[发明专利]基于三次样条插值和马尔科夫链的KCF目标跟踪方法

说明书

本发明就目标跟踪过程中的遮挡问题，提出一种基于三次样条插值和马尔科夫链的KCF目标跟踪方法。该方法的具体思路为，在目标跟踪过程中遇到遮挡问题时，停止更新KCF滤波模板，而根据遮挡前目标的运动特征，用离线训练的多个不同权重的三次样条多项式模拟遮挡后的目标运动轨迹，并且基于马尔科夫链中当前状态只与上一时刻状态有关的假设，认为跟踪过程中当前图像的权重只与上一帧图像的权重有关，从而实现对遮挡目标运动位置的预测跟踪。本发明不局限于图像中的特征，而是着眼于目标的运动轨迹，通过对物体运动轨迹的分析模拟，解决目标跟踪过程中的遮挡问题，具有跟踪准确率高，计算速度快的特点。

技术领域

本发明涉及遮挡目标检测和定位跟踪领域，具体是一种基于三次样条插值和马尔科夫链的KCF目标跟踪方法。

背景技术

目标跟踪是指对视频中的运动目标进行识别，并且在下一帧图像中找到该目标，依次类推完成跟踪。目标跟踪算法根据不同的方法和思想，可以分为生成式(generativemodel)方法和判别式(discriminative model)方法。生成式方法采用特征模型描述目标的外观特征，再最小化跟踪目标与候选目标之间的重构误差来确认目标，生成式方法着重于目标本身的特征提取，忽略目标的背景信息，在目标外观发生剧烈变化或者遮挡时候容易出现目标漂移或者目标丢失；判别式方法将目标跟踪看作是一个二元分类问题，通过训练关于目标和背景的分类器来从候选目标中确定目标，该方法可以显著的区分背景和目标，性能鲁棒，渐渐成为目标跟踪领域主流方法。

KCF(Kernelized Correlation Filters)是一种判别式目标跟踪方法，该方法一般是在跟踪过程中训练一个目标检测器(也叫滤波模板)，使用目标检测器去检测下一帧预测位置是否是目标，然后再使用新检测结果去更新训练集进而更新目标检测器(滤波模板)。其目的是寻找到一个滤波模板，对图像进行相关性计算，常用的方法是用滤波模板对输入图像做滑动卷积操作，得到一个响应图，响应值最大的像素点即为目标的中心点位置。

但是KCF目标跟踪方法本身存在着问题，它无法解决目标跟踪过程中的遮挡问题。当目标遇到遮挡时，当前的滤波模板仍然返回响应图，并且继续按照响应值最大的位置跟踪目标，但是当目标遭遇遮挡后，以上一帧图像中目标框的位置为中心，无法得到准确的响应图，因为在目标被遮挡后其特征就会出现很大的改变，这就会造成目标框的位置出现飘移，而此时KCF依然会按照错误的目标位置继续更新滤波模板，这就很容易造成目标框的持续飘移，再也无法找到正确的目标位置。

以往解决目标遮挡问题，大多从图像本身出发，例如有学者提出对目标框进行分块处理，将大的目标框分解为小的区域，再利用未遮挡的小区域进行相应位置的匹配。虽然取得了一定的效果，但是对于完全遮挡的目标却是无能为力。

因此，本发明给出了一种基于物体运动轨迹和图像本身结合进行预测的方法，利用样条插值对目标轨迹进行模拟，从而对目标的位置进行预测。当遇到遮挡问题时，停止更新KCF滤波模板，而根据遮挡前目标的运动特征，用离线训练的轨迹曲线模拟遮挡后的目标轨迹，并且基于马尔科夫链中当前目标状态只与上一时刻状态有关的假设，认为跟踪过程中当前图像的权重只与上一帧图像的权重有关，提出一种基于三次样条插值和马尔科夫链的KCF目标跟踪方法，从而解决目标跟踪过程中的遮挡问题。

发明内容

本发明就目标跟踪过程中的遮挡问题，提出一种基于三次样条插值和马尔科夫链的KCF目标跟踪方法。该方法的主要思想是，在跟踪目标被遮挡过程中，利用样条插值的方法，对目标轨迹进行模拟，从而对目标的运动位置进行预测。具体思路为，在目标跟踪过程中遇到遮挡问题时，停止更新KCF滤波模板，而根据遮挡前目标的运动特征，用离线训练的轨迹曲线模拟遮挡后的目标运动轨迹。同时为了增加模型的鲁棒性，使用四个不同权重的三次多项式来模拟，并且基于马尔科夫链中当前目标状态只与上一时刻状态有关的假设，认为跟踪过程中当前图像的权重只与上一帧图像的权重有关，从而实现对遮挡目标运动位置的预测跟踪。本发明不局限于图像中的特征，而是着眼于目标的运动轨迹，通过对物体运动轨迹的分析模拟，解决目标跟踪过程中的遮挡问题，具有跟踪准确率高，计算速度快的特点。