[发明专利]一种基于TLD算法的目标稳定跟踪方法

说明书

本发明公开了一种基于TLD算法的目标稳定跟踪方法，包括以下步骤：(1)在待跟踪视频的起始帧进行初始化训练。(2)在跟踪过程中，检测模块和跟踪模块独立工作：检测模块扫描当前帧图像获得图像块并依次通过方差分类器、合并分类器、最近邻分类器，然后对图像块进行聚类；跟踪模块采用中值光流法由上一帧跟踪结果预测当前帧目标位置，并计算该两帧目标位置中心点间的欧式距离D，若D大于一个自适应的阈值，则判定当前帧跟踪失败，跟踪模块不输出任何结果；(3)整合模块输出跟踪结果；(4)对当前更新后的目标位置，产生新的正负样本，从而更新检测模块。(4)循环(2)‑(3)直至跟踪结束。该方法可以在一定程度上提高跟踪的稳定性。

技术领域

本发明涉及一种基于TLD算法的目标稳定跟踪方法，特点是对失败检测机制进行了自适应的阈值设定，应用于计算机视觉、目标检测、目标跟踪等，属于计算机视觉中的目标跟踪领域。

背景技术

TLD跟踪算法是由Zdenka Kalal提出的一种单目标长时间跟踪算法。该算法由跟踪模块、检测模块、学习模块三个模块组成。单纯的跟踪算法很难校正跟踪的漂移误差并且会不断累积跟踪的误差，而且一旦目标从视野中消失，跟踪就不可避免地产生失败。单纯的检测算法需要大量的样本进行离线的监督训练，不能应用于未知目标的跟踪任务，并且由于目标模型是离线建立的，所以如果一旦目标出现较大变化，跟踪就很容易产生失败。TLD将检测算法和跟踪算法结合起来并且通过学习来实时更新目标模型。

对于目标跟踪算法来说，目标被完全遮挡或者消失于视野后又重新出现的情况经常会发生。因此目标跟踪算法能否对因完全遮挡或者消失于视野而造成的跟踪失败作出正确的判断显得尤为重要：如果目标跟踪算法不能做出正确判断，那么即使目标不在视频中，目标跟踪算法也会继续更新目标模型。显然这种被污染的目标模型无法对目标进行有效的表征。因此 TLD算法在跟踪模块加入了失败检测机制来判断目标是否消失或者被完全遮挡。在被判定跟踪失败的视频帧，TLD算法的学习模块不会对其进行模型更新，这样就避免了目标模型被污染。但是在TLD算法中，跟踪失败检测机制的阈值被设定为一个固定的值，很难适应各种目标跟踪场景。特别是在目标发生快速运动的情况下，由于跟踪失败检测机制的阈值小于目标的运动，失败检测机制会判定当前帧发生了跟踪失败，这是一种错误的判断。

发明内容

本发明要解决技术问题为：针对TLD算法在目标发生快速运动时跟踪器的失败检测机制误判造成跟踪失败的问题，提出了自适应的跟踪失败检测机制，通过自适应阈值的调整克服原有失败检测机制的误判问题。在公开视频数据集上进行的实验表明，该方法可以在一定程度上提高跟踪的稳定性。

本发明解决上述技术问题采用的技术方案为：一种基于TLD算法的目标稳定跟踪方法，在待跟踪视频的起始帧，由用户指定跟踪窗口形成正负样本对检测模块进行初始化训练。在跟踪过程中，检测模块和跟踪模块独立工作：检测模块扫描当前帧图像获得图像块并依次通过方差分类器、合并分类器、最近邻分类器。跟踪模块采用中值光流法通过上一帧跟踪预测当前帧目标位置。整合模块综合检测模块和跟踪模块进行跟踪结果的输出。并且对当前更新后的目标位置，产生新的正负样本，从而更新检测模块。

其中，在待跟踪视频的起始帧中，由用户指定跟踪窗口，然后对距离指定的跟踪窗口最近的扫描网格窗口中选取若干个窗口进行一系列的仿射变换形成初始的正样本，并对远离指定的跟踪窗口随机搜选获得初始的负样本。所获得的正负初始样本用来对检测模块进行初始化训练。

其中，在跟踪过程中，检测模块对当前帧图像进行网格扫描获得图像块后，首先计算各图像块的方差，方差小于某个阈值的图像块被接受，进入合并分类器。通过若干个不同的基本分类器进行的像素比较后得到的平均后验概率值，大于某个阈值的图像块被接受，进入最近邻分类器。通过对进入最近邻分类器的图像块进行灰度的零均值归一化处理，与目标模型中的图像块进行互相关归一化的相似度计算，如果相似度大于某个阈值，则判定当前图像块为目标区域，否则判定为背景。