本發(fā)明屬于計(jì)算機(jī)視覺(jué)技術(shù)領(lǐng)域，涉及一種目標(biāo)跟蹤方法，更為具體的說(shuō)，是涉及一種融合上下文探測(cè)的弱結(jié)構(gòu)感知視覺(jué)目標(biāo)跟蹤方法。

背景技術(shù)：

視覺(jué)目標(biāo)跟蹤，是指以連續(xù)的視頻圖像序列作為輸入，對(duì)其中的特定目標(biāo)，在連續(xù)幀中確定該目標(biāo)所在位置或者所在的圖像區(qū)域。目標(biāo)跟蹤作為計(jì)算機(jī)視覺(jué)領(lǐng)域的一項(xiàng)重要研究，在眾多智能視覺(jué)系統(tǒng)中扮演重要角色。其典型的應(yīng)用包括智能監(jiān)控、自動(dòng)駕駛和人機(jī)交互領(lǐng)域。

近年來(lái)，許多研究人員針對(duì)視覺(jué)目標(biāo)跟蹤進(jìn)行了大量的研究，取得了長(zhǎng)足的進(jìn)展，在一些特定應(yīng)用領(lǐng)域克服了許多難題。然而對(duì)于視覺(jué)目標(biāo)跟蹤，在一些復(fù)雜的情況下，如目標(biāo)因?yàn)榭焖僖苿?dòng)、形體變形、遮擋、周?chē)h(huán)境而產(chǎn)生較大外形變化時(shí)，準(zhǔn)確跟蹤目標(biāo)依舊是一項(xiàng)困難的挑戰(zhàn)。對(duì)于一個(gè)沒(méi)有指定目標(biāo)類(lèi)型的泛型目標(biāo)跟蹤方法而言，跟蹤任意類(lèi)別的目標(biāo)將更為困難。

綜上可知，現(xiàn)有的目標(biāo)跟蹤方法在實(shí)際使用上存在局限性，所以有必要加以改進(jìn)。

技術(shù)實(shí)現(xiàn)要素：

為解決以上問(wèn)題，本發(fā)明針對(duì)泛型目標(biāo)跟蹤，公開(kāi)了一種魯棒的基于部件的目標(biāo)跟蹤方法。該發(fā)明有機(jī)結(jié)合目標(biāo)內(nèi)各個(gè)不同的部件，基于弱結(jié)構(gòu)感知機(jī)制提供目標(biāo)跟蹤解決方案。該方法采用特征點(diǎn)以及相關(guān)聯(lián)的特征描述符對(duì)各個(gè)目標(biāo)部件進(jìn)行建模表達(dá)，具備了如尺度不變性、旋轉(zhuǎn)不變性和光照不變性等的優(yōu)良特性，并顯著提高了跟蹤時(shí)的準(zhǔn)確性和穩(wěn)定性。

本發(fā)明所解決的技術(shù)問(wèn)題可采用如下的技術(shù)解決方案來(lái)實(shí)現(xiàn)：

本發(fā)明提供了一種融合上下文探測(cè)的弱結(jié)構(gòu)感知視覺(jué)目標(biāo)跟蹤方法，包括以下步驟：

步驟A，初始化跟蹤目標(biāo)，構(gòu)建跟蹤框架的外觀模型。

具體的，讀取視頻，在第一幀圖像用矩形包圍框b＝(x,y,w,h)標(biāo)識(shí)出目標(biāo)，其中x,y表示目標(biāo)框的左上角頂點(diǎn)坐標(biāo)，w和h則表示目標(biāo)框的寬和高。在包含了目標(biāo)的包圍框內(nèi)部及周?chē)鷧^(qū)域提取特征點(diǎn)以初始化目標(biāo)點(diǎn)集P_O和背景點(diǎn)集P_B。

步驟B，構(gòu)建相對(duì)目標(biāo)中心的運(yùn)動(dòng)模型。

具體的，對(duì)于在第t幀的每個(gè)特征點(diǎn)，設(shè)定它的運(yùn)動(dòng)狀態(tài)為其中δ表示該點(diǎn)相對(duì)目標(biāo)中心的位移向量；v為該點(diǎn)運(yùn)動(dòng)速度。

