本發(fā)明屬于計算機視覺技術(shù)領(lǐng)域，特別涉及了一種抗遮擋的目標跟蹤方法。

背景技術(shù)：

近年來，視頻目標跟蹤作為計算機視覺研究領(lǐng)域中的一個關(guān)鍵技術(shù)，已廣泛應用到國防和民用的各個領(lǐng)域中，如醫(yī)學診斷、智能監(jiān)控、人機交互、導航制導等。視頻跟蹤在實際的應用當中還面臨著許多問題：比如：光照的變化、目標的姿態(tài)變化以及復雜的背景環(huán)境，而長時間目標跟蹤更是一個富有挑戰(zhàn)性的工作，難點在于處理累計誤差和漂移遮擋等問題上。

國內(nèi)外在視頻目標檢測與跟蹤領(lǐng)域比較常用的目標跟蹤算法有以下幾種:基于目標運動特征的跟蹤算法，如：幀差分法、基于光流的跟蹤方法等；基于視頻序列前后相關(guān)性的目標跟蹤算法，如：基于模板的相關(guān)跟蹤算法、基于特征點的相關(guān)跟蹤算法等；基于目標特征參數(shù)的跟蹤算法，如基于輪廓的跟蹤算法、基于特征點的跟蹤算法等。基于區(qū)域的跟蹤算法基本思想是：將目標初始所在區(qū)域的圖像塊作為目標模板，將目標模板與候選圖像中所有可能的位置進行相關(guān)匹配，匹配度最高的地方即為目標所在的位置。最常用的相關(guān)匹配準則是差的平方和準則(Sum of Square Difference,SSD)。文獻(IEEE Robust online appearance models for visual tracking,2003,25(10):1296-1311.)提出的基于紋理特征的自適應目標外觀模型，該模型可以較好的解決目標遮擋問題，且在跟蹤的過程中采用在線EM算法對目標模型進行更新。文獻(Object tracking in image sequences using point features,2005,38(1):105-113.)提出了一種基于點特征的目標跟蹤算法，該算法首先在多個尺度空間中尋找局部曲率最大角點作為關(guān)鍵點，然后利用提出的MHT-IMM算法跟蹤這些關(guān)鍵點。文獻(IEEE Geodesic active contours and level sets for the detection and tracking of moving objects.Pattern Analysis and Machine Intelligence,2000,22(3):266-280.)提出了一種用水平集方法表示目標輪廓的目標檢測與跟蹤算法，該方法首先通過幀間差分法得到目標邊緣，然后通過概率邊緣檢測算子得到目標的運動邊緣，通過將目標輪廓向目標運動邊緣演化實現(xiàn)目標跟蹤。文獻(IEEE Super pixel tracking,2011:1323-1330.)提出一種基于超像素的跟蹤方法，該方法在超像素基礎(chǔ)上建立目標的外觀模板，之后通過計算目標和背景的置信圖確定目標的位置，在這個過程中，該方法不斷通過分割和顏色聚類防止目標的模板漂移?；跈z測的跟蹤算法越來越流行。一般情況下，基于檢測的跟蹤算法都采用一點學習方式產(chǎn)生特定目標的檢測器，即只用第一幀中人工標記的樣本信息訓練檢測器。這類算法將跟蹤問題簡化為簡單的背景和目標分離的分類問題，因此這類算法速度快并且效果理想。這類算法為了適應目標外表的變化，一般都會采用在線學習方式進行自動更新，即根據(jù)自身的跟蹤結(jié)果對檢測器進行更新。

總體來說，傳統(tǒng)的跟蹤方法可基本分為兩種：一種是使用追蹤器根據(jù)物體在上一幀的位置預測它在下一幀的位置，但這樣會積累誤差，而且一旦物體在圖像中消失，追蹤器就會永久失效，即使物體再出現(xiàn)也無法完成追蹤；另一種方法是使用檢測器，對每一幀單獨處理檢測物體的位置，但這又需要提前對檢測器離線訓練，只能用來追蹤事先已知的物體，而且訓練樣本的差別會直接影響檢測器的性能。文獻(Tracking-Learning-Detection,2012,34(7):1409-1422)提出了一種新的TLD跟蹤算法，采用跟蹤器與檢測器并行處理的框架，并通過學習模塊不斷更新檢測器相應參數(shù)值，最終由整合模塊輸出跟蹤結(jié)果。該算法的優(yōu)點在于檢測器能夠?qū)Ω櫰鬟M行糾錯，同時跟蹤器也能為檢測器更新相應的參數(shù)值，對于姿態(tài)變化在一定范圍內(nèi)的目標能夠?qū)崿F(xiàn)持久跟蹤。不過在持久的目標跟蹤過程中，遮擋以及目標的姿態(tài)變化都是難以避免的，會導致漂移的問題。

