[发明专利]基于多特征融合的非刚体目标跟踪方法

权利要求书

1.基于多特征融合的非刚体目标跟踪方法，其特征在于：所述方法包括：

将单帧目标区域图像分成若干跟踪子块；

建立所述跟踪子块的关联模型；

建立所述跟踪子块的预测模型；

根据所述关联模型与预测模型预测所述跟踪子块运动轨迹。

2.根据权利要求1所述的基于多特征融合的非刚体目标跟踪方法，其特征在于：所述将目标图像区域分成若干跟踪子块具体包括：

将所述单帧目标区域图像分为若干子块，对所述子块进行离散余弦变换；

计算单帧目标区域图像若干子块中点特征的中高频的复杂指数；

根据中高频的复杂指数将目标图像区域分成若干相互分散的跟踪子块。

3.根据权利要求2所述的基于多特征融合的非刚体目标跟踪方法，其特征在于：所述根据中高频的复杂指数将目标图像区域分成若干跟踪子块具体包括：

选取若干较大的中高频的复杂指数对应的单帧目标区域图像点特征作为跟踪关键点；

选取包括所述跟踪关键点的子块作为跟踪子块。

4.根据权利要求1所述的基于多特征融合的非刚体目标跟踪方法，其特征在于：所述将单帧目标区域图像分成若干跟踪子块步骤前还包括：

采用多帧差法获取单帧原始图像中单帧目标区域图像。

5.根据权利要求1所述的基于多特征融合的非刚体目标跟踪方法，其特征在于：所述建立所述跟踪子块的关联模型步骤前还包括：

计算单帧目标区域图像中若干跟踪子块与其他区域的局部表面特征；

根据跟踪子块的局部表面特征与所述跟踪子块对应邻域的局部表面特征计算所述跟踪子块与所述跟踪子块对应邻域的匹配系数；

根据所述匹配系数计算所述跟踪子块与所述跟踪子块对应邻域粗糙度，若粗糙度低于阈值，剔除所述匹配系数对应的跟踪子块。

6.根据权利要求3所述的基于多特征融合的非刚体目标跟踪方法，其特征在于：所述建立所述跟踪子块的关联模型具体包括：

根据单帧目标区域图像中的跟踪子块的位置信息设置中心跟踪子块与周边跟踪子块，完成子块跟踪模型的建立。

7.根据权利要求6所述的基于多特征融合的非刚体目标跟踪方法，其特征在于：所述预测模型具体为自适应蒙特卡洛预测模型。

8.根据权利要求7所述的基于多特征融合的非刚体目标跟踪方法，其特征在于：所述预测所述跟踪子块运动轨迹具体包括：

对每一帧目标区域图像中的中心跟踪子块进行自适应蒙特卡洛预测，获取每一帧目标区域图像中的中心跟踪子块的位置信息；

从起始帧开始对连续帧目标区域图像中的若干周边跟踪子块进行蒙特卡洛预测，得到周边跟踪子块的位置信息；

将连续帧图像中的跟踪子块进行关联，实现对非刚体目标的跟踪。

9.根据权利要求8所述的基于多特征融合的非刚体目标跟踪方法，其特征在于：所述将连续帧图像中的跟踪子块进行关联具体包括：

计算跟踪子块中关键点对应邻域内各个点的梯度大小和方向，并将该邻域分为若干子区域；

对各子区域按照梯度多方向进行分类合并，得到所述关键点的特征描述子；

根据所述关键点的特征描述子实现连续帧图像中的跟踪子块的关联。

10.根据权利要求1所述的基于多特征融合的非刚体目标跟踪方法，其特征在于：所述根据所述关联模型与预测模型预测所述跟踪子块运动轨迹步骤后还包括对跟踪子块进行更新和剔除，具体包括：

根据跟踪子块与目标的相关性、跟踪子块当前数量对跟踪子块进行更新与剔除，且新更新的跟踪子块远离多个跟踪子块聚集处设置。