[发明专利]一种改进TLD的矿井下视频目标跟踪方法

说明书

本发明公开了一种改进TLD的矿井下视频目标跟踪方法，跟踪部分采用基于Mean‑Shift的跟踪算法，减小计算量同时做到煤矿井下环境的目标实时跟踪；检测部分首先用Kalman滤波来预估当前帧目标的中心位置，进行目标位置的区域预估，减少扫描窗口的数量，减小计算冗余；然后在预估区域使用动态自适应更新阈值的方差分类器进行检测，提高检测效率。本发明针对煤矿井下跟踪需求的特殊性，增强了算法在低照度情况下的目标跟踪准确率，有效应对目标外观剧烈变化和目标遮挡等复杂因素，增强了原算法的鲁棒性以适应实际需求。

技术领域

本发明涉及视频目标跟踪领域，尤其涉及一种改进TLD的矿井下视频目标跟踪方法。

背景技术

当今时代，人们对于多媒体信息的需求日益增长，发展出了很多视频信息处理技术，其中目标跟踪技术是计算机视觉领域中的一个热点问题，它涉及目标的活动分析，分类和识别，在智能监控，视频会议，人机交互，交通控制，导航和医疗等诸多领域得到了广泛的应用。将目标跟踪技术应用到煤矿井下的监控视频中，是煤矿井下视频监控的未来趋势，对实现煤矿的实时监控、自动化生产、调度指挥及危险救援等方面都具有着重要意义。然而煤矿井下环境比较特殊，现有的跟踪方法很难直接应用到矿井环境中。首先煤矿井下是一个低照度环境，光照分布不均导致视野模糊，很难分辨不同物体；其次当矿工移动时，安全帽上的矿灯将会造成跟踪目标外观的剧烈变化，严重影响目标跟踪的性能；且不同矿工之间外观特征非常相似，相互遮挡易造成目标丢失。因此，如何根据煤矿井下目标跟踪的实际要求，设计一种能在低照度的环境下有效跟踪目标，同时抵抗目标外观的剧烈变化，并且当跟踪目标与相似目标之间相互遮挡甚至消失在视野中后还能够重新捕捉到目标的跟踪算法，是矿井下视频跟踪的一个重要课题。

TLD目标跟踪算法是一种高效的单目标长时间跟踪方法，该算法的优点是可以用较少的先验信息连续长时间地跟踪单个运动目标，在目标被遮挡或消失以及目标外观变化的情况下也具有良好的性能，保证长时间连续跟踪过程中的准确性和鲁棒性。此外，TLD算法具有稳定性强的特点，也可以用来处理目标遮挡或目标消失的问题。

TLD算法的框架如图1所示。相应的处理过程如下：(1)利用第一帧信息来设置初始窗口位置和跟踪目标的大小；(2)跟踪部分用于根据前一帧中相同跟踪目标的位置信息，预测当前帧中跟踪目标的位置；(3)采用检测部分全局扫描当前帧，确定跟踪目标的位置；(4)学习部分用于判断是否需要更新跟踪部分和检测部分；(5)综合跟踪器和检测器的结果，得到最终的目标位置。

TLD目标跟踪算法是一种可实现长期目标跟踪的算法，特别是在处理目标形变、遮挡以及目标消失又重现等复杂场景时，其性能优于其他算法，但是该算法复杂度高，所以实时性较差。

1.在目标跟踪过程中，TLD算法采用的是光流法跟踪，该算法运算复杂，计算量大，且对光照敏感，很难用于煤矿井下视频的实时跟踪处理；

2.在目标检测过程中，TLD算法通过全局扫描的方法来检测运动目标，由于在视频连续两帧之间目标的运动范围不会很大，因此只有目标附近一定区域需要扫描，全局扫描的方式造成计算资源浪费；

3.在检测过程的第一阶段，方差分类器设置了固定的滤波阈值，容易导致计算错误和巨大的计算量，直接影响后续滤波器的判断，从而造成跟踪精确度低。

发明内容

本发明所要解决的技术问题是针对背景技术中所涉及到的缺陷，提供一种改进TLD的矿井下视频目标跟踪方法。

本发明为解决上述技术问题采用以下技术方案：

一种改进TLD的矿井下视频目标跟踪方法，包含以下步骤：

步骤1)，根据第一帧图像中标定的目标框，得到目标框的位置信息；

步骤2)，将目标框的位置信息送入跟踪器进行跟踪：