步驟C，讀取下一幀圖像。

步驟D，在本幀中利用自底向上的上下文探測(cè)對(duì)特征點(diǎn)進(jìn)行搜尋，將候選特征點(diǎn)與前一幀的特征點(diǎn)進(jìn)行匹配，得到特征點(diǎn)集合P_O與P_B中的特征點(diǎn)在本幀圖像的新位置。

具體的，為獲取局部區(qū)域的運(yùn)動(dòng)信息，將在特征點(diǎn)檢測(cè)區(qū)域進(jìn)行稀疏光流估計(jì)。對(duì)于在P_O、P_B中的每個(gè)活躍特征點(diǎn)(即在特征點(diǎn)匹配中正確匹配的點(diǎn))p_i，它在第t-1幀的位置為x_i,t-1。通過(guò)光流法對(duì)該點(diǎn)進(jìn)行光流估計(jì)，得到其光流向量V_i,t-1。根據(jù)光流信息，該點(diǎn)在第t幀的位置應(yīng)為x_i,t＝x_i,t-1+V_i,t-1。再?gòu)膞_i,t出發(fā)，反向估計(jì)從第t幀到第t-1幀的光流V′_i,t-1。得到x_i,t在第t-1幀中對(duì)應(yīng)的位置x′_i,t-1＝x_i,t+V′_i,t-1。設(shè)定閾值判斷x_i,t-1與x′_i,t-1的距離是否足夠相近。只有當(dāng)這兩個(gè)點(diǎn)足夠相近時(shí)，才認(rèn)定點(diǎn)p_i的光流估計(jì)是有效的。對(duì)于上面所說(shuō)的光流估計(jì)無(wú)效的點(diǎn)，利用在光流中局部運(yùn)動(dòng)一致的原理，可以借助周?chē)墓饬餍畔?，?duì)該點(diǎn)的光流進(jìn)行賦值。具體而言，如果光流向量集合的一致性指數(shù)大于某個(gè)閾值，則認(rèn)為該光流估計(jì)失效的特征點(diǎn)周?chē)鷧^(qū)域的光流具有一致性。在這種情況下，該特征點(diǎn)的光流與周?chē)鷧^(qū)域的光流也是一致的，把光流向量集合內(nèi)的中值賦值為該點(diǎn)的光流向量。

步驟E，對(duì)特征點(diǎn)的運(yùn)動(dòng)狀態(tài)進(jìn)行估計(jì)，獲知每個(gè)特征點(diǎn)的運(yùn)動(dòng)狀態(tài)。

步驟F，根據(jù)運(yùn)動(dòng)狀態(tài)估測(cè)潛在目標(biāo)中心位置，得到一組潛在目標(biāo)中心點(diǎn)集合，通過(guò)聚類(lèi)對(duì)目標(biāo)進(jìn)行定位。

具體的，對(duì)于每一個(gè)特征點(diǎn)p_i，它能夠產(chǎn)生一個(gè)在第t幀的對(duì)應(yīng)潛在目標(biāo)中心，對(duì)潛在目標(biāo)中心點(diǎn)集的聚類(lèi)，得到若干聚類(lèi)以及一些離群點(diǎn)。在聚類(lèi)集合中找出規(guī)模最大的聚類(lèi)，以此估算出在第t幀中，目標(biāo)的中心位置。

步驟G，更新目標(biāo)的寬度和高度。

具體的，假定P_O內(nèi)的特征點(diǎn)數(shù)量為N。在第t幀中，特征點(diǎn)p_i與其它特征點(diǎn)間的距離被保存在集合S_t,i＝{s_t,i,1,s_t,i,2,s_t,i,3,…s_t,i,N,}中。那么，每一對(duì)特征點(diǎn)之間的距離變化可以通過(guò)公式(3)計(jì)算得出：

