[发明专利]一种基于特征融合和环境自适应的目标检测跟踪方法

说明书

本发明涉及一种基于特征融合和环境自适应的目标检测跟踪方法，包括以下步骤：步骤1，使用预分类器对视频数据进行预处理，将视频数据划分为简单帧及复杂帧；步骤2，针对简单帧，提取单一特征；针对复杂帧，提取HoG、Haar、CN特征进行多方向特征融合；步骤3，基于运动预测的样本筛选机制，用最小二乘法拟合目标的运动轨迹，并以此作为权重计算的参数，对循环采样产生的样本进行重新评估，以获得更准确的权重。本发明在保证跟踪速度和精度的情况下，在对抗目标形变、快速运动、尺度变换时具有更好的鲁棒性，尤其在复杂背景和处理长期序列更有优势。能够在不影响跟踪准确率的情况下尽可能的减少系统计算的复杂度，提高了算法的跟踪速度。

技术领域

本发明涉及计算机视觉目标跟踪技术领域，尤其涉及一种基于特征融合和环境自适应的目标检测跟踪方法。

背景技术

视频目标跟踪一直是计算机视觉领域的一个重点研究问题，它在公共交通、智能监控、智能安防、人机交互等多个领域都有所应用。随着应用范围的不断扩展和科学技术水平的不断提升，人们对目标跟踪领域的研究也越来越深入。

目标跟踪是指在连续的视频帧中准确的对目标区域进行跟踪，然而很多现在的目标跟踪算法并不能很好的适应于多场景下的目标跟踪任务，目前相对来说比较成熟的跟踪算法一般可以分为两类，一类是基于生成类模型的目标跟踪算法，另一类是基于判别式模型的目标跟踪算法。生成式模型主要是通过计算目标和样本的联合概率，找到与目标模型最相近的样本作为当前目标状态的估计，判别式模型则是将跟踪看成一个二分类问题，运用训练数据对分类器进行训练，进而将目标从背景中分离出来，直接判断样本是否为目标，判别式方法可以显著区分背景和前景的信息，具有更好的鲁棒性，因此在目标跟踪领域占据主流地位。

近年来，基于相关滤波(correlation filter)的跟踪算法因为速度快、效果好的特点吸引了众多研究者的目光，相关滤波器通过将输入特征回归为目标高斯分布来训练滤波器，进而在后续跟踪中寻找预测分布中的响应峰值来定位目标位置，由于相关滤波器在运算中巧妙应用快速傅立叶变换，因此算法获得了大幅度速度提升。牛津大学JoaoF.Henriques等提出了CSK，之后加入了核函数，演变为经典的KCF(核相关滤波器)，但是当目标受尺度变化、严重遮挡、相似目标干扰和出视野等因素影响时，很容易出现跟踪失败的问题。

发明内容

本发明的目的是提供一种基于特征融合和环境自适应的目标检测跟踪方法，在KCF算法的基础上，引入自适应分类器和颜色矩特征描述子，解决KCF跟踪器在跟踪过程中目标因严重遮挡、相似目标干扰和出视野等因素而造成的跟踪失败问题，实现对目标的快速而精确的跟踪，具有较好的鲁棒性。

本发明提供了一种基于特征融合和环境自适应的目标检测跟踪方法，包括以下步骤：

步骤1，使用预分类器对视频数据进行预处理，将视频数据划分为简单帧及复杂帧；

步骤2，针对简单帧，提取单一特征；针对复杂帧，提取HoG、Haar、CN特征进行多方向特征融合；

步骤3，基于运动预测的样本筛选机制，用最小二乘法拟合目标的运动轨迹，并以此作为权重计算的参数，对循环采样产生的样本进行重新评估，以获得更准确的权重。

进一步地，所述步骤1包括：

根据背景和目标的相似性将视频帧化分为简单帧及复杂帧。

进一步地，步骤1中简单帧及复杂帧的划分以指定相似度为阈值进行划分。

进一步地，步骤1中所述预分类器根据检测目标的颜色特征判断当前帧中目标的前景和背景的相似性，并根据分类结果对当前帧进行分类。

进一步地，所述步骤2包括：

针对简单帧，仅选取CN单特征；