[发明专利]一种“刚好足够”的视频目标轨迹产生方法

说明书

本发明公开了一种“刚好足够”的视频目标轨迹方法。所述方法首先用稠密轨迹算法提取稠密轨迹。其次基于“中心‑周围”算法，快速得到轨迹点的非精确显著值。再逐级调整轨迹点显著性判决策略，逐级删除非显著轨迹。然后回退嵌入部分已被删除的轨迹，直到找到最优的策略，以达到“刚好”产生所需轨迹的效果。相比于一步删除轨迹的方法，本发明采用递归删减轨迹的方法，能对不同的样本使用更灵活的删除阈值——层级删除，不同的样本自动确定最优的删除级数。同时本发明采用回溯查找机制，嵌入部分被误删除轨迹，避免剪枝过度，刚好保留所需的前景信息。

技术领域

本发明涉及视频目标跟踪领域，具体涉及一种“刚好足够”的视频目标轨迹产生方法。

背景技术

视频行为分析一直是计算机视觉与机器人领域的研究课题，它首先需要提取强有力的特征以适应任务的需求。其中，稠密轨迹算法(Wang H,Klaser A,Schmid C,etal.Action Recognition by Dense Trajectories[J].Proceedings/CVPR,IEEE ComputerSociety Conference on Computer Vision and Pattern Recognition.IEEE ComputerSociety Conference on Computer Vision and Pattern Recognition,2011.)，通过跟踪密集候选点来获取大量轨迹，来实现对目标运动的全息记录。但由于复杂场景，相机运动等原因，其提取到的轨迹混有大量冗余背景轨迹，严重影响前景运动目标的跟踪及运动的分析。

现有的去除冗余背景轨迹可分为后剪枝和前剪枝方法。前剪枝方法(Wang H,Schmid C.Action Recognition with Improved Trajectories[C]//Proceedings of the2013IEEE International Conference on Computer Vision.IEEE,2013.E Vig,M Dorr,DCox.Space-Variant Descriptor Sampling for Action Recognition Based onSaliency and Eye Movements.European Conference on Computer Vision,2012,7578(1):84-97.X Wang,C Qi.Saliency-based dense trajectories for actionrecognition using low-rank matrix decomposition.Journal of VisualCommunication and Image Representation,2016,41:361-374.)在生成轨迹时，根据一些视觉先验信息，去除冗余背景点，从而减少冗余背景轨迹的产生。后剪枝方法则在轨迹形成之后，再对轨迹进行筛选。一类方法(J Cho,M Lee,HJ Chang,S Oh.Robust actionrecognition using local motion and group sparsity.Pattern Recognition,2014,47(5):1813-1825.Y Yi,Z Zheng,M Lin,Realistic action recognition with salientforeground trajectories.Expert Systems with Applications,2017,75:44-55.)是根据轨迹位置变化中的模式对轨迹分类；另一类方法则根据视觉先验分布对前景目标建模，首先定义局部轨迹点的显著值计算，再根据轨迹上所有轨迹点的显著值得到轨迹的显著值，最后对比阈值决定轨迹的去留。如“中心-周围”算法(Y Yi,Y Lin.Human actionrecognition with salient trajectories.Multimedia Tools and Applications.2013,93(11):2932-2941.)，先根据轨迹周围全部像素点的均值得到轨迹点显著值，再筛选轨迹点。后剪枝方法在轨迹形成之后再进行筛选，能结合全体轨迹点信息，获取更多的轨迹特征信息，但也需要花费更多的时间。且前景建模的方法大多致力于改进轨迹点的显著值计算，计算复杂度高。轨迹点，轨迹的显著性判决大多依赖于阈值，但是阈值的设定对冗余轨迹消除效果有很大影响。过高的阈值会丢失部分低显著前景点，过低的阈值则留下大量高显著背景点。