則被跟蹤目標(biāo)在第t幀與第t-1幀之間的尺度變化可以估計(jì)為：γ_t＝med(R_t)，其中med(·)表示集合的中值。至此，根據(jù)公式(4)和公式(5)更新目標(biāo)的寬度和高度：

W_t＝γ_tW_t-1, (4)

H_t＝γ_tH_t-1. (5)

步驟H，構(gòu)建超像素核模型，構(gòu)造關(guān)于目標(biāo)的概率分布圖，檢測(cè)遮擋并更新模型。

具體的，采用超像素分割方法，生成超像素。利用目標(biāo)區(qū)域的初始化或者跟蹤結(jié)果，將像素標(biāo)記為目標(biāo)像素或者背景像素。對(duì)目標(biāo)周?chē)鷧^(qū)域進(jìn)行超像素分割，維護(hù)兩個(gè)超像素集合SP_O和SP_B。SP_O由目標(biāo)超像素構(gòu)成，而SP_B由背景超像素和半背景超像素構(gòu)成。基于超像素的特征對(duì)目標(biāo)超像素集合SP_O進(jìn)行聚類(lèi)，得到目標(biāo)的超像素核模型。對(duì)超像素集合中的每一個(gè)超像素，可以得到其特征。在超像素核模型中，依據(jù)該超像素特征，找出K個(gè)與它最相似的超像素聚類(lèi)。將利用這K個(gè)超像素聚類(lèi)，評(píng)估該超像素的目標(biāo)概率。將超像素內(nèi)所有像素的目標(biāo)概率等同于超像素本身的目標(biāo)概率，得到目標(biāo)周?chē)鷧^(qū)域的目標(biāo)概率圖。以此信息分離目標(biāo)區(qū)域和背景區(qū)域。對(duì)于一個(gè)生命值低于設(shè)定閾值并且成功跟蹤到的特征點(diǎn)，比較它在第t-1幀和第t幀對(duì)應(yīng)的平均目標(biāo)概率，如果差值大于某個(gè)閾值，則該特征點(diǎn)將不會(huì)參與到目標(biāo)狀態(tài)的估計(jì)中。在目標(biāo)周?chē)鷧^(qū)域生成目標(biāo)概率圖，可在跟蹤時(shí)感知遮擋情況的發(fā)生。當(dāng)目標(biāo)發(fā)生遮擋時(shí)，目標(biāo)的一部分甚至目標(biāo)整體會(huì)被場(chǎng)景中的物體覆蓋，這將直接導(dǎo)致目標(biāo)概率的下降。正是利用這一點(diǎn)，可感知目標(biāo)的遮擋。通過(guò)計(jì)算目標(biāo)概率比U_t，可以感知當(dāng)前目標(biāo)概率與之前目標(biāo)概率的變化，大致估測(cè)目標(biāo)被遮擋的比例。如果U_t的值較低，意味著在目標(biāo)區(qū)域大量的像素被認(rèn)定為背景像素，而這種情況很可能是由于目標(biāo)被遮擋了。設(shè)定當(dāng)U_t低于某閾值時(shí)，遮擋發(fā)生。在目標(biāo)被遮擋的情況下，模型將停止更新。對(duì)目標(biāo)概率圖進(jìn)行二值化處理，形成一張圖像掩膜。在對(duì)目標(biāo)特征點(diǎn)更新時(shí)，用這張關(guān)于目標(biāo)概率的掩膜濾除大部分非目標(biāo)特征點(diǎn)，挑選目標(biāo)概率高于某一閾值的特征點(diǎn)加入目標(biāo)特征點(diǎn)集合中。反之，則可加入背景特征點(diǎn)集合中。

重復(fù)執(zhí)行步驟C至步驟H，直至處理完所有圖像序列。

本發(fā)明的有益效果：

1.本方法采用特征點(diǎn)以及相關(guān)聯(lián)的特征描述符對(duì)各個(gè)目標(biāo)部件進(jìn)行建模表達(dá)。特征描述符具有十分優(yōu)秀的描述能力，具備了如尺度不變性、旋轉(zhuǎn)不變性和光照不變性等的優(yōu)良特性，可以有效應(yīng)對(duì)目標(biāo)跟蹤的一些挑戰(zhàn)情景。

