[发明专利]一种基于聚类融合的视频序列的目标跟踪方法

说明书

本发明公开了一种基于聚类融合的视频序列的目标跟踪方法，首先对视频序列中的目标采用多种方法实现跟踪，得出相应的跟踪结果，其表现形式为被跟踪目标的矩形外界边框的坐标。然后将得出的所有跟踪结果作为输入，采用输入的所有矩形外界边框的坐标的均值作为被跟踪目标的初始聚类中心。不限定分类数，对所有输入的矩形外界边框的坐标进行加权分类，判断其是否属于该初始类。最后以聚类后属于初始类的矩形外界边框的坐标取均值，作为最终跟踪结果。通过本发明方法，可以融合多种视频序列跟踪方法，从而提高了跟踪效果，而且运行时间也大大缩短。

技术领域

本发明涉及计算机视觉、模式识别等领域，具体涉及将多种视频序列目标跟踪方法进行融合，可用于对视频序列中的目标进行跟踪。

背景技术

目标跟踪广泛应用于视频监视、人机交互及交互视频的制作。目标跟踪具有很高的难度，要考虑众多的影响因素，比如光照变化，目标半遮挡和全遮挡，二维/三维目标旋转、变形，比例变化，低分辨率，快速移动，目标模糊，目标与背景相似或与场景中的其他物体相似。因此，传统的单一跟踪方法难以实现对所有场景的高准确度跟踪，只能解决专门场景中的目标跟踪。

对于目标跟踪，国外学者最新发表的《Parallel robust online simpletracking》中，用特定的方式结合光流法，模板跟踪法和检测算法进行目标跟踪。此方法可以提高跟踪效果，但是这三部分算法只能被相似的方法替换，有太大的局限性。

目前的算法的共性在于：算法只能融合固定的算法或者只能被相似的算法替换，因此如果有一种新方法，它能够融合多种(数量大于等于2)视频序列目标跟踪方法且能实现较好的跟踪效果，那将是目标跟踪领域的一大进步。

发明内容

针对现有技术的不足，本发明旨在提供一种基于聚类融合的视频序列目标跟踪方法，针对各种影响跟踪的因素，通过融合不同方法的跟踪结果来得出一种结果。

为了实现上述目的，本发明采用如下技术方案：

一种基于聚类融合的视频序列的目标跟踪方法，包括如下步骤：

S1获取被跟踪目标的视频序列；

S2对所述视频序列采用至少两种方法进行目标跟踪，分别得到采用每种方法进行目标跟踪的结果；

S3根据步骤S2中各种方法得到的目标跟踪结果，确定每种方法得到的被跟踪目标矩形外界边框，并将所有的矩形外界边框坐标作为输入；

S4以步骤S3中输入的所有矩形外界边框坐标的均值作为被跟踪目标的初始聚类中心，不限定分类数，对所有输入的矩形外界边框的坐标进行加权分类，判断其是否属于该初始类；

S5经过步骤S4的聚类后，对初始类中所有矩形外界边框的坐标取均值，即为最终的目标跟踪结果。

需要说明的是，步骤S4中对每个输入的矩形外界边框的坐标进行加权分类，确定是否属于初始类的具体方法如下：

令

s＝1：n；

t＝1：m；

H(t，s)＝data(t，s)/aveData(s)；

其中，H(t，s)为输入的每个矩形外界边框坐标数据对应的权重，n为每个矩形外界边框坐标数据的维数，m为矩形外界边框坐标数据的个数总数，s为某个矩形外界边框坐标数据中的第s维，t为所有矩形外界边框坐标数据中的第t个数据，data(t，s)为每个t和s所对应的矩形外界边框坐标数据，aveData为所有矩形外界边框坐标数据的均值，aveData(s)为均值对应的维数，即每个矩形外界边框坐标数据的每一维的权重就是该矩形外界边框坐标数据除以均值相对应的维数；