[发明专利]一种基于TLD算法框架的目标跟踪方法

权利要求书

1.一种基于TLD算法框架的目标跟踪方法，其特征在于步骤如下：

步骤1：跟踪目标选择：从当前视频帧中框选待跟踪目标或者导入待跟踪目标结构初始参数进行跟踪，视频流可分从摄像头读入和视频文件读入；

步骤2：提供一跟踪器、一学习模块、一检测器以及一整合器，所述跟踪器以及检测器可同时独立运行，用以对跟踪目标进行跟踪及检测，所述学习模块通过结构性约束改进跟踪器和检测器，所述整合器将跟踪器和检测器所得到的目标位置信息进行整合，用以输出目标的最终位置；

步骤3：算法初始化：将提前设置好的初始化参数进行读取，用以对跟踪器和检测器进行初始化；

步骤4：下一帧图像输入：输入下一帧图像以进行对视频的逐帧处理；

步骤5：跟踪器和检测器工作：跟踪器中的局部跟踪器对上一帧中的目标进行跟踪，并向学习器反馈跟踪结果；检测器对上一帧中的目标进行多尺度检测，并向学习器反馈检测结果；

步骤6：学习模块工作：针对步骤5中跟踪器和检测器反馈的相关结果，学习模块通过结构性约束消除检测器的分类结果，并更新跟踪器和检测器的相关参数；

步骤7：整合器工作：整合器将跟踪器预测的信息和检测器的检测信息进行整合，将置信度最高的结果作为目标在当前帧的最终位置，同时将目标最终位置框选显示；

步骤8：判断视频帧是否结束：若视频帧未结束则返回步骤4，若结束，则完成目标跟踪过程；若为摄像头输入则手动控制跟踪结束。

2.根据权利要求1所述的一种基于TLD算法框架的目标跟踪方法，其特征在于：所述步骤5中的跟踪器包括多个局部跟踪器，采用中值流跟踪器跟踪图像的各个局部区域，得到两帧之间运动目标的相关性，根据局部跟踪器的时空上下文关系添加时空上下文预测器，与NCC(归一化交叉相关)跟踪器形成级联预测器，具体步骤如下：

步骤51-1：将当前帧图像进行网格化，并选择各网格中央的点作为特征点均匀布置局部跟踪器；

步骤51-2：采用Lucas-Kanade光流法预测下一时刻各个局部跟踪器位置，达到迭代次数20次或者满足阈值条件时终止；

步骤51-3：NCC预测器利用跟踪所得到的图像区域与之前被跟踪区域之间的相似度，判断局部跟踪器是否跟踪成功；

步骤51-4：空间上下文预测器利用空间上下文信息短时间内相邻局部跟踪器之间具有运动一致性，判断局部跟踪器是否跟踪成功；

步骤51-5：时间上下文预测器利用时间上下文信息构建马尔科夫链模型，根据当前时刻的信息预测下一时刻局部跟踪器正确跟踪的概率，判断局部跟踪器是否跟踪成功；

步骤51-6：局部跟踪器若都通过所述步骤51-4，步骤51-5，步骤51-6三者的级联预测器，则目标跟踪成功；若未通过任一预测器则局部跟踪器跟踪失败。

3.根据权利要求1所述的一种基于TLD算法框架的目标跟踪方法，其特征在于：所述步骤5中的检测器有滑动窗口和级联分类器两部分，级联分类器包括方差分类器、极限学习机分类器和最近邻分类器，具体步骤如下：

步骤52-1：滑动窗口按照当前窗口宽度的10％在水平方向移动，当前窗口高度的10％在垂直方向移动，进行全局扫描；

步骤52-2：方差分类器利用积分图计算每个滑动窗口内的图像块方差，当其大于跟踪目标方差的0.6倍时，通过方差分类器，即检测到了目标；

步骤52-3：极限学习机分类器在所述步骤3中完成初始化训练，产生正负训练样本。将所述步骤52-1检测到目标的图像块进行归一化处理，经过极限学习机对图像块进行分类，分类结果为正样本的即检测到了目标；

步骤52-4：最近邻分类器比较当前图像块和在线模板库的相似程度，当相似程度大于0.65时，目标被检测到。

4.根据权利要求1所述的一种基于TLD算法框架的目标跟踪方法，其特征在于：所述步骤7中的整合器对前述步骤的综合分析的具体过程为：若跟踪器和检测器均没有目标跟踪结果输出，则目标丢失，跟踪失败；若跟踪器和检测器都有结果输出，则先判断跟踪器和检测器的输出结果区域与初始目标重叠率是否大于0.65，若大于0.65则对重叠的目标区域聚类并输出最终结果；若不大于0.65，则将候选区域与目标模型进行匹配，若匹配置信度大于0.65，则将置信度最大的区域作为最终的目标区域；若跟踪器和检测器二者只有一个有结果输出，则将输出结果的目标区域作为最终的目标区域。