2.針對(duì)目標(biāo)部分遮擋以及目標(biāo)內(nèi)部結(jié)構(gòu)不穩(wěn)定的問(wèn)題，本方法使用兩個(gè)部件集進(jìn)行基于部件的模型建模，分別對(duì)應(yīng)目標(biāo)及其周?chē)h(huán)境。對(duì)應(yīng)背景環(huán)境的部件集在目標(biāo)發(fā)生遮擋時(shí)可以輔助目標(biāo)定位，而目標(biāo)的部件集則負(fù)責(zé)在跟蹤時(shí)保證準(zhǔn)確和穩(wěn)定。此外引入自頂向下的上下文探測(cè)過(guò)程，通過(guò)構(gòu)建超像素核模型，為模型更新提供校驗(yàn)，并檢測(cè)遮擋情況。兩者相結(jié)合提升跟蹤在各種場(chǎng)景下的魯棒性。

3.針對(duì)目標(biāo)不規(guī)則形變，本方法采用結(jié)構(gòu)相對(duì)穩(wěn)定的部件進(jìn)行目標(biāo)定位。并且在跟蹤的過(guò)程中，通過(guò)弱結(jié)構(gòu)感知策略估計(jì)目標(biāo)狀態(tài)，動(dòng)態(tài)適應(yīng)目標(biāo)變化。并且引入自底向上的上下文探測(cè)過(guò)程，通過(guò)估計(jì)局部區(qū)域的像素級(jí)別的運(yùn)動(dòng)，輔助部件進(jìn)行一致的特征匹配，進(jìn)而實(shí)現(xiàn)一致的部件跟蹤。

附圖說(shuō)明

圖1是本發(fā)明的步驟流程圖。

圖2是本發(fā)明自底向上的上下文探測(cè)過(guò)程示意圖。

圖3是本發(fā)明自頂向下的上下文探測(cè)過(guò)程示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說(shuō)明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

本發(fā)明的基本思想是：維護(hù)目標(biāo)以及周?chē)鷧^(qū)域兩個(gè)部件集合，并利用空間結(jié)構(gòu)關(guān)系構(gòu)建他們與目標(biāo)的相對(duì)運(yùn)動(dòng)模型，據(jù)此生成潛在目標(biāo)中心。之后通過(guò)對(duì)潛在目標(biāo)中心的聚類(lèi)，剔除噪聲獲得精確的目標(biāo)位置。同時(shí)通過(guò)空間關(guān)系更新目標(biāo)尺寸。此外本發(fā)明使用自底向上的上下文探測(cè)方法，通過(guò)估計(jì)像素級(jí)的局部區(qū)域運(yùn)動(dòng)，為各部件提供一致的跟蹤信息；并使用自頂向下的上下文探測(cè)方法，通過(guò)構(gòu)建超像素核模型，為外觀模型更新和目標(biāo)定位提供了指導(dǎo)信息。

參見(jiàn)圖1，本發(fā)明公開(kāi)了一種融合上下文探測(cè)的弱結(jié)構(gòu)感知視覺(jué)目標(biāo)跟蹤方法，具體步驟如下：

步驟A，初始化跟蹤目標(biāo)，構(gòu)建跟蹤框架的外觀模型。

具體的，讀取視頻，在第一幀圖像用矩形包圍框b＝(x,y,w,h)標(biāo)識(shí)出目標(biāo)。在包含了目標(biāo)的包圍框內(nèi)部區(qū)域提取目標(biāo)特征點(diǎn)以初始化目標(biāo)特征點(diǎn)集P_O，并且初始的目標(biāo)中心C₀設(shè)定為該包圍框的中心點(diǎn)(x+w/2,y+h/2)。目標(biāo)區(qū)域的初始寬度W₀和高度H₀分別設(shè)定為包圍框的寬高w和h。而背景特征點(diǎn)集P_B則在包圍框周?chē)鷮?W₀，高2H₀的環(huán)形區(qū)域內(nèi)進(jìn)行初始化。