技術(shù)實現(xiàn)要素：

為了解決上述背景技術(shù)提出的技術(shù)問題，本發(fā)明旨在提供一種抗遮擋的目標跟蹤方法，加入遮擋的檢測機制，提高跟蹤算法對漂移問題的抑制能力，實現(xiàn)持久穩(wěn)健的跟蹤。

為了實現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：

一種抗遮擋的目標跟蹤方法，包括以下步驟：

(1)根據(jù)初始的圖像幀，確定目標區(qū)域，初始化跟蹤器參數(shù)，跟蹤器通過該目標區(qū)域形成初始的目標模板，采用目標模板和背景模板稀疏表示候選目標：

式(1)中，為候選目標，T_t表示目標模板，為目標模板的系數(shù)，I表示背景模板，為背景模板的系數(shù)，下標t表示第t幀，上標i＝1,2,…,N，N為候選目標總數(shù)；

(2)初始化級聯(lián)檢測器；

(3)加入對目標遮擋情況的檢測機制，并自適應更新遮擋檢測的閾值；

(4)采用加入上述遮擋檢測的跟蹤器進行目標跟蹤，計算跟蹤結(jié)果的置信度，同時采用級聯(lián)檢測器估計目標在下一幀的位置及其置信度，據(jù)此得到最終的跟蹤結(jié)果；

(5)將跟蹤結(jié)果通過學習模塊來更新級聯(lián)檢測器的參數(shù)；如果跟蹤器跟蹤失敗，采用檢測器的結(jié)果初始化跟蹤器。

進一步地，步驟(3)的具體過程如下：

(a)將式(1)改進為如下式所示的求解l1問題：

式(2)中，A'＝[T_t,I]，μ_t是用來控制背景模板的權(quán)重，λ是學習率；

(b)分別將目標模板的系數(shù)和背景模板的系數(shù)進行轉(zhuǎn)置，得到

并據(jù)此得到判斷遮擋情況的目標模板閾值σ_T和背景模板閾值σ_I：

上式中，m為無遮擋情況下的初始幀數(shù)，n為目標模板的維數(shù)，d為背景模板的維數(shù)；

(c)在初始幀后的每一幀都計算該幀相應的目標模板閾值和背景模板閾值

(d)將與σ_T、σ_I進行比較，若且說明有遮擋，此時需要更新式(2)中的參數(shù)μ_t：

進一步地，上述學習率λ＝0.95。

進一步地，步驟(2)中的級聯(lián)檢測器由方差分類器、集合分類器和最近鄰分類器依次級聯(lián)而成，其初始化過程為，通過對初始目標區(qū)域的仿設(shè)變換形成相應的正負樣本，再將正負樣本分為訓練集和測試集，用訓練集訓練方差分類器、集合分類器和最近鄰分類器，得到待定的閾值，再用測試集對級聯(lián)檢測類器進行修正，完成對檢測器的初始化。

進一步地，在步驟(4)中，設(shè)δ₁、δ₂分別是跟蹤器和級聯(lián)檢測器的預設(shè)閾值，pt、pd分別是跟蹤器的級聯(lián)檢測器的結(jié)果置信度，當pt＞δ₁&pd＞δ₂時，當|pt-pd|＞預設(shè)值ε，將pt、pd中較大者對應的結(jié)果作為最終的跟蹤結(jié)果輸出，當|pt-pd|≤預設(shè)值ε，對跟蹤器和級聯(lián)檢測器結(jié)果進行加權(quán)處理后作為最終的跟蹤結(jié)果輸出。

