[发明专利]基于视觉注意机制的TLD目标跟踪方法

说明书

本发明涉及一种基于视觉注意机制的TLD目标跟踪方法，属于人工智能技术领域。本发明以原TLD目标跟踪方法为基础，对TLD的检测模块进行视觉注意机制的显著区域提取能够排除非显著区域的干扰，通过视觉显著性可有效筛选显著信息，形成视觉显著图，再对显著图进行分类，再对TLD算法的检测模块进一步优化，集成分类器建立目标模型和背景模型，再将集成分类器的输出作为最近邻分类器的输入，筛选出相似样本。本发明在外界环境干扰下稳定性较好，在目标发生遮挡和快速转转时，视觉注意机制对目标特征实时更新，表现出良好性能。

技术领域

本发明涉及了一种基于视觉注意机制的TLD目标跟踪方法，属于人工智能技术领域。

技术背景

随着机器视觉技术的发展，目标跟踪已经慢慢成为很有前景的发展方向逐渐成为研究的热点。运动目标的跟踪已经成熟的运用到当下社会中的交通辅助、机器人的研发、人体行为分析和视频监控中，目标的跟踪已经慢慢的变成很有前景的发展方向，而此项技术的日趋成熟，是依靠计算机技术的飞速发展，计算和存储的成本也已经大幅度降低。我国的对目标跟踪技术的钻研，开始于上世纪60年代末，到现在已经经过了五十多年的成长，目前我国的目标跟踪技术已经有了很大的发展。国内的清华大学、国防科技大学、北京理工大学和中国科学院等高校研究院对目标跟踪技术开展理论加实践的钻研，已经取得很大成果，目前很多目标跟踪的方法已经得到了产品的检验，并已经被运用到了实际的工程跟踪系统。

TLD目标跟踪方法作为一种半监督在线学习的跟踪方法，其与传统目标跟踪方法的一个显著区别就是，没有单纯的局限于跟踪或者检测，而是将跟踪与检测相结合，引入在线学习机制，成功解决了传统跟踪方法目标丢失后无法获取，无法实现长时跟踪的问题；有效地解决了跟踪过程中目标形变、光照变化和部分遮挡等问题。算法主要分为三个部分：跟踪模块、检测模块和学习模块。跟踪器模块估计目标在帧与帧之间的运动，给出目标的轨迹；检测器进行全局检测，发现定位所有目标可能存在的区域；学习器对检测结果进行评估，根据跟踪结果对检测器进行训练，且计算简单、运算速度快，对目标跟踪过程中出现的光照改变，尺度改变有很好的性能。TLD算法在目标跟踪方面得到广泛应用。

相关的专利如申请号CN108320306 A的发明专利公开了一种融合TLD和KCF的视频目标跟踪方法特征是确定初始目标帧中目标区域位置和大小,同时将初始帧输入到TLD算法模块和KCF算法模块中；TLD算法模块和KCF算法模块并行运行,如果对当前帧的处理TLD算法模块和KCF算法模块只有一个模块有跟踪目标输出,则把该输出作为当前帧的跟踪结果；如果两个跟踪模块都有跟踪目标输出,则分别计算跟踪目标输出与目标模型M之间的相似度St和Sk,选择St和Sk中最大者作为目标跟踪结果。申请公布号CN104574439 A的发明专利公开了一种融合卡尔曼滤波与TLD算法的目标跟踪方法,其特征在于分析和利用卡尔曼滤波器的原理,并对其加以改进，再利用改进的卡尔曼滤波器增强TLD算法；通过改进的卡尔曼滤波来增强TLD算法,即根据目标位置的时间步长,获得同步更新的参数传递矩阵；缩小TLD算法的检测区域。但是，以上专利目标跟踪在复杂环境中容易导致漂移现象，跟踪结果的稳定性不高，目标出现遮挡和尺度变化时跟踪的稳定性方面取得的结果尚不尽如人意。

发明内容：

针对目标跟踪在复杂环境中容易导致漂移现象，跟踪结果的稳定不高这一问题，本发明以原TLD目标跟踪方法为基础，提出一种基于视觉注意机制的TLD目标跟踪方法，在外界环境干扰下稳定性较好，在目标发生遮挡和快速转转时，视觉注意机制对目标特征实时更新，表现出良好性能，为完成对目标跟踪的特征提取和特征更新包括如下步骤：

步骤1：对TLD的检测模块进行视觉注意机制的显著区域提取能够排除非显著区域的干扰，通过视觉显著性可有效筛选显著信息，形成视觉显著图，再对显著图进行分类；

步骤2：再对TLD算法的检测模块进一步优化，集成分类器建立目标模型和背景模型，再将集成分类器的输出作为最近邻分类器的输入，筛选出相似样本。

采用上述技术方案的本发明，与现有技术相比，其突出的特点是：