一種支持目標尺寸變化的實時對象跟蹤方法
【技術領域】
[0001] 本發明屬于計算機視覺技術領域，具體涉及一種支持目標尺寸變化的實時對象跟 蹤方法。
【背景技術】
[0002] 實時目標跟蹤是智能視頻監控系統中非常重要的功能之一，也是計算機視覺領域 非常重要的研究方向之一。同時，目標跟蹤也可以為計算機視覺領域其他問題，如動作識 另IJ、視頻內容分析等問題提供良好的輸入數據。
[0003] 目標跟蹤算法可以簡單劃分為基于輪廓的目標跟蹤算法，基于特征匹配的目標跟 蹤算法和基于區域搜索的目標跟蹤算法。基于主動輪廓跟蹤的方法同時考慮了目標的灰度 信息以及目標輪廓的幾何信息，增強了跟蹤的可靠性;但是由于跟蹤過程是通過不斷地尋 找最優過程，計算量非常大，且對于高速運動的物體或者形變較大的情況，跟蹤效果不夠理 想。基于特征的跟蹤算法的優點在于對運動目標的尺度、形變和亮度等變化不敏感，即使目 標部分被遮擋，仍可以通過其他部分特征進行匹配跟蹤;但是這類方法對于視頻中噪聲比 較敏感，圖像特征的提取也依賴于各種特征算子及其參數的設置，此外，連續視頻幀之間的 特征也可能發生變化，難以匹配。基于區域的搜索方法的優點在于當目標未被遮擋時，跟蹤 精度非常高、跟蹤非常穩定;但這類方法的缺點是當搜索區域較大時需要大量的計算匹配， 其次，對于目標在視頻中發生的形變以及遮擋等情況的處理效果也很差。
[0004] 由于跟蹤目標距離相機的距離不同導致其在相機內成像大小發生變化，而目前效 果較好的跟蹤方法幾乎都沒有考慮目標成像縮放的問題，如Struck算法，壓縮感知算法 (CT)，核協同濾波算法(KCF)，局部稀疏外觀模型算法(ASLA)等，這無疑會導致跟蹤框精度 下降。而一些考慮縮放問題帶來的精度問題一般都是通過目標檢測的方式獲取到目標較為 準確的大小，再做關聯匹配的，然而這類方法在目標受到遮擋時經常會檢測不到或者檢測 錯誤，如TLD算法。針對這一問題，本發明通過建立目標位置與成像大小的映射函數來解決 縮放帶來的跟蹤框精度問題，同時對目標提取了局部的Haar-like特征、全局的顏色直方圖 信息以及空間位置的約束，增強了跟蹤的魯棒性，并且由于計算復雜度不高，能夠很好地達 到實時性的要求。
【發明內容】
[0005] 本發明的目的是解決目前目標跟蹤算法難以解決的目標尺寸變化的情況，提出了 一種支持目標尺寸變化的實時對象跟蹤方法，可以達到實時性，能夠準確的跟蹤目標，并且 跟蹤框的精度非常高。
[0006] 為完成本發明的目的，本發明采用的技術方案是一種支持目標尺寸變化的實時對 象跟蹤方法，包括以下步驟：
[0007] 步驟(1)、目標跟蹤預處理階段：
[0008] a)對于運動物體在視頻幀序列中成像大小的參數方程進行求解;首先根據手工標 定的不同運動物體在視頻幀序列中的矩形框位置及大小，利用最小二乘法對矩形框大小計 算公式的參數進行求解；
[0009] b)設定模板矩形框大小S;
[00?0] c)根據模板框rs大小在模板框內隨機生成Nh(Nh為常數，一般取模板框的長度或者 高度)個不同位置不同大小的Haar-1 ike特征；
[0011]步驟(2)、可變尺度跟蹤模型的初始化：
[0012] a)獲取需要跟蹤目標的視頻序列幀ft及目標初始位置矩形框r〇;
[0013] b)對每個Haar-like特征的特征值的概率分布進行初始化，對于每一個特征值作 為正樣本和負樣本均初始化為以特征值為中心位置的正態分布；
[0014] c)計算目標矩形框ro顏色直方圖H。作為全局特征；
