CN110400347A - 一种判断遮挡及目标重定位的目标跟踪方法 - Google Patents

Abstract

本发明公开一种判断遮挡及目标重定位的目标跟踪方法，属于目标检测跟踪领域。本发明包括：对任一目标跟踪过程，利用置信度函数的变化粗略判断是否出现遮挡；对初步判断为遮挡的区域，计算目标Local Binary Pattern特征与预选框Local Binary Pattern特征的巴氏距离，进一步确认是否遮挡；对于局部遮挡的情况，采用多峰值重定位的方法进行目标遮挡后的定位；对于严重遮挡或长时遮挡，则采用SVM(Support Vector Machine)检测重定位方法来进行准确定位。本发明能准确判断目标遮挡的情况，并有效解决遮挡过后目标重定位的问题。

Description

一种判断遮挡及目标重定位的目标跟踪方法

技术领域

本发明属于目标检测跟踪领域，具体涉及一种判断遮挡及目标重定位的目标跟踪方法。

背景技术

目标检测跟踪技术是近些年发展并投入应用的一项技术，也是当前一个重要的课题和研究热点。目标检测跟踪通过在连续的视频图像序列中估计跟踪目标的位置、形状所占区域，确定目标的运动速度、方向及轨迹等运动信息，实现对运动目标行为的分析和理解，以便完成更高级的任务，像导弹制导、军用无人机侦察、道路交通监控、人脸识别、智能监控等技术都离不开目标跟踪。

基于可见光图像的目标跟踪技术，其面临的一项主要挑战就来自目标遮挡。目前国内外对目标跟踪过程中遮挡问题以及遮挡之后的目标重定位问题有过大量的研究，像文章《一种基于MeanShift算法的目标跟踪系统的设计与实现》中介绍的，通过对目标中心特征点加权的方式，越是中心、越是主要的特征点权值越高，通过迭代搜索进行目标的重定位。而在文章《基于卡尔曼滤波器的在轨目标跟踪算法研究》中，利用卡尔曼滤波预测目标轨迹，当目标处在遮挡状态时，根据之前记录目标坐标预测遮挡过程中跟踪目标的轨迹，以确定遮挡状态下目标可能处在的位置。以上方法对目标遮挡问题起到了一定的效果，但是遮挡问题是复杂而且难以预料的，如果出现长时间严重遮挡的情况，卡尔曼滤波器也无法根据之前的轨迹来预测目标将要出现的位置，极其容易出现跟丢的情况。

在目标脱离遮挡后重新确定目标的位置，需进行目标重定位。目标重定位目前有基于响应的峰值重定位、SVM检测重定位等，但对一些具体的遮挡问题仍存在效果不佳的问题。因此本发明结合各自方法的优点，进行改进，针对不同遮挡条件下采用不同的重定位方法，来提高目标遮挡状态下跟踪器跟踪目标的效果。

发明内容

本发明是为了解决目标跟踪过程中的遮挡问题及重定位问题，对目标局部遮挡、严重遮挡都有很好的效果，适用于无人机侦察、视频监控等目标跟踪方面的目标遮挡及后续目标重定位问题。

本发明的目的是这样实现的：

一种判断遮挡及目标重定位的目标跟踪方法，包含以下步骤：

步骤一：对任一目标跟踪过程，利用置信度函数的变化粗略判断是否出现遮挡；

步骤二：对初步判断为遮挡的区域，计算目标Local Binary Pattern特征与预选框Local Binary Pattern特征的巴氏距离，进一步确认是否遮挡；

步骤三：判断目标受遮挡的情况；若置信度函数值降低之后在数帧内又恢复，则是短时或局部遮挡；若短时间内没有恢复，则是长时或严重遮挡；

步骤四：对于短时或局部遮挡，采用多峰值重定位的方法进行目标遮挡后的定位；

步骤五：对于长时或严重遮挡，则采用Support Vector Machine检测重定位方法来进行准确定位。

所述的步骤一包括：

读取图像，在目标跟踪过程中检测置信度函数值的变化，置信度函数值降低，说明候选框与目标模型匹配度下降，可能出现目标遮挡；用Δφ定义置信度变化率，并设置一个常数β，当Δφ<β时，粗判断为发生了遮挡。

