[发明专利]基于图像清晰度与跟踪稳定性条件的目标检测跟踪方法

说明书

本发明公开的基于图像清晰度与跟踪稳定性条件的目标检测跟踪方法，属于计算机视觉与计算机控制领域。本发明通过自适应调节目标跟踪模型，结合APCE目标重新检测机制建立检测—跟踪联合工作机制，有效提升跟踪算法的跟踪精度和稳定性；基于目标区域清晰度自适应更新模型，能够有效提高目标运动速度变化较大与图像模糊情况下的系统跟踪精度；同时本发明结合跟踪稳定性判断条件和YOLOv4目标检测算法，建立目标重检机制，能够解决目标丢失后无法自动重新找回跟踪目标的问题。本发明能够对感兴趣目标进行实时跟踪，主要应用于安防、智能交通及智能拍摄等领域。

技术领域

本发明涉及一种基于图像清晰度与跟踪稳定性条件的目标检测跟踪方法，属于计算机视觉与计算机控制领域。

背景技术

近年来，随着计算机视觉技术的飞速发展，目标跟踪算法在安防、智能交通及智能拍摄等领域发挥了重要的应用。尤其在诸如高山滑雪、山地自行车等极限运动的赛事中，受场地与天气限制，拍摄稳定清晰的精彩画面对摄影师提出了巨大的挑战。应用目标跟踪方法驱动云台带动专业摄影机对高速运动员画面进行拍摄可以使传统的体育转播变得简便化、高效化。

目前的目标跟踪方法包括生成式方法和判别式方法，结合深度神经网络的生成式跟踪方法可以准确提取图像特征，跟踪精度较高，但由于这种方法需要对每一帧图像进行目标检测，导致算法运行速度较慢，且在算法运行前需要较长时间的训练，很难应用实际。相比生成类方法，以相关滤波方法为代表的判别式方法不需要预先训练目标特征，此类方法先以初始帧中目标为基准，充分利用了帧间的差异信息，实时学习前后帧中目标的变化情况，很容易实现实时处理的目的。此类方法对简单场景中运动速度变化较慢的目标跟踪效果较好。但是，当运动目标速度变化较快或受遮挡时，该类方法极易发生目标丢失的现象，导致跟踪精度和稳定性下降，同时画面的清晰度也会受到较大的影响。

发明内容

为了解决上述问题，本发明的目的是提供一种基于图像清晰度与跟踪稳定性条件的目标检测跟踪方法，该方法通过自适应调节目标跟踪模型，结合APCE目标重新检测机制建立检测—跟踪联合工作机制，有效提升跟踪算法的跟踪精度和稳定性；基于目标区域清晰度自适应更新模型，能够有效提高目标运动速度变化较大与图像模糊情况下的系统跟踪精度；同时本发明结合跟踪稳定性判断条件和YOLOv4目标检测算法，建立目标重检机制，能够解决目标丢失后无法自动重新找回跟踪目标的问题。

本发明的目的是通过下述技术方案实现的。

本发明公开的基于图像清晰度与跟踪稳定性条件的目标检测跟踪方法，包括如下步骤：

步骤一、使用目标检测方法对视频内容进行检测，得到候选的待跟踪目标及目标区域，通过比较候选目标的置信度得分与预设阈值T_detect对候选目标进行筛选，将筛选得到的n个待跟踪目标组成目标集D＝{D₁，D₂，…，Di，…，Dn}，其中，Di表示第i个待跟踪目标；同时存储每个目标的中心位置和边界框信息；

步骤二、从步骤一得到的待跟踪目标集合D中确定的跟踪目标，对首帧中所确定的跟踪目标边界框内的信息进行特征提取，将得到特征矩阵作为目标特征模型并对首帧图像中跟踪目标的区域进行计算，得到跟踪目标区域的清晰度C_cur；

从第二帧图像开始，计算前一帧与当前帧目标特征响应矩阵，其中，响应峰值的位置为当前帧目标的中心位置，进一步获取当前帧目标区域内的特征矩阵再通过判断前一帧目标特征矩阵与变化情况对特征模型进行模型更新，以便更好地适应跟踪目标的变化；

其中，l为学习率。

步骤三、将实时更新的学习率l带入式(1)以实现目标特征模型的自适应更新；实时计算当前帧目标区域的图像清晰度C_cur，通过计算C_cur与C_cur-1的差值，调节模型更新的学习率l，提高目标跟踪精度；