[0015] d)初始化跟蹤目標在圖像中的運動速度為V〇= (0,0)(在圖像二維平面運動速度 為〇);
[0016] e)初始化跟蹤目標在當前幀的匹配度S = l;
[0017] f)跳到步驟(3)f)。
[0018] 步驟(3)、可變尺度跟蹤過程：
[0019] a)根據視頻上一幀目標位置r，在當前幀對應位置周圍進行采樣，采樣矩形框大小 根據當前采樣位置、初始位置矩形框ro以及步驟(l)a)得到的參數方程進行計算；
[0020] b)對于每一個采樣框，將其縮放到模板框大小，計算Nh個Haar-l ike特征值;利用 樸素貝葉斯分類器對每一個Haar-like特征值根據其對應的正態分布計算分類并求和，然 后通過sigmoid函數歸一化，得到局部特征的相似度；
[0021 ] c)對于每一個采樣框，計算其顏色直方圖Hi，利用Bhattacharrya系數計算H。和Hi 的距離，利用sigmoid函數歸一化，得到全局特征的相似度；
[0022] d)根據每一個采樣框的位置，計算其相對于上一幀的運動速度，與當前跟蹤目標 運動速度V。進行距離和角度比較，對空間運動關系進行約束，利用sigmoid函數歸一化，得 到空間位置相似度；
[0023] e)根據每一個采樣框的局部特征相似度、全局特征相似度以及空間位置相似度計 算最終的相似度，取最終相似度最大的采樣框作為當前幀的跟蹤目標的位置，若所有采樣 框的最終相似度的最大值小于一定閾值則認為跟蹤丟失，跳到步驟(4);否則，執行f)。 [0024] f)在跟蹤目標的位置r臨近的小范圍區域生成正樣本框，在跟蹤目標的位置r 一定 距離范圍的區域生成負樣本框，通過將正負樣本框縮放到模板框大小計算局部Haar-like 特征、全局顏色直方圖特征以及速度;對跟蹤目標的局部特征的概率分布、全局的顏色直方 圖信息以及運動速度進行更新，特別的，將當前幀所有候選目標采樣框中相似度最高的采 樣框的相似度作為學習率，進行動態的更新；
[0025] g)獲取視頻下一幀作為當前視頻幀，跳到步驟(3)a)，若無法獲取視頻下一幀，則 跳到步驟(4)。
[0026] 步驟(4)、目標跟蹤結束。
[0027]在預處理階段對視頻的成像進行了分析，得到了物體在視頻中成像大小與其位置 的關系。具體來說，在相機成像的圖像中，假設地平面上沿深度方向直線的消失點在圖像中 位置為Pv，物體與地面接觸點在圖像中成像位置為P，則必定存在一條直線，使得物體在圖 像中的大小，與Pv和P連線在該直線上的投影長度成線性的正比例關系(假設物體與地平面 接觸并且物體各個部分的位置處于同一深度）。又因為點在直線上投影是線性變換關系，所 以對于固定場景下的靜態相機而言，存在常數Μ、 &1、&2使得同一目標在相機中成像大小有 如下關系：
[0028]
[0029] 其中，size(u，v)表示目標處于圖像中坐標(u，v)處在圖像中的大小，size(UQ，vo) 表示目標處于圖像中坐標(u〇，VQ)處在圖像中的大小。對于常數的求解，利用最小二 乘法根據標定的不同運動物體在視頻幀序列中的矩形框位置及大小進行求解。
[0030] 在跟蹤階段，對生成候選目標位置的采樣框的大小會根據當前采樣位置以及初始 位置矩形框ro進行計算，得到較為準確的目標在圖像中的大小。
[0031] 對于特征匹配，采用了局部Haar-like特征和全局顏色直方圖特征以及空間位置 關系約束對目標進行跟蹤。具體來說，首先通過對當前幀圖像的不同顏色通道分別計算預 先定義好的Haar-1 ike特征，利用大量的Haar-1 ike特征充分表示跟蹤目標的局部特征，通 過樸素m Π+浙分悉翌講軒剌另丨匕