连通子区域进行标记并建立子区域模板、观测模型和增量模型描述；d)建立目标模板和当前观测模型子区域间关联，挖掘“模板‑观测”稳定子区域特征对及模板特征变化率；e)加权融合模板各稳定子区域位移、目标检测区域中心和上一帧轨迹以定位目标当前轨迹，并根据稳定特征的加权平均增量及其变化率逐帧更新目标模板。

技术领域

本发明涉及一种基于聚类子区域关联的稳定特征挖掘和目标跟踪方法，属于视频图像处理技术领域。

背景技术

目标的视觉特征建模是目标识别和跟踪领域的关键技术之一。目前国内外学者主要关注的问题集中在目标姿态和尺度变化、场景光照变化和场景干扰等情况下的目标特征模型的鲁棒性、准确性提高上。

基于目标内容信息的特征描述方法自报道以来，国内外均不断有改进该路线的专利报道，归结大致有三类：1、基于目标自身空间特征信息的描述方法改进；2、融合目标自身空间特征和场景空间信息的描述方法改进；3、融合目标自身空间特征、场景空间和时序信息的描述方法改进。

通常基于目标自身空间特征的目标模型利用目标独特的内容或结构信息，如色彩、边缘和形状上下文特征等进行描述，在增强目标描述力同时，描述算法的复杂度直接影响目标识别和跟踪系统效率。采用聚类算法以降维色彩空间能有效提高目标外观色彩内容信息的描述效率，但通常聚类结果受聚类数和初始聚类中心等因素影响，导致聚类结果不稳定性。Bhatia A等在the North Carolina State University博士学位论文“Hierarchical Charged Particle Filter for Multiple Target Tracking”(2011:21-37)中，采用类数自适应的DBSCAN算法聚类目标外观，并通过引入色彩相似度阈值将聚类过程限制在二维坐标空间，以改善聚类效率。但是当类密度和类间距不均匀时，DBSCAN将面对类数目增加、邻帧间对应目标局部区域聚类效果不稳定等问题，导致目标定位精度不高。

目标所处场景的空间和时序上下文信息能在目标尺度和姿态变化、场景干扰等情况下，为目标识别和跟踪性能的提高提供额外观测支持。文献报道了多种基于场景上下文协作的目标描述和跟踪方法。不同方法针对各自的目标对象，均可优化选择适合协作描述的辅助目标及其特征参数、多观测支持融合算法以提高跟踪效率。如挖掘多辅助目标算法、目标支持者学习算法等。Yang M等在IEEE Trans on Pattern Analysis and MachineIntelligence(2009,31(7):1195-1209)发表的文章“Context-Aware Visual Tracking”首次提出在线自动挖掘多辅助目 标以协作提供额外测量值的思想，利用Mean shift选择与历史图像中具有高共生频率的片段区域作为候选辅助目标，并对被跟踪目标和辅助目标建立相同的仿射运动观测模型，在混乱和遮挡场景单目标跟踪中取得良好跟踪效果。该方法主要以目标局部区域为跟踪对象，辅助目标来自目标体的其它部位或场景中其它目标，若跟踪较大目标、目标整体或多目标，挖掘和多观测融合决策过程势必影响跟踪实时性。