一种抗遮挡目标轨迹预测跟踪方法

摘要

本发明涉及计算机视觉和模式识别技术领域，提出了一种抗遮挡目标轨迹预测跟踪方法。本发明包括选定目标，Kalman参数初始化，计算量化直方图；读取图像，计算跟踪窗口的位置和大小，校正目标的中心位置，设置下一帧图像搜索窗口中心位置；轨迹预报程序进行目标位置预报；求遮挡因子；根据被遮挡情况选择Kalman滤波器工作或转换为基于最小二乘支持向量机的轨迹预报：预报过程中若超过已定帧数仍未发现目标则认定跟踪失败；若发现目标，继续启用MeanShif目标跟踪算法和Kalman滤波器进行跟踪等。该方法能准确跟踪经过大面积遮挡后重新出现的目标，具有良好的实时性和抗干扰能力。

主权项

1.一种抗遮挡目标轨迹预测跟踪方法，其特征是具体步骤如下：(1).初始选定跟踪目标，Kalman参数初始化，计算目标的量化直方图；(2).读取图像，用MeanShift算法计算跟踪窗口的位置和大小，并将窗口的中心位置作为Kalman滤波的测量值，校正目标的中心位置，同时更新目标的状态及方差阵，Kalman滤波器的预测结果用于设置下一帧图像搜索窗口的中心位置；(3).将目标位置输出给轨迹预报程序，与跟踪程序并行做下一帧目标位置的预报；(4).根据方程$\alpha =\left\{\begin{array}{cc}\underset{i=1}{\overset{m}{\Sigma }}(q_u-p_u\left(y_0\right)),& \sqrt{\frac{q_u}{p_u\left(y_0\right)}}>\mathrm{\xi and}{p}_u\left(y_0\right)\ne 0\\ \underset{i=1}{\overset{m}{\Sigma }}{q}_u,& p_u\left(y_0\right)=0\mathrm{and}{q}_u\ne 0\\ 0,& \mathrm{otherwise}\end{array}\right.$求遮挡因子α，其中$q_u=\hat{C}\underset{i=1}{\overset{m}{\Sigma }}k\left({\left|\right|\frac{\hat{y}-{\hat{x}}_i}{\hat{h}}\left|\right|}^2\right)\delta [b\left({\hat{x}}_i\right)-u],$$p_u=\hat{C}\underset{i=1}{\overset{m}{\Sigma }}k\left({\left|\right|\frac{y-x_i}{h}\left|\right|}^2\right)\delta [b\left(x_i\right)-u],$ξ为遮挡程度参量，y₀为目标区域的中心位置，m为目标区域或候选区域内像素点个数，其中为的归一化系数，k(x)是核函数，为目标区域的模板中各个像素点，为模板中心，为处的像素值，b为定义函数，b：h²→{1，...，m}，为模板半径，δ(x)是离散冲击函数，$\delta [b\left({\hat{x}}_i\right)-u]=\left\{\begin{array}{cc}1& b\left({\hat{x}}_i\right)=u\\ 0& b\left({\hat{x}}_i\right)\ne u\end{array}\right.,$u为直方图中像素值，C为p_u(y)的归一化系数，x为候选区域的匹配对象中各个像素点，y为对象的中心，$\delta [b\left(x_i\right)-u]=\left\{\begin{array}{cc}1& b\left(x_i\right)=u\\ 0& b\left(x_i\right)\ne u\end{array}\right.,$h为对象的半径；(5).根据设定的阈值判断目标被遮挡情况：若α小于此阈值，返回步骤2继续下一帧计算；若α大于此阈值，Kalman滤波器停止工作，跟踪转换为基于最小二乘支持向量机的轨迹预报，利用前一段时间MeanShift收敛点的位置用最小二乘支持向量机预测下一帧可能起始点的值，然后在该起始点邻域内利用MeanShift目标预测算法对当前帧目标的位置进行搜索：(a)若未发现目标，继续进行基于最小二乘支持向量机的轨迹预报，若搜索超过已设定的帧数仍未发现目标则认定跟踪失败；(b)若发现目标，继续启用MeanShif目标跟踪算法和Kalman滤波器进行跟踪，并更新Kalman滤波器状态，返回步骤(2)开始下一帧计算；其中基于最小二乘支持向量机的轨迹预报方法包括：A、对于时间序列{x₁，x₂，x₃，...，x_n}，i＝1，2，...，n，{x_n}为预报的目标值，将{x_n-1，x_n-2，x_n-3，...，x_n-l}作为相关量，建立输入x＝{x_n-1，x_n-2，x_n-3，...，x_n-l}与输出y＝{x_n}之间的映射关系：R^l→R，l为嵌入维数；B、在训练回归模型中，组成如下的训练样本对：输入为x₁，x₂.....x_l，输出为x_l+l；输入为x₂，x₃.....x_l+l，输出为x_l+2，以此类推，由n个训练样本可以构建n-l个训练样本对，建立初始训练模型，当模型训练完成后，对未来第一步的预报形式为：${\hat{x}}_{n+1}=f(x_n,x_{n-1},···x_{n-l+1})$对未来第二步的预报形式为：${\hat{x}}_{n+2}=f({\hat{x}}_{n+1},x_n,···x_{n-l+2})$C、后续各步以此类推，对未来第p步的预报形式为：${\hat{x}}_{n+p}=f({\hat{x}}_{n+p-1},{\hat{x}}_{n+p-2},···x_{n+p-m})$式中，x_n表示第n个数据的实际值，表示第n个数据的预报值。