[发明专利]一种改进TLD的矿井下视频目标跟踪方法

摘要

本发明公开了一种改进TLD的矿井下视频目标跟踪方法，跟踪部分采用基于Mean‑Shift的跟踪算法，减小计算量同时做到煤矿井下环境的目标实时跟踪；检测部分首先用Kalman滤波来预估当前帧目标的中心位置，进行目标位置的区域预估，减少扫描窗口的数量，减小计算冗余；然后在预估区域使用动态自适应更新阈值的方差分类器进行检测，提高检测效率。本发明针对煤矿井下跟踪需求的特殊性，增强了算法在低照度情况下的目标跟踪准确率，有效应对目标外观剧烈变化和目标遮挡等复杂因素，增强了原算法的鲁棒性以适应实际需求。

主权项

1.一种改进TLD的矿井下视频目标跟踪方法，其特征在于，包含以下步骤：步骤1)，根据第一帧图像中标定的目标框，得到目标框的位置信息；步骤2)，将目标框的位置信息送入跟踪器进行跟踪：步骤2.1)，将颜色特征空间按预设的颜色值间隔分为m个特征值，计算每一个特征值在初始帧目标区域的所有像素中的概率，形成目标模型的描述：令x₀点为目标框的中心，目标框内像素位置记为x_u，u＝1,…,n，n为目标框内的总像素个数；概率分布w＝1,…,m，且由高斯核函数进行概率密度估计：其中，k(x)采用高斯核函数，h是高斯核函数的带宽，b(x_u)是像素在颜色直方图中的索引函数、表示x_u处像素所属的直方图区间，w是颜色直方图索引，δ是克罗内克函数、作用是判断x_u处与w处的特征值是否相等；c是归一化常数，步骤2.2)，建立当前帧中的候选模型p_w，y为前一帧的目标模型的中心位置；令候选区域像素位置记为x_v，v＝1,…,n_h，n_h为候选区域内的总像素数，则：其中，b(x_v)表示x_v处像素所属的直方图区间，归一化常数步骤2.3)，使用相似度函数来度量初始帧目标模型和当前帧候选模型之间的相似度，以找到与参考目标模型相似度最大的候选模型，q_w和p_w之间的相似度的具体公式如下：步骤2.4)，从前一帧的目标模型的中心位置y开始，搜索使相似度函数最大的候选区域，得到目标模型由前一帧的位置向当前帧位置移动的大小和方向，进而得到当前帧中目标模型的最终收敛位置，即当前帧中目标模型的位置：其中，y₁为当前帧中目标模型的中心位置，g(x)＝‑k′(x)；步骤2.5)，将当前帧中目标模型的位置作为跟踪器的跟踪结果输出；步骤3)，将目标框的位置信息送入检测器进行检测：步骤3.1)，按照预设的扫描比例、预设的水平移动步长阈值、预设垂直移动步长阈值、预设的最小扫描边界框阈值、通过滑动窗口的方法对当前帧图像进行多尺度扫描，产生若干扫描框；步骤3.2)，根据目标框的位置信息，使用Kalman滤波器预估得到当前帧目标模型的中心位置，以此为中心，将目标框的长宽均扩大Q倍，作为预估框，Q为大于1的数；步骤3.3)，判断步骤3.1)中得到的多个扫描框是否和所述预估框有交集，丢弃和预估框无交集的扫描框，得到若干个和预估框有交集的扫描框；步骤3.4)，将所述若干个和预估框有交集的扫描框分别依次送入方差分类器、集成分类器、最近邻分类器进行筛选，其中，所述方差分类器的过滤阈值D_t为正样本库中最近更新的样本方差、其在正样本库中为第t个样本方差，D_s为正样本库中第s个样本的方差；步骤3.5)，将方差分类器、集成分类器、最近邻分类器筛选过后的结果作为检测器的结果输出；步骤4)，跟踪器和检测器的结果送入学习模块，采用P‑N学习评估检测器结果、识别检测器产生的错误并对检测器进行更新；步骤5)，综合跟踪器和检测器的结果，得到最终跟踪结果：步骤5.1)，若跟踪器和检测器都没有输出结果则认为目标消失，此时不输出任何结果，在下一帧中由检测器重新检测，成功检测到目标后，将检测器得到的目标位置作为跟踪器的初始值，重复上述步骤；步骤5.2)，若跟踪器跟踪成功而检测器检测失败，则将跟踪器结果作为最后的输出，重复上述步骤；步骤5.3)，若跟踪器跟踪失败而检测器检测成功，则将检测器结果作为最后的输出，且用检测结果重新初始化跟踪器，重复上述步骤；步骤5.4)，若跟踪器和检测器都有输出结果，则先将检测器的结果进行聚类，再用聚类后的检测器结果和跟踪器结果加权平均得到最终结果，重复上述步骤。