CN110458862A - 一种遮挡背景下的运动目标跟踪方法 - Google Patents

Abstract

本方法提供一种图像匹配处理机制，涉及电子信息技术领域，能够解决在运动目标受到障碍物遮挡情况时跟踪失效的问题。具体的方案为：对视频图像处理之前，先将视频分帧获取初始帧图像，在初始帧中选取运动目标并且建模。在跟踪过程中如果判断目标进入遮挡区域，则引入一种新的预测算法作为目标运动预判机制，此时目标下一帧位置更多倾向于预测算法的预测位置而不是原算法的迭代位置，待目标重新出现时，转而用初始跟踪算法跟踪，目标初始位置由预测算法的预测区域提供。

Description

一种遮挡背景下的运动目标跟踪方法

技术领域

本发明属于图像处理及计算机视觉领域，尤其涉及运动目标检测与跟踪的方法和系统。

背景技术

近些年来由于社会需求的增加和计算机视觉技术的兴起，越来越多关于视频图像处理的需求被提出，而运动目标跟踪作为其中最重要组成部分，也逐渐在智能监控、精准制导和医学成像等多领域扮演越来越重要的角色。经过多年来众多学者和科研机构的研究，很多经典算法被提出，但往往只是针对某些特定场景，复杂环境中的目标跟踪仍然会出现各种各样的问题。

运动目标检测，就是通过建立背景模型将变化区域与图像帧分离，此类方法着重于消除扰动较小的背景噪声，代表算法有背景差分法、帧差法、光流法和混合高斯模型等。

运动目标跟踪是图像序列中的目标定位，即，根据特定的规则在后续图像序列中找到最接近目标模板的候选目标位置的过程。目标跟踪中常用到的目标特性有视觉特性，统计特征和变换系数特征。几种主流的跟踪方法如有：基于特征的目标跟踪、基于模型的目标跟踪、基于轮廓的目标跟踪和基于区域的目标跟踪。其中基于特征的目标跟踪很难实时确定目标的特征；基于模型的跟踪由于建模计算和模型的更新过程比较复杂，运算速度较慢，导致实时性较差，限制了应用的场景和范围；基于轮廓的目标跟踪在遇到移动较快或者形变较大的物体时，容易导致跟踪失败。

传统运动目标跟踪算法在正常情况下都可以正常运行，但是遇到障碍物遮挡和目标尺度变换等情况时会导致跟踪失败。由于目标跟踪技术的长久发展，一般情况下对于目标的跟踪技术已趋于成熟，而对于遮挡情况的处理相对较少，也更受关注。

发明内容

为克服上述技术的不足，提供一种遮挡背景下精准的目标跟踪方法，从而实现在背景遮挡情况下的运动目标跟踪。

本发明提供一种带预测机制的运动目标跟踪算法，包含运动位置预测模块、目标跟踪模块及显示模块。在视频首帧手动选定运动目标后建立目标模型，利用目标跟踪算法在视频后续帧中寻找相似度最高的区域。若遇到障碍物遮挡，待跟踪目标特征遗失，此时引入一种新的预测算法作为目标位置预测机制。此时，目标真实位置更大程度上取决于预测算法的预测结果而非跟踪算法的跟踪结果。待目标重新出现，再将预测算法预测的位置传递给原目标跟踪算法继续迭代，达到持续跟踪的目的。

本发明所述一种遮挡背景下运动目标跟踪方法，该方法如下：

获取初始帧图像；

对获取的初始帧图像进行检测，根据待跟踪目标的轮廓、角点等特点对目标初始化，以跟踪目标为中心，选取能够包含跟踪目标所有特征点的区域建立目标模型，等待下一步匹配。

判断候选区域中的目标：

目标模型建立后，在后续帧(候选目标模型)中寻找与目标模型最为相似的区域，相似度使用巴氏系数(Bhattacharyya系数,简称BH系数)衡量。在跟踪过程可能受到障碍物的干扰，当遮挡发生时设立阈值，若巴氏系数大于该阈值判断跟踪良好，直到完成对目标的跟踪；

若巴氏系数突然下降，则判断跟踪受到干扰。在候选目标区域中，根据前一帧跟踪结束时MeanShift算法迭代的位置区域传递给EKF 算法进行预测，此时预测结果即为跟踪结果；直至巴氏系数重新上升至阈值，继续将EKF的预测区域传递给原算法进行跟踪直至结束。

