一種基于自適應子塊篩選的多線索視覺跟蹤方法技術

本發明專利技術屬于視覺跟蹤領域，具體涉及一種基于自適應子塊篩選的多線索視覺跟蹤方法，包括以下步驟：(1)將目標區域進行顯著性檢測，結合均勻分塊得到候選子塊集合；(2)對候選子塊進行多尺度采樣，確定頻域響應較大的子塊及相應的尺度，更新候選子塊集合；(3)對候選子塊集合中的子塊進行運動估計，通過子塊的多線索融合，確定跟蹤目標的中心位置；(4)通過目標的當前位置，對每個子塊位置對應的高斯核進行更新，將不滿足要求的子塊重新初始化。本發明專利技術的方法能夠去除背景的干擾，充分利用中層特征的視覺限制性和高層語言的先驗約束，使得目標的定位更加準確，還具有步驟簡單、計算量小的優點，適合在具有遮擋的情況下進行視覺目標跟蹤。

【技術實現步驟摘要】
一種基于自適應子塊篩選的多線索視覺跟蹤方法
本專利技術屬于視覺跟蹤領域，更具體地，涉及一種基于自適應子塊篩選的多線索視覺跟蹤方法。
技術介紹
實際應用場景中，跟蹤對象往往因遮擋等原因導致表觀發生部分改變，目標的表觀模型需要體現目標表觀的變化。為此，在目標表觀建模時通常采用局部特征(如子塊)。在中國專利技術專利《一種新型的基于自適應分塊的視頻跟蹤方法》中公開了一種自適應分塊方法，利用視頻及圖像的內容信息，根據跟蹤的目標區域的特征而自動調整分塊策略，提高視頻跟蹤效果。在中國專利技術專利《一種新型的基于分塊策略的視頻跟蹤方法》中公開了一種子塊的分塊策略，根據小塊的顏色直方圖與其周圍小塊的顏色直方圖之間的相似度來判斷當前塊及周圍小塊是否發生遮擋，被檢測出發生遮擋的小塊在后面的粒子濾波算法中計算塊之間關系變化系數時，降低其所占的權重，從而減少遮擋現象對跟蹤方法準確性的影響。在中國專利技術專利《一種實時的視頻跟蹤方法》中，將跟蹤目標分割成子塊的方式壓縮圖像特征，并通過構建多尺度的候選區域以適應跟蹤目標的尺度變化以及快速移動，最后利用KCF(核化相關濾波器)算法計算特征向量之間的相關性以達到視頻跟蹤的目的。在這些方法中，均采用局部特征對表觀建模以適應遮擋等情形，通過均勻分塊的方法將目標劃分成子塊或小塊，子塊的數量和子塊的空間位置一般是固定的。均勻劃分得到的子塊數量較多，在后續的跟蹤流程中，無論是采用粒子濾波跟蹤框架，還是KCF跟蹤框架，都需要對每個子塊進行處理，算法的計算量與子塊的數量成正比。而在這些子塊中，存在大量的信息冗余，而且會引入對跟蹤結果產生干擾的背景信息，會引起視覺跟蹤中的漂移問題，影響跟蹤結果的準確性。由于存在上述缺陷和不足，本領域亟需做出進一步的完善和改進，設計一種視覺目標跟蹤方法，使其能夠克服現有技術中對跟蹤目標區域進行固定方式分塊方法的缺陷，以便滿足復雜跟蹤場景下的目標跟蹤的需要。
技術實現思路
針對現有技術的以上缺陷或改進需求，本專利技術提供了一種基于自適應子塊篩選的多線索視覺跟蹤方法，該方法為一種針對遮擋等復雜跟蹤場景提高視覺跟蹤算法性能的目標表觀表示和目標定位方法，依據先驗知識對子塊進行劃分和篩選，用更具視覺顯著性和頻域響應高的子塊表示目標，融合表觀、空域和時域信息對目標的運動進行估計，從而提高視覺跟蹤的準確性和對不同場景的適應能力。該方法可用于交通流量或社會監控等系統中對目標人或車輛進行自動監控。為實現上述目的，按照本專利技術的一個方面，提供了一種基于自適應子塊篩選的多線索視覺跟蹤方法，其特征在于，具體包括以下步驟：S1.采集圖像信息，將圖像信息進行劃分得到目標區域，對目標區域進行均勻分塊，并將目標區域的圖片進行顯著性檢測，根據視覺特征顯著程度得到候選子塊集合；S2.對步驟S1中得到的候選子塊集合中的候選子塊進行多尺度采樣，并對采樣進行核相關濾波，保留候選子塊集合中頻域響應較大的子塊，確定這些子塊的尺度，更新候選子塊集合；S3.將候選子塊集合中的子塊作為跟蹤目標，對子塊進行運動估計，計算每個子塊的表觀線索aci、空間分布線索sci和運動軌跡線索mci，由此計算得到跟蹤目標的當前位置；S4.