進一步地，上述δ₁＝δ₂＝0.5，ε＝0.4。

采用上述技術(shù)方案帶來的有益效果：

本發(fā)明著重處理跟蹤過程中因目標遮擋而發(fā)生的漂移問題，加入遮擋的檢測，提高了跟蹤算法對漂移問題的抑制能力，實現(xiàn)持久穩(wěn)健的跟蹤。這對于交通監(jiān)控、醫(yī)學視頻處理、軍事安全監(jiān)控系統(tǒng)開發(fā)等方面，都具有重要的理論和實際意義。

附圖說明

圖1是本發(fā)明的基本流程圖。

具體實施方式

以下將結(jié)合附圖，對本發(fā)明的技術(shù)方案進行詳細說明。

如圖1所示，一種抗遮擋的目標跟蹤方法，包括以下步驟：

步驟1：根據(jù)初始的圖像幀，確定目標區(qū)域，初始化跟蹤器參數(shù)，跟蹤器通過該目標區(qū)域形成初始的目標模板，采用目標模板和背景模板稀疏表示候選目標：

式(1)中，為候選目標，T_t表示目標模板，為目標模板的系數(shù)，I表示背景模板，為背景模板的系數(shù)，下標t表示第t幀，上標i＝1,2,…,N，N為候選目標總數(shù)。

步驟2：初始化級聯(lián)檢測器。

級聯(lián)檢測器由方差分類器、集合分類器和最近鄰分類器依次級聯(lián)而成，其初始化過程為，通過對初始目標區(qū)域的仿設(shè)變換形成相應的正負樣本，再將正負樣本分為訓練集和測試集，用訓練集訓練方差分類器、集合分類器和最近鄰分類器，得到待定的閾值，再用測試集對級聯(lián)檢測類器進行修正，完成對檢測器的初始化。

步驟3：加入對目標遮擋情況的檢測機制，并自適應更新遮擋檢測的閾值。具體過程如下：

(1)將式(1)改進為如下式所示的求解最優(yōu)問題：

式(2)中，A'＝[T_t,I]，μ_t是用來控制背景模板的權(quán)重，λ是學習率，在本實施例中，λ＝0.95；

(2)分別將目標模板的系數(shù)和背景模板的系數(shù)進行轉(zhuǎn)置，得到

并據(jù)此得到判斷遮擋情況的目標模板閾值σ_T和背景模板閾值σ_I：

上式中，m為無遮擋情況下的初始幀數(shù)，n為目標模板的維數(shù)，d為背景模板的維數(shù)；

(3)在初始幀后的每一幀都計算該幀相應的目標模板閾值和背景模板閾值

(4)將與σ_T、σ_I進行比較，若且說明有遮擋，此時需要更新式(2)中的參數(shù)μ_t：

步驟4：采用加入上述遮擋檢測的跟蹤器進行目標跟蹤，計算跟蹤結(jié)果的置信度，同時采用級聯(lián)檢測器估計目標在下一幀的位置及其置信度，據(jù)此得到最終的跟蹤結(jié)果。

設(shè)δ₁、δ₂分別是跟蹤器和級聯(lián)檢測器的預設(shè)閾值，pt、pd分別是跟蹤器的級聯(lián)檢測器的結(jié)果置信度，當pt＞δ₁&pd＞δ₂時，當|pt-pd|＞預設(shè)值ε，將pt、pd中較大者對應的結(jié)果作為最終的跟蹤結(jié)果輸出，當|pt-pd|≤預設(shè)值ε，對跟蹤器和級聯(lián)檢測器結(jié)果進行加權(quán)處理后作為最終的跟蹤結(jié)果輸出。在本實施例中，δ₁＝δ₂＝0.5，ε＝0.4。

步驟5：將跟蹤結(jié)果通過學習模塊來更新級聯(lián)檢測器的參數(shù)；如果跟蹤器跟蹤失敗，采用檢測器的結(jié)果初始化跟蹤器。

以上實施例僅為說明本發(fā)明的技術(shù)思想，不能以此限定本發(fā)明的保護范圍，凡是按照本發(fā)明提出的技術(shù)思想，在技術(shù)方案基礎(chǔ)上所做的任何改動，均落入本發(fā)明保護范圍之內(nèi)。