本发明专利技术公开了一种多特征提取逐步求精的高速移动目标跟踪算法，主要分三个阶段，分别是自适应多特征融合阶段，基于的多特征内核跟踪阶段，目标模型的自适应更新阶段。与现有技术相比，本发明专利技术的效果是明显的。本发明专利技术能够达到实时跟踪，在跟踪精度上也明显优于大多数跟踪算法。同时，本发明专利技术采用自适应模板更新机制，避免了模板漂移的问题。
【技术实现步骤摘要】
【专利摘要】本专利技术公开了，主要分三个阶段，分别是自适应多特征融合阶段，基于的多特征内核跟踪阶段，目标模型的自适应更新阶段。与现有技术相比，本专利技术的效果是明显的。本专利技术能够达到实时跟踪，在跟踪精度上也明显优于大多数跟踪算法。同时，本专利技术采用自适应模板更新机制，避免了模板漂移的问题。【专利说明】
本专利技术属于计算机视频跟踪领域，涉及一种基于特征的移动目标跟踪识别技术，尤其涉及。
技术介绍
随着计算机理论、技术应用的快速发展，视频图像处理能力和计算机表现性能已经逐步提高。在计算机科学与人工智能方面，计算机视觉已经成为非常受欢迎的研究工作。根据被跟踪目标信息使用情况的不同，可将视觉跟踪算法分为基于对比度分析的目标跟踪、基于匹配的目标跟踪和基于运动检测的目标跟踪。基于对比度分析的跟踪算法主要利用目标和背景的对比度差异，实现目标的检测和跟踪。基于匹配的跟踪主要通过前后帧之间的特征匹配实现目标的定位。基于运动检测的跟踪主要根据运动和背景运动之间的差异实现目标的检测和跟踪。 基于计算机视觉的目标跟踪在计算机视觉领域是一个非常重要挑战，它涉及目标的检测、特征提取、识别以及从视频序列中通过运动参数如位置、速度、加速度和物体的运动轨迹来跟踪物体。基于上述参数与深层过程分析来实现行为理解和完成高级任务，使得基于计算机视觉的目标跟踪已经成为一种广泛使用的技术，并吸引越来越多的研究者的目光。很多机构将它作为一个非常重要的研究领域，已经取得了许多令人瞩目的成就。 近年来，基于上述概念的大量跟踪算法被提出。其中，将跟踪目标和背景分为两个部分，并在不同特征的目标和背景之间设置两个方差比例，比如标准函数。当选择线性加权时，对N个特征进行最大程度的区别，然后把它和mean shift算法结合达到良好的效果。然而，这种算法不能更新mean shift跟踪模板，这可能会导致模板漂移问题。另外，基于自适应特征选择和定位测量调整算法通过计算贝叶斯跟踪偏差提取最好的特征，但提出的方法没有解决模板漂移问题。根据不同的颜色使用一个集群模型细分目标，并为每个颜色设计一个高斯模型来描述所有特征的区分度。这个方法不适合实际的场景，只有少数跟踪场景符合高斯分布。
技术实现思路
为了解决上述技术问题，本专利技术提供了一种能够达到实时跟踪、在跟踪精度上也明显优于大多数跟踪算法的多特征提取逐步求精的高速移动目标跟踪算法。 本专利技术所采用的技术方案是:，其特征在于，包括以下步骤: 步骤1:对于给定的包括N帧的视频序列，每帧均作为跟踪目标，WT=I帧开始，初始化该跟踪目标，分别设定该跟踪目标的目标区域和背景区域； 步骤2:提取该跟踪目标的目标区域的颜色特征、边界特征、纹理特征； 步骤3:分别计算目标的颜色特征、边界特征、纹理特征以及目标与背景的区分度； 步骤4:利用目标的颜色特征、边界特征、纹理特征的概率密度函数描述目标，分别将颜色特征、边界特征、纹理特征的目标与背景的区分度的大小，通过权重值及目标概率分布模型来获取该跟踪目标的目标特征融合模型，即初始目标模型； 步骤5:T = Τ+1,即针对第Τ+1帧跟踪目标，获取当前帧的包括颜色特征、边界特征、纹理特征的特征值概率密度函数的集合，作为当前候选目标模型； 步骤6:在Mean Shift框架下计算多特征融合后的目标位置并输出； 步骤7:计算当前帧每个跟踪目标的特征与初始目标模型对应特征的相似度，当相似度超过设定的值，将更新初始目标模型作为新的目标特征模型； 步骤8:重复执行步骤5至步骤7,直至T = N。 作为优选，步骤7中所述的更新初始目标模型作为新的目标特征模型，更新策略为M = (1-Lic) M^LicMc.其中Lic;是初始目标模型和当前候选目标模型的相似度，用Bhattacharyya系数表示Lie, Mi是初始目标模型，Mc是当前候选目标模型。 作为优选，步骤I中所述的设定跟踪目标的目标区域和背景区域，所述的目标区域通过一个矩形框选取，所述的背景区域是由另外一个更大的矩形框选取，背景区域矩形框长和宽分别是目标区域矩形框长和宽的2倍和1.2倍。 