具体的步骤如下：

均值偏移目标跟踪算法的跟踪原理是：首先在待处理视频的第一帧初始化目标区域，一般使用鼠标勾选，计算初始化区域中目标的核函数模型直方图，然后计算下一帧即候选模型的直方图，两者相似程度用巴氏系数度量。跟踪窗口不断向密度密集处漂移，通过循环迭代可以计算运动目标位置，具体的实现步骤如下所示：

(1)在视频初始帧中选定待跟踪的目标，计算目标模型的概率密度q_u和目标初始位置y₀；

其中：{x_i}_i＝1,2,...n是存在于目标模型之内的所有像素点，且目标区域的中心为x₀，定义函数b(x_i)为x_i处像素点相应直方图的颜色索引值。K代表核函数，对不同位置的像素点进行加权处理。h为核窗宽，即核函数作用的区域，颜色索引函数δ为冲激函数。C为归一化函数，即所有特征值的概率和为1。

(2)计算当前帧中从y₀开始的候选目标模型p_u(y₀)；

运动目标的模型建立之后，要进行运动的匹配，这就要求在后续帧序列中找出相似的区域。将后续可能包含运动目标区域的视频帧称为候选目标模型，也就是在第n帧时，根据第n-1帧的目标位置y为搜索窗口中心坐标计算当前帧的候选目标区域直方图。该区域中n个像素用{x_i}_i＝1,2,...n表示，候选目标模型的特征值u＝1,2,...m的颜色概率估计密度为：

其中，y为区域中心点的位置，h为核窗宽，x_i为当前区域的样本点，其他参数如步骤1。

(3)计算候选目标模型内各像素点的权重和相似度；

在Meanshift算法中，为了衡量目标模型与候选目标区域对应直方图之间的相似性，引入了巴氏系数。搜索窗口以两个直方图相似度做为衡量标准，沿着密度增大的方向迭代到目标的真实位置。目标模型q_u与候选目标模型p_u的概率分布的相似程度ρ如下：

p_u(y)与q_u越相似，ρ(y)值越大，一般介于0到1之间。

(4)计算目标新位置y₁；

根据步骤3，要使得相似度达到最高，并且在当前帧中寻找目标新位置是从前一帧的目标估计位置y₀邻域内开始寻找。于是，必须先计算出当前候选目标模型的颜色概率p_u(y₀),u＝1,2...m，对ρ(y)在p_u(y₀) 处进行泰勒展开:

当相邻两帧间隔时间很小时，将步骤2公式带入上式得：

其中，w(x_i)是赋值给采样点x_i的权重。由此得到候选目标区域最佳位置：

(5)判断是否受到障碍物遮挡及遮挡程度。

由MeanShift运动目标跟踪算法原理可知：当目标跟踪遇到障碍物遮挡情况时，将会迭代出较大误差的观测值，而误差的大小与目标被遮挡程度有很大关系。因此要设计一种判断遮挡程度的方法和运动目标预测机制何时启用的规则。由EKF算法状态更新方程中卡尔曼增益的公式：

可知，EKF的滤波增益K_k与测量噪声协方差成反比。所以当严重遮挡时误差无限增大，卡尔曼增益变小，此时状态值应当以EKF的预测值为主。因此，在跟踪时提出遮挡因子作为遮挡程度的判断依据，代表在第k帧中运动目标区域像素数量与前一帧(k-1帧)中对应运动区域像素数量的比值。该遮挡因子被作为判断是否启用EKF滤波器预测目标位置的条件。假设第k帧与第k-1帧图像中运动目标区域像素数量分别为为P_k和P_k-1，则遮挡因子如下定义：

当遮挡因子取1时表示目标被完全遮挡，遮挡因子取值越大，表示遮挡越严重。有了判断遮挡的规则后，还要判断遮挡程度，因此设置一个阈值T，若遮挡因子小于该阈值T，说明目标未被遮挡或者被轻微遮挡，则式卡尔曼增益公式中测量噪声协方差取真实测量值当遮挡因子大于该阈值时说明目标被遮挡，则过程中测量噪声协方差取值如下：

由上式可以看出，当遮挡率小于设定阈值时，最终的结果更倾向于测量值，若遮挡因子大于该阈值，测量噪声趋于无穷大，卡尔曼增益趋于0，则由状态更新公式可知，最终的跟踪结果由预测值决定。

如果判断受到障碍物遮挡，则将未遮挡之前一帧原目标跟踪算法的迭代结果传递给新引入的目标位置预测算法继续进行目标的跟踪，在目标重新出现之前目标位置一直由预测算法的预测位置提供。如果正常情况，则转到下一步骤。

