[发明专利]一种基于加权模型约束的寻优匹配目标跟踪方法

说明书

本发明提供一种基于加权模型约束的寻优匹配目标跟踪方法，涉及计算机视觉技术领域。该方法以第一帧图像为训练图像，建立带权目标模型，逐帧读取视频图像，并以前一帧为基础得到当前帧的匹配前景区域，利用双向最优相似匹配方法进行目标检测，得到跟踪结果区域；当帧数大于6时，利用距离决策方法对发生误匹配的情况进行重构；当帧数为5的倍数时，根据当前帧的跟踪结果和当前带权目标模型进行加权融合来更新带权目标模型。本发明的方法用于对视频图像序列进行目标跟踪，能防止目标在发生形变、局部遮挡时因目标特征匹配不完全而导致跟踪偏移问题，并能避免背景信息的干扰，保证匹配到的目标更准确。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种基于加权模型约束的寻优匹配目标跟踪方法。

背景技术

目标跟踪作为计算机视觉领域内具有代表性的研究课题，融合了多个领域的关键技术，是图像处理中的研究热点。其主要通过摄像机或其他终端设备采集图像或视频信息，经过计算机处理获取相应的场景信息，模拟人类或其他生物的视觉来自主解决问题。目标跟踪主要的任务是对运动目标位置以及运动轨迹的估计，在己知当前时刻的目标运动状态，通过跟踪算法来预测下一时刻目标的运动参数，获得目标的形态、位置、轮廓等信息。然后通过对这些信息进行分析、处理以便于实现对目标识别、检测、分类和跟踪等任务。作为一门综合性较强的研究方向，目标跟踪包含了图像处理、模式识别和人工智能等多方面的技术。随着近些年科学技术的快速发展，现有视频采集设备获取视频能力及计算机处理性能的不断提升，目标跟踪技术也取得很大的进步。

目标跟踪经过多年来的探寻和研究在安全监控、智能交通、人机交互、医学图像处理及军事领域有着广阔的发展前景。而在实际场景中，由于目标形变、遮挡、复杂背景等因素的影响，导致跟踪的准确度不高。因而如何提高跟踪方法的准确率一直是目标跟踪领域的热点问题。

通过对目标的外观特征进行相似性分析，许多研究人员通过建立鲁棒外观模型的匹配方法进行目标的提取、跟踪。近年来，相继出现了许多跟踪方法。例如，Mei等人提出了一种基于稀疏表示分类的跟踪方法，将跟踪问题转化为求解稀疏逼近问题，并根据重构残差的大小确定最终的跟踪结果。但这种方法当跟踪过程中出现相似物体干扰时会产生一定的误差，且跟踪实时性较低。Bao等人对其进行改进，提出一种实时的稀疏表示跟踪方法(L1APG，L1 Tracker Using Accelerated Proximal Gradient)，利用多个目标模型结合稀疏表示分类，该方法在维持较高跟踪准确率的情况下，提高了跟踪的实效性。Kalal等人提出一种TLD(Tracking-Learning-Detection)目标跟踪方法，将跟踪、学习和检测过程结合，该方法针对目标移动中出现的局部遮挡和目标形变具有较高的跟踪鲁棒性。Oron等人提出局部无序跟踪(locally orderless tracking)，利用超像素分割技术奖目标分为多个超像素块，通过粒子加权的方式对目标进行跟踪。Wang等人将栈式降噪自编码器应用到目标跟踪中，删去了自编码器中的解码部分，将其用softmax分类器替代，实现对目标和背景的分类，并利用神经网络提取目标的深度特征的方式完成对目标的跟踪。Henriques等人提出一种核相关滤波器用于区分目标和背景区域，并选用岭回归模型，引入具有循环结构的模板对其进行傅里叶变换，大幅提升了跟踪的速度和效率。

但上述六种方法存在以下几点问题：

复杂背景问题：基于模型匹配的目标跟踪方法通过对模型中的目标进行特征提取和特征分析，并利用匹配技术在图像中搜寻、确定目标。然而在实际跟踪中，图像包含的背景信息非常复杂，一些背景信息与前景目标信息极为相似，从特征角度分析一般很难区分，在利用特定的目标选取方式建立目标模板时，通常会造成跟踪漂移甚至跟错目标的情况，这也加大了跟踪目标的难度。

目标形变问题：实际跟踪时目标通常为非刚性物体，随着跟踪的不断深入目标自身形态发生变化，目标跟踪以目标的识别和匹配为前提，当目标处于形变状态时能否重新识别目标是一个需要解决的问题。若识别失败则很难再准确匹配目标特征，直接导致目标丢失。一般来说，目标的形变较为复杂、没有规律性，给跟踪带来一定程度的困难。