[发明专利]一种结合密集特征的Mean-shift跟踪方法

说明书

本发明提供了一种结合密集特征的Mean‑shift跟踪方法，包括：S1、获取监控区域的视频流图像作为输入图像；S2、通过背景建模法获取背景图像，采用背景差分运算获得跟踪目标区域；S3、获取跟踪目标区域中具有相同灰度值的像素密集区域，并计算相应灰度值密集区域的面积及离心距离，以计算密集区域特征权重f_u；S4、基于Mean‑shift跟踪算法并结合密集区域特征权重f_u，预测跟踪目标在下一帧输入图像中的位置坐标；S5、在视频流图像中每隔若干帧，循环执行所述步骤S2至步骤S4，以对跟踪目标进行更新及跟踪。在本发明中，减低了外界干扰对目标跟踪时的干扰，提高对目标的跟踪效果，克服了单一采用Mean‑shift算法中由于目标与背景灰度值比较接近所导致的跟踪失败的缺陷。

技术领域

本发明涉及视频检测技术领域，尤其涉及一种结合密集特征的Mean-shift跟踪方法。

背景技术

众所周知，对目标位置的准确跟踪是计算机视频检测技术领域的核心问题，在人机交互、视频监控、增强现实中有广泛的应用。在更高级的任务，如场景理解、动作识别中，目标跟踪也扮演着重要的角色。在跟踪过程中，当跟踪目标的环境变化时，会引起噪声，遮挡以及闭塞问题，为了解决上述问题，现有技术已经公开了诸多算法。

目前，大多数跟踪算法都可以看成每一帧的目标检测问题，即基于tracking-by-detection框架下的问题。该框架下的跟踪算法对外观模型的准确描述很敏感，一旦出现跟踪漂移，错误的跟踪位置必定导致不准确的外观模型，基于不准确的外观模型很难再找回跟踪目标。在外观模型不准确导致目标跟踪错误时，若能及时矫正跟踪位置，则跟踪的准确度会大大提升，跟踪漂移对跟踪算法的影响也会相应下降。

此外，对目标跟踪的现有技术中还有Mean-shift算法。Mean-shift算法采用直方图的方法，在视频序列帧中，对目标区域中的灰度值或者像素值进行概率密度统计，从而建立目标模型。但是上述Mean-shift算法也存在以下缺点。

1)由于所建立的目标模型是在初始帧(例如，由摄像机所采集的视频帧)，而在后续帧中，可能因为光照、大面积遮挡等外界影响，使得当前目标和初始帧中的目标模型匹配度很小，导致跟踪失败。

2)在某一帧中，当前背景的像素分布和所要跟踪的目标像素分布相接近，由于Mean-shift算法是根据目标的像素值模型进行跟踪的，于此情况下，背景会对目标的跟踪产生较大的影响，从而引起较大的跟踪误差，造成跟踪失败。但是，由于Mean-shift算法的鲁棒性较高，目前仍然广泛应用在视频检测等众多领域中。

有鉴于此，有必要对现有技术中的对目标的跟踪方法予以改进，以解决上述问题。

发明内容

本发明的目的在于揭示一种基于密集特征的Mean-shift跟踪方法，用以在保证算法具有强鲁棒性的同时，又能减低外界干扰对目标跟踪时的干扰，提高对目标的跟踪效果，并克服跟踪目标与背景间的灰度值比较接近所导致的跟踪失败的问题。

为实现上述目的，本发明提供了一种结合密集特征的Mean-shift跟踪方法，该方法包括以下步骤：

S1、获取监控区域的视频流图像作为输入图像；

S2、通过背景建模法获取背景图像，采用背景差分运算获得跟踪目标区域；

S3、获取跟踪目标区域中具有相同灰度值的像素密集区域，并计算相应灰度值密集区域的面积及离心距离，以计算密集区域特征权重f_u；

S4、基于Mean-shift跟踪算法并结合密集区域特征权重f_u，预测跟踪目标在下一帧输入图像中的位置坐标；

S5、在视频流图像中每隔若干帧，循环执行所述步骤S2至步骤S4，以对跟踪目标进行更新及跟踪。