所述的步骤四包括：

设计多峰值重定位方法，定义平滑函数为：

其中，(x,y)为以图像左上角为坐标原点建立的坐标系中的像素点，R_(x,y)代表置信度响应图局部最高值，R_(x+i,y+j)表示局部最高值邻域点，M表示平滑系数。

与现有技术相比，本发明的有益效果在于：

1、提出一种新的遮挡判断方法，能够准确地判断目标是否被遮挡，解决了其他情况导致的遮挡误判而带来的跟踪效果变差问题。

2、应对不同遮挡问题提出不同的目标重定位方法，有效解决目标被遮挡之后的重新定位问题，能精确定位目标被遮挡过后出现的位置，避免目标遮挡过后跟丢的问题。

附图说明

图1为方法流程图；

图2为置信度变化率变化曲线；

图3为正常跟踪时响应图的单峰值情况；

图4为遮挡过程中响应图的多峰值情况。

具体实施方式

本发明包括以下几个步骤：(1)对任一目标跟踪过程，利用置信度函数的变化粗略判断是否出现遮挡；(2)对初步判断为遮挡的区域，计算目标LBP(Local Binary Pattern，局部二值模式)特征与预选框LBP特征的巴氏距离，进一步确认是否遮挡；(3)对于局部遮挡的情况，采用多峰值重定位的方法进行目标遮挡后的定位；(4)对于严重遮挡或长时遮挡，则采用SVM(Support Vector Machine)检测重定位方法来进行准确定位。

本发明针对不同遮挡条件下采用不同的重定位方法，来提高目标遮挡状态下跟踪器跟踪目标的效果。

为了本发明技术方案更加明了，以下结合附图1中方法流程图，对方法步骤进行详细描述，其步骤包括：

步骤1：读取图像，若是第一帧图像则建立最初的目标模型和SVM检测器模板，以及提取目标LBP特征用于遮挡细判断的计算。

步骤2：若是跟踪过程中的图像则先进行遮挡粗判断，判断的方法是依据之前定义的置信度变化率Δφ的大小。

检测跟踪过程中置信度函数值(置信度函数值反映每一次跟踪结果的可靠程度，是目前许多经典的目标跟踪方法中常采用的重要数值)的变化，置信度函数值降低，说明候选框与跟踪目标模型匹配度下降，可能出现目标遮挡。为了能够粗判断是否出现遮挡，设计一个鲁棒的遮挡检测方法，令跟踪目标的置信度变化率Δφ为：

其中φ是置信度函数，φ_max(t)是在t帧预测的目标候选框中置信度最大的值，是跟踪过程中选择目标的置信度平均值：

根据附图2可以看出，当目标出现遮挡时，置信度变化率Δφ小于一定值，并在遮挡期间保持小于这个特定值的状态，于是可以定义一个常数β，当Δφ<β时，可以粗判断目标出现了遮挡。

步骤3：如果目标未出现遮挡，则正常更新模型滤波器，进行后续跟踪。

步骤4：如果粗判断出现遮挡，进一步计算第一帧提取的LBP特征与当前预测框的LBP特征的巴氏距离，根据LBP特征的旋转不变特性以及巴氏距离的定义，如果是由目标自身形变引起的置信度变化，计算得到的巴氏距离应较小；反之，如果是遮挡造成的置信度变化，巴氏距离应较大。据此可以对遮挡进行细判断，排除目标自身形变造成的遮挡误判。

具体为：

对判断为遮挡的部分进行区分。目标自身的形变会改变其特征，导致跟踪过程中置信度降低，与遮挡问题产生混淆。根据LBP特征旋转不变性的特点，利用巴氏距离来衡量跟踪目标的LBP特征与预选框LBP特征的相似性，对于同一个域中的两个向量p和q，巴氏距离被定义为：D_B(p,q)＝-ln(BC(p,q))，其中BC(p,q)是巴氏系数：

