[发明专利]基于TLD改进算法的视频车辆目标跟踪算法

摘要

基于TLD改进算法的视频车辆目标跟踪算法,首先输入视频，标定跟踪目标；其次使用LK光流跟踪器对目标进行跟踪，通过将视频帧均匀画网格，选取每个网格的左上角顶点为特征点，然后使用前向后向轨迹光流法来跟踪预测这些特征点在下一帧中的位置；并且对TLD跟踪器模块进行改进优化，引入Kalman滤波和粒子滤波，同时运用随机蕨分类器进行扫描，生成一个二进制的编码x。编码x指向决策树某个叶子节点的后验概率P_i(y\x)，其中y∈(0,1)。然后求得所有相互独立的决策树输出的后验概率的平均值；接着通过P‑N学习更新分类器；最后通过综合评估，显示准确度最高的跟踪目标。

主权项

1.基于TLD改进算法的视频车辆目标跟踪算法，其特征在于，包括以下步骤：第一步，输入视频，标定跟踪目标；第二步，初始化LK光流跟踪器和随机蕨分类器，对目标进行扫描和跟踪；TLD中的跟踪器使用的是一种基于前向后向轨迹的LK光流法；当前帧为It下一帧为It+1，前向后向轨迹光流法则在由It预测出It+1之后，利用It+1中预测得到的点，再做反向预测，即由It+1预测到It，通过这种前向后向轨迹预测得到一个位移偏差；如果反向预测得到的It中的特征点与原来已知的It中的特征点位移偏差大于阈值16，则将It+1中预测出的偏差较大的特征点排除；在舍去了当前帧中位移偏差较大的特征点之后，便获得了当前帧和下一帧中完全对应的点；分别对前后两帧中相互对应的点周围的图像区域做模板匹配，计算出图像区域之间的相似度，一旦相似度小于所有图像区域相似度的中值，则将这些相似度小的预测点进一步排除；分别计算剩余对应点之间x方向和y方向偏移量的中间值，作为新的预测框在x和y方向的尺度变化因子，再根据尺度变化因子求出下一帧预测框的位置和大小；以此类推，得到初步跟踪结果；随机蕨分类器由许多个基础分类器组成；分类器的处理对象与跟踪器的处理对象相同,均为当前图像帧,且分类器与检测器的工作同时进行；每一个基础分类器i在图像块上按照初始时确定的像素点对采集像素点对灰度的差值，生成一个二进制的编码x；编码x指向决策树某个叶子节点的后验概率P_i(y\x)，其中y∈(0,1)；然后求得所有相互独立的决策树输出的后验概率的平均值；平均值大于50％的图像块通过该分类器，输出结果作为标记样本进入下一模块；第三步，通过P‑N学习更新分类器；通过先验标记样本和未标记的样本来学习分类器；标记样本来源于分类器的输出结果；学习由两类结构约束组成，即正约束和负约束；约束对未被标记的样本进行标记分类，之后训练分类器；正约束是指将未知样本标记为正样本的约束条件，这里将靠近轨迹附近的样本标记为正样本；负约束是指将未知样本标记为负样本的约束条件，这里将远离轨迹的样本标记为负样本；设x为特征空间X中的一个样本，y表示对应的标记空间Y＝{‑1,1}中的一个标记，那么用集合{X,Y}来表示样本空间和对应的标记；P‑N学习根据已标记的样本集合{Xl,Yl}来建立分类器，并且训练样本，使用没有标记过的数据Xu来引导分类器工作；第四步，显示跟踪目标；根据P‑N学习机制更新随记蕨分类器，显示跟踪结果，再利用分类器判断出的目标框和跟踪器预测出的目标框,与实际目标进行比对，综合判断出最终的准确跟踪结果，以目标框的方式在视频中显示。