通過步驟S3中得到的跟蹤目標的當前位置，對當前目標區域中的每個子塊位置對應的高斯核進行更新，將不滿足空間內聚性或運動一致性的子塊重新初始化。進一步優選地，在步驟S1中，對子塊進行劃分得到候選子塊集合的過程具體包括以下步驟：S1.1采集一幀圖像，得到目標區域,并對目標區域進行均勻分塊；S1.2將目標區域圖片作為顯著性檢測算法輸入，得到目標區域的顯著性圖；S1.3對步驟S1.2中得到的顯著性圖進行高斯平滑去除噪聲點；S1.4取顯著性圖的最大值點位置(x,y)，根據步驟S1.1的子塊劃分確定最大值點位置(x,y)所在子塊，將其加入候選子塊集合；S1.5將顯著性圖進行更新，去除步驟1.4中最大值點位置所在的子塊，重復步驟S1.4，得到新子塊，與候選子塊集合中的子塊進行重合度計算，如果均小于閾值τ，則將新子塊加入候選子塊集合；優選地，在步驟S1.2中，所述顯著性檢測算法為FT算法。優選地，對采樣后的候選子塊進行尺度篩選時，具體包括以下步驟：S2.1確定候選子塊集合中的子塊的搜索區域范圍和搜索區域模板尺寸；S2.2根據搜索區域范圍和搜索區域模板尺寸初始化高斯核；S2.3將每個子塊的頻域樣本按搜索區域模板尺寸進行縮放，并提取HOG特征，進行FFT變換得到子塊的多尺度樣本；S2.4將子塊的多尺度樣本與相應的高斯核進行相關性濾波，得到頻域響應，去除頻域響應較低的子塊，更新候選子塊集合；S2.5按照如下公式計算每個樣本的PSR值，在每個尺度下對所有子塊的PSR值求和，其中：其中gmax為響應的峰值，s為響應的旁瓣區域，μs和σs分別為旁瓣區域的均值和標準差；S2.6分析PSR值的求和值，將PSR值求和值最大的子塊的尺度確定為最佳尺度。優選地，步驟S3中，對候選子塊集合中的子塊進行運動估計的具體步驟如下：S3.1判斷子塊的運動，在候選子塊集合中剔除在相鄰幀圖像中的位移過大或者在相鄰圖像幀中的運動方向相對平均位移方向偏移過大的子塊；S3.2計算每個子塊的表觀線索aci、空間分布線索sci和運動軌跡線索mci，公式如下：aci＝PSRi其中PSRi是經歸一化后第i塊的PSR值，M表示經過步驟S3.1后剩余子塊的數目，(xi,yi)表示第i塊的坐標，(xs,ys)表示所有塊的中心位置，σs為距離標準差，(Δxi,Δyi)表示第i塊的運動向量，(Δxm,Δym)表示所有塊的平均運動向量，σm為運動標準差；S3.3計算wi＝rciwr+sciws+mciwm，其中(wr,ws,wm)表示三種線索的權重；S3.4令即得到跟蹤目標的當前位置。具體地，視覺目標跟蹤的流程一般分為表觀建模、目標運動估計與定位、模型更新等幾個階段。本專利技術在視覺跟蹤各個階段所采用的技術方案如下：目標表觀建模階段。為使對目標表觀進行表示的中層特征(即子塊)更具表達能力，在視頻第1幀對手工獲得的目標區域首先進行顯著性檢測，得到的顯著性圖作為子塊劃分的先驗知識。圖像的顯著性反映了圖像不同部位視覺特征的重要程度，往往視覺上更突出的部分更容易被捕捉，更有利于目標的定位。顯著性檢測算法可采用現有的算法，本專利技術中以FT顯著性檢測算法為例進行說明。由FT算法得到的顯著性圖可能存在異常值，為去除噪聲點，對顯著性圖進行高斯平滑。對目標區域進行快速的均勻分塊，高斯平滑后顯著性值最大的部分所對應的子塊選為第1個候選子塊。對去除第1個候選子塊區域后的顯著性圖重復上述操作，得到第2個子塊。為保證子塊的多樣性，避免子塊集中于目標的某個局部小區域，計算第2個子塊與第1個候選子塊的重合度，如果重合度高于一定閾值，第2個子塊會被選為候選子塊。重復上述步驟，得到候選子塊集。為適應實際應用中運動對象經常出現的由遠及近或由近及遠的尺度變化，對每個候選子塊采用圖像金字塔進行多尺度采樣。接下來通過頻域響應確定當前幀中最適合的子塊尺度。對子塊的多尺度樣本，提取圖像的HOG特征，進行FFT變換，得到頻域的樣本。頻域的圖像樣本與對應位置的高斯核進行相關性濾波，求取響應進一步對子塊進行篩選，并計算塊的PSR值。對當前尺度下所有塊的本文檔來自技高網...