作为优选，步骤2中所述的颜色特征、边界特征、纹理特征的提取，其中颜色特征选择RGB颜色空间，边界特征通过Roberts算子提取，纹理特征选择局部二进制模式提取。 作为优选，步骤3中所述的计算颜色特征、边界特征、纹理特征的目标与背景的区分度，使用的是对数相似度函数，从而有效解决了加权直方图只能描述一个目标和背景的特征，而不能反映在这个特征下目标和背景的区分度问题。 作为优选，步骤5中所述的在Mean Shift框架下计算多特征融合后的目标位置，其核函数选择Epanechnikov函数作为内核函数。 与现有技术相比，本专利技术的效果是明显的。本专利技术能够达到实时跟踪，在跟踪精度上也明显优于大多数跟踪算法。同时，本专利技术采用自适应模板更新机制，避免了模板漂移的问题。 【专利附图】【附图说明】 图1:为专利技术实施例的流程图。 【具体实施方式】 为了便于本领域普通技术人员理解和实施本专利技术，下面结合附图及实施例对本专利技术作进一步的详细描述，应当理解，此处所描述的实施示例仅用于说明和解释本专利技术，并不用于限定本专利技术。 本专利技术关注的是基于特征的目标跟踪技术。在一个真正的序列图像场景分析中，任务将获得的超音速战斗机启动和飞行轨迹时作为研究背景。它使用一个高速摄像机直接跟踪和定位超音速战斗机的图像。研究中存在的问题之一，研究高速移动目标在跟踪过程中移动目标和背景的变化。即使相机是静态的，背景是静止不动的，捕获的图像序列可能是动态的，因为光照和噪声因素。超音速战斗机起飞阶段的跟踪过程中，背景变化快速切换。因此，如何描述超音速战斗机的目标是需要考虑的第一个问题。 一般来说，可以通过自适应跟踪方案和特征融合方法提高跟踪性能。融合方法通过合成不同的图像的特征来提高算法鲁棒性，即计算和融合多个目标的特征来获得最好的考虑也是有利于跟踪过程。跟踪性能是独立的单一特征的鲁棒性，可以由其它特征加以弥补。特征融合的主要问题之一是如何从特征信息中处理大量不同的和合理的信息。同时，一个良好的基于特征融合的跟踪算法需要在健壮性和普遍性之间的达到一定的妥协。 本实施例采用目前主流的matlab工具编程实现。其中计算量大的步骤使用matlab和c混编。本实施例采用一段高速飞行的战斗机起飞、飞行、降落的视频作为测试用例。 请见图1，本专利技术所采用的技术方案是:，包括以下步骤: 步骤1:对于给定的包括N帧的视频序列，每帧均作为跟踪目标，令T = I为第一帧，初始化超音速战斗机目标由外面矩形表示，表示为Rlt5背景是由一个更大的外部矩形表示，它的宽和高分别是R1的2倍和1.2倍，表示为R2。然后，战斗机目标的背景可以描述为R1和R2之间的区域。 步骤2:提取该跟踪目标的目标区域的颜色特征、边界特征、纹理特征；其中颜色特征选择RGB颜色空间，边界特征通过Roberts算子提取，纹理特征选择局部二进制模式提取。 步骤3:分别计算目标的颜色特征、边界特征、纹理特征以及目标与背景的区分度；其中计算颜色特征、边界特征、纹理特征的目标与背景的区分度，使用的是本文档来自技高网...
【技术保护点】
一种多特征提取逐步求精的高速移动目标跟踪算法，其特征在于，包括以下步骤：步骤1：对于给定的包括N帧的视频序列，每帧均作为跟踪目标，从T＝1帧开始，初始化该跟踪目标，分别设定该跟踪目标的目标区域和背景区域；步骤2：提取该跟踪目标的目标区域的颜色特征、边界特征、纹理特征；步骤3：分别计算目标的颜色特征、边界特征、纹理特征以及目标与背景的区分度；步骤4：利用目标的颜色特征、边界特征、纹理特征的概率密度函数描述目标,分别将颜色特征、边界特征、纹理特征的目标与背景的区分度的大小，通过权重值及目标概率分布模型来获取该跟踪目标的目标特征融合模型，即初始目标模型；步骤5：T＝T+1，即针对第T+1帧跟踪目标，获取当前帧的包括颜色特征、边界特征、纹理特征的特征值概率密度函数的集合，作为当前候选目标模型；步骤6：在Mean Shift框架下计算多特征融合后的目标位置并输出；步骤7：计算当前帧每个跟踪目标的特征与初始目标模型对应特征的相似度,当相似度超过设定的值，将更新初始目标模型作为新的目标特征模型；步骤8：重复执行步骤5至步骤7，直至T＝N。
【技术特征摘要】
【专利技术属性】
技术研发人员：何发智，孙俊，陈晓，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。