[发明专利]一种基于跟踪学习检测的目标跟踪优化方法

说明书

技术领域

本发明属于计算机视觉领域，特别涉及一种基于跟踪学习检测的目标跟踪优化方法，即一种基于跟踪-学习-检测(Tracking-Learning-Detection，TLD)的目标跟踪优化方法，适用于视频帧序列中单目标的长时间跟踪。

背景技术

在计算机视觉领域，目标检测和跟踪一直是一个具有挑战性的研究难点，并广泛应用于智能监控、视觉导航、人机交互、军工制造等领域；目标跟踪简单理解为在已知目标先验信息的条件下，在视频序列帧中持续发现跟踪目标位置、形态等运动状态信息的过程，所谓的跟踪目标就是在视频帧序列中感兴趣的人或物等等；在数十年的长期研究中，国内外的研究者提出了许多目标跟踪算法，例如均值漂移(Mean-Shift)、支持向量机(Support Vector Machine，SVM)、卡尔曼滤波等经典目标跟踪算法；但这些经典目标跟踪算法只能针对某些特定的场景和目标有效，且不能实现目标的长时间实时跟踪，随着跟踪时间的增长，缺乏自我学习能力的传统目标跟踪算法误差会不断累积，最终导致跟踪失败情况的出现。

传统TLD目标跟踪算法是Zdenek Kalal在其攻读博士期间提出的一种长时间单目标跟踪算法，该传统目标跟踪算法是检测到目标之后进行跟踪，检测和跟踪基本上处于分离的状态，在目标发生较大形变、遮挡消失、相似目标干扰等复杂情况下，跟踪很容易失败；而传统TLD与经典跟踪算法的最大区别就是将检测和跟踪结合起来解决跟踪过程中发生的形变、部分遮挡等问题；另外，传统目标跟踪算法需要较少的先验信息(通常只需要在视频帧序列的第一帧中人工标定一个包含跟踪目标的目标限定框)、具备在线学习的能力、对单目标长时间跟踪有较好的稳定性。

传统TLD目标跟踪算法由检测阶段、跟踪阶段、学习阶段相互协作运行，跟踪阶段和检测阶段的最终输出分别为跟踪目标限定框和检测目标限定框，综合跟踪阶段和检测阶段得到的最终输出称为目标限定框；传统的TLD目标跟踪算法的总体性能是值得肯定的，但是跟踪阶段的鲁棒性有待提高，特别是跟踪点的选取方式直接影响了卢卡斯-卡纳德(Lucas-Kanade，LK)光流法的跟踪质量；传统的TLD目标跟踪算法采用均匀网格的方式选取跟踪点，若要保持跟踪目标的完整性，就会不可避免地引入了一些干扰背景信息，降低了算法的鲁棒性；若采用更有代表性的角点检测算法来选取跟踪点，也不能很好的适用某些跟踪目标轮廓简单、角点稀疏、背景较为复杂的跟踪场景，同时也降低了算法跟踪阶段的实时性。

发明内容

针对上述现有技术存在的不足，本发明的目的在于提出一种基于跟踪学习检测的目标跟踪优化方法，该种基于跟踪学习检测的目标跟踪优化方法充分考虑了跟踪目标的描述方法，结合FAST角点检测和均匀选取跟踪点的方法，并且在基本不影响实时性的前提下，能够提高TLD目标跟踪算法的鲁棒性和稳定性。

为达到上述技术目的，本发明采用如下技术方案予以实现。

一种基于跟踪学习检测的目标跟踪优化方法，包括以下步骤：

步骤1，确定L帧灰度图像视频帧序列，每帧灰度图像视频帧序列都为N行M列，且每帧灰度图像视频帧序列都包含K个像素点，每帧灰度图像视频帧序列中分别包含一个跟踪目标，第1帧灰度图像视频帧序列中的跟踪目标位置已知，其余L-1帧灰度图像视频帧序列中的跟踪目标位置未知；其中，N、M和K分别为大于0的正整数；

初始化：令t表示第t帧灰度图像视频帧序列，t∈{1,2,…,L}，t的初始值为1，L为大于1的正整数；

分别确定第1帧目标限定框b₁、第1帧目标内框第1帧跟踪目标主体部分和第1帧跟踪目标的边缘部分；

步骤2，基于TLD目标跟踪算法从第t帧跟踪目标的边缘部分和第t帧跟踪目标主体部分中得到N_t个跟踪点，进而在第t+1帧灰度图像视频帧序列得到第t+1帧跟踪目标限定框tb_t+1；其中，0<N_t≤K，N_t为大于0的正整数；

步骤3，从第t+1帧灰度图像视频帧序列中获得第t+1帧灰度图像视频帧序列中的个检测目标限定框；其中，为大于0的正整数；

步骤4，基于TLD目标跟踪算法和P-N学习机制对第t+1帧跟踪目标限定框tb_t+1和第t+1帧灰度图像视频帧序列中的个检测目标限定框进行跟踪、检测和学习，进而得到第t+1帧跟踪目标的确定位置；