【技術保護點】
一種基于自適應子塊篩選的多線索視覺跟蹤方法，其特征在于，具體包括以下步驟：S1.采集圖像信息，將圖像信息進行劃分得到目標區域，對目標區域進行均勻分塊，并將目標區域的圖片進行顯著性檢測，根據視覺特征顯著程度得到候選子塊集合；S2.對步驟S1中得到的候選子塊集合中的候選子塊進行多尺度采樣，并對采樣進行核相關濾波，保留候選子塊集合中頻域響應較大的子塊，確定這些子塊的尺度，更新候選子塊集合；S3.對候選子塊集合中的子塊進行運動估計，計算每個子塊的表觀線索ac

【技術特征摘要】
1.一種基于自適應子塊篩選的多線索視覺跟蹤方法，其特征在于，具體包括以下步驟：S1.采集圖像信息，將圖像信息進行劃分得到目標區域，對目標區域進行均勻分塊，并將目標區域的圖片進行顯著性檢測，根據視覺特征顯著程度得到候選子塊集合；S2.對步驟S1中得到的候選子塊集合中的候選子塊進行多尺度采樣，并對采樣進行核相關濾波，保留候選子塊集合中頻域響應較大的子塊，確定這些子塊的尺度，更新候選子塊集合；S3.對候選子塊集合中的子塊進行運動估計，計算每個子塊的表觀線索aci、空間分布線索sci和運動軌跡線索mci，由此計算得到跟蹤目標的當前位置；S4.通過步驟S3中得到的跟蹤目標的當前位置，對當前目標區域中的每個子塊位置對應的高斯核進行更新，將不滿足空間內聚性或運動一致性的子塊重新初始化。2.如權利要求1所述的方法，其特征在于，在步驟S1中，對子塊進行劃分得到候選子塊集合的過程具體包括以下步驟：S1.1采集一幀圖像，得到目標區域,并對目標區域進行均勻分塊；S1.2將目標區域圖片作為顯著性檢測算法輸入，得到目標區域的顯著性圖；S1.3對步驟S1.2中得到的顯著性圖進行高斯平滑去除噪聲點；S1.4取顯著性圖的最大值點位置(x,y)，根據步驟S1.1的子塊劃分確定最大值點位置(x,y)所在子塊，將該子塊加入候選子塊集合；S1.5將顯著性圖進行更新，去除步驟1.4中最大值點位置所在的子塊，重復步驟S1.4，得到新子塊，與候選子塊集合中的子塊進行重合度計算，如果均小于閾值τ，則將新子塊加入候選子塊集合。3.如權利要求1或2所述的方法，其特征在于，在步驟S1.2中，所述顯著性檢測算法為FT算法。4.如權利要求3所述的方...

【專利技術屬性】
技術研發人員：孫偉平，
申請(專利權)人：華中科技大學，
類型：發明
國別省市：湖北,42