(6)获得更新位置y₁后，若||y₁-y₀||＜ε则停止迭代，否则返回步骤2。

设ε是一个很小的值，为判断跟踪是否达到终点的条件。若连续两次迭代后候选目标模型的质心相距小于这个极小值时，判定收缩到了密度极大值点，即依次跟踪完成。若距离没有达到距离，则判断跟踪未完成，继续进行对下一帧即候选目标模型的相似度对比，返回步骤2。

与现有技术相比较，本发明的技术优势体现在：

(1)引入了运动目标位置预测机制，所以克服了传统目标跟踪算法遇到障碍物遮挡情况时跟踪失败问题，能够得到更具鲁棒性的跟踪算法。

(2)传统目标跟踪算法在候选目标区域中于目标模型最为相似的区域时通过一次次迭代的方式对比相似性系数取得，而加入位置预测算法后，原目标跟踪算法在确定目标位置时首先由预测算法提供大致位置，缩小了搜索时间，降低算法复杂度。

附图说明

图(1)是遮挡背景下的运动目标跟踪方法的流程图。

Claims (9)

1.一种遮挡背景下的运动目标跟踪方法，其特征在于，系统主要包含视频初始化、视频处理模块和显示模块；在对视频目标跟踪之前首先对视频进行分帧处理，然后再初始帧手动选定待跟踪目标，此时，跟踪算法将目标建立目标模型，详情见图(1)说明。接下来在后续帧中寻找与目标模型最为相似的区域，其中用巴氏系数衡量。本文提出的算法就作用于视频处理模块，主要是实现在障碍物遮挡情况，即原跟踪算法失效的情况下对于目标的持续跟踪。最后，通过显示模块呈现。

2.一种遮挡背景下的运动目标跟踪方法，其特征在于，该方法如下：

获取当前帧图像；

首先对当前帧图像进行检测，提取运动目标特征信息；并且在初始帧中以所跟踪目标为中心选取候选区域，建立目标模型；

判断候选目标是否为跟踪目标：

目标模型建立后，在后续帧(候选目标模型)中寻找与目标模型最为相似的区域，相似度使用巴氏系数衡量。根据不同遮挡程度设立阈值，若系数大于该阈值判断跟踪良好，直到完成对目标的跟踪；

若巴氏系数突然下降，则判断跟踪受到干扰。在候选目标区域中，根据前一帧跟踪算法迭代的位置区域传递给EKF算法进行预测，此时预测结果即为跟踪结果直至巴氏系数重新上升至阈值，继续将EKF的预测区域传递给原算法进行跟踪直至结束。

3.根据权利要求1所述遮挡背景下的运动目标跟踪方法，其特征在于，该方法如下：

获取当前帧图像；

对当前帧图像进行检测，以获得满足条件特征的目标，所预设特征包括目标角点特征和颜色直方图等；

在当前帧中以目标位置为中心，选取能完全包括目标所有特征点的稍大区域作为候选目标区域；

通过判断候选目标模型是否和目标模型相似性决定运动目标的最佳位置。若跟踪正常进行，则使用原跟踪算法一直迭代，直到最后一帧。如果遇到障碍，则进行下一步处理；

将跟踪算法失效前最后一帧作为目标预测的第一帧，此时原始跟踪算法彻底失效，转而采用EKF的预测结果作为输出，直到预测结果即跟踪结果恢复到设定的阈值，再将EKF的预测区域传递给原算法进行跟踪直至结束。

4.根据权利要求2所述障碍物遮挡情况下运动运动的跟踪方法，其特征在于：该方法重复权2，实现视频图像中障碍物遮挡情况下的运动目标精确跟踪。

5.根据权利要求2或3所述一种遮挡背景下运动目标跟踪方法，其特征在于：在视频初始帧中选定待跟踪目标并且建立目标模型等待匹配。

6.根据权利要求2或3所述一种遮挡背景下运动目标跟踪方法，其特征在于：在视频序列的后续帧中寻找候选目标区域，并且建立候选目标模型。

7.根据权利要求2或3所述一种遮挡背景下运动目标跟踪方法，其特征在于：分别计算目标模型和候选目标区域内候选目标模型的相似度，使用巴氏系数(BH系数)衡量。

8.根据权利要求2或3所述一种遮挡背景下运动目标跟踪方法，其特征在于：根据本要求提出的遮挡因子和遮挡率判断合时启用目标的预测算法。

9.根据权利要求2或3所述一种遮挡背景下运动目标跟踪方法，其特征在于：根据阈值或者是否最后一帧判断跟踪是否跟踪完毕。