将两个LBP特征看作两个向量，计算其巴氏距离，并根据其值的大小来判断物体是否发生形变。综合以上可以准确判断目标是否产生了遮挡。

步骤5：如果是目标自身形变引起的遮挡误判，同步骤3正常进行跟踪，如果不是，则判断遮挡情况，进行后续目标重定位。

步骤6：判断目标受遮挡的情况。如果置信度函数值降低之后在数帧内又恢复，则是短时的、局部遮挡；若短时间内没有恢复，说明出现了长时的、严重遮挡。

步骤7：如果是局部遮挡的情况，跟踪器定位出错时的置信度响应图会有多个局部最优峰值，如附图3、附图4所示，多峰值的存在使得必须考虑其他峰值的影响。根据上述图形，可以看出，当跟踪目标被局部遮挡，定位出错的时候，在前期阶段，候选框置信度响应图会出现多峰值现象，并且不是单一孤立的峰值，是布局缓慢的上升和下降。孤立的峰值可能是由于噪声影响导致的，而呈现拱形的局部峰值说明了峰值坐标表示的候选框极有可能是真是的跟踪目标，这是由于循环矩阵的性质决定的。根据这种特性，本发明设计一种更加精确的定位方法，定义平滑函数为：

其中，(x,y)为以图像左上角为坐标原点建立的坐标系中的像素点，R_(x,y)代表置信度响应图局部最高值，R_(x+i,y+j)表示局部最高值邻域点，M表示平滑系数。当平滑系数大于一定的阈值γ，则说明这个局部最高点是平滑的，局部最高点代表的候选框极有可能是真实的跟踪目标。如果平滑的点满足2R(x,y)＞＝R_top，其中，R_top是最高点，本方法选取这个点，来进行二次提取特征，进一步判断是否为跟踪目标。

步骤8：对于不满足局部遮挡的情况，采用SVM检测器来辅助跟踪器进行目标重定位，与多峰值重定位相结合，可以有效应对各种情况下的目标遮挡问题。如果出现严重遮挡，由于不知道跟踪目标被遮挡的时间长短和运动的大致方向，很难预测目标会在哪个位置重新出现，跟踪器是无法实现定位的。跟踪器一般是在遮挡的背景区间内采样，找置信度相对较高的候选框当成跟踪目标并且更新目标模型，这样做会造成模型污染，与真实的跟踪目标匹配度降低。当检测到目标处于严重遮挡的情况下，自动激活SVM检测器辅助跟踪器进行定位并且停止更新跟踪器。SVM检测器从第一帧开始训练，为检测器准备正负样本。本方法在置信度高的帧数中，收集正负样本进行模板的训练。规定每经过5帧高的置信度跟踪，进行一次SVM模板的更新，以维持检测的鲁棒性。

Claims (3)

1.一种判断遮挡及目标重定位的目标跟踪方法，其特征在于，包含以下步骤：

步骤一：对任一目标跟踪过程，利用置信度函数的变化粗略判断是否出现遮挡；

步骤二：对初步判断为遮挡的区域，计算目标LocalBinary Pattern特征与预选框Local Binary Pattern特征的巴氏距离，进一步确认是否遮挡；

步骤三：判断目标受遮挡的情况；若置信度函数值降低之后在数帧内又恢复，则是短时或局部遮挡；若短时间内没有恢复，则是长时或严重遮挡；

步骤四：对于短时或局部遮挡，采用多峰值重定位的方法进行目标遮挡后的定位；

步骤五：对于长时或严重遮挡，则采用Support Vector Machine检测重定位方法来进行准确定位。

2.根据权利要求1所述的一种判断遮挡及目标重定位的目标跟踪方法，其特征在于，所述的步骤一包括：

读取图像，在目标跟踪过程中检测置信度函数值的变化，置信度函数值降低，说明候选框与目标模型匹配度下降，可能出现目标遮挡；用Δφ定义置信度变化率，并设置一个常数β，当Δφ<β时，粗判断为发生了遮挡。

3.根据权利要求1所述的一种判断遮挡及目标重定位的目标跟踪方法，其特征在于，所述的步骤四包括：

设计多峰值重定位方法，定义平滑函数为：

其中，(x,y)为以图像左上角为坐标原点建立的坐标系中的像素点，R_(x,y)代表置信度响应图局部最高值，R_(x+i,y+j)表示局部最高值邻域点，M表示平滑系数。