點(diǎn)集P_O中的每個(gè)點(diǎn)的具體表示為：p_i＝(x_i,d_i,δ_i,l_i,S_i)，其中表示該點(diǎn)在圖像中的笛卡爾坐標(biāo)；d_i∈Rⁿ是該點(diǎn)對(duì)應(yīng)的n維特征描述符；是該點(diǎn)相對(duì)于目標(biāo)中心的位移向量；l_i表示該點(diǎn)的生命值(當(dāng)一個(gè)特征點(diǎn)的生命值為0時(shí)會(huì)被剔除)，初始化為5；S_i表示該點(diǎn)與其它特征點(diǎn)的距離的集合。除了沒(méi)有距離集合S之外，P_B具有與P_O一致的表示方式。

步驟B，構(gòu)建相對(duì)目標(biāo)中心的運(yùn)動(dòng)模型。

具體的，對(duì)于在第t幀的每個(gè)特征點(diǎn)，設(shè)定它的運(yùn)動(dòng)狀態(tài)為其中δ表示該點(diǎn)相對(duì)目標(biāo)中心的位移向量；v為該點(diǎn)運(yùn)動(dòng)速度。目標(biāo)特征點(diǎn)的運(yùn)動(dòng)狀態(tài)使用m_t＝m_t-1+α_t進(jìn)行預(yù)測(cè)。其中α_t～N(0,α_O)是均值為0的高斯噪聲。背景特征點(diǎn)的運(yùn)動(dòng)狀態(tài)通過(guò)m_t＝Fm_t-1+β_t進(jìn)行預(yù)測(cè)，其中β_t～(0,β_O)。

步驟C，讀取下一幀圖像。

步驟D，在本幀中對(duì)特征點(diǎn)進(jìn)行搜尋，將候選特征點(diǎn)與前一幀的特征點(diǎn)進(jìn)行匹配，得到特征點(diǎn)集合P_O與P_B中的特征點(diǎn)在本幀圖像的新位置。

具體的，如圖2所示，為獲取局部區(qū)域的運(yùn)動(dòng)信息，將在特征點(diǎn)檢測(cè)區(qū)域進(jìn)行稀疏光流估計(jì)。對(duì)于在P_O、P_B中的每個(gè)活躍特征點(diǎn)(在特征點(diǎn)匹配中正確匹配的點(diǎn))p_i，它在第t-1幀的位置為x_i,t-1。通過(guò)LK光流法對(duì)該點(diǎn)進(jìn)行光流估計(jì)，得到其光流向量V_i,t-1。根據(jù)光流信息，該點(diǎn)在第t幀的位置應(yīng)為x_i,t＝x_i,t-1+V_i,t-1。再?gòu)膞_i,t出發(fā)，反向估計(jì)從第t幀到第t-1幀的光流V′_i,t-1。得到x_i,t在第t-1幀中對(duì)應(yīng)的位置x′_i,t-1＝x_i,t+V′_i,t-1。設(shè)定閾值判斷x_i,t-1與x′_i,t-1的距離是否足夠相近。只有當(dāng)這兩個(gè)點(diǎn)足夠相近時(shí)，才認(rèn)定點(diǎn)p_i的光流估計(jì)是有效的。

對(duì)于光流估計(jì)無(wú)效的特征點(diǎn)，利用局部運(yùn)動(dòng)一致的原理，可以借助周?chē)墓饬餍畔?，?duì)該點(diǎn)的光流進(jìn)行賦值。在特征點(diǎn)周?chē)杉疜LT特征點(diǎn)，并同樣對(duì)它們進(jìn)行光流估計(jì)。假設(shè)在一個(gè)光流估計(jì)失效的特征點(diǎn)周?chē)琄LT特征點(diǎn)的光流向量集合為其中q為KLT特征點(diǎn)的數(shù)量。然后找出該集合中的中值v_e。為了判定光流向量集合是否有一致性，定義光流向量v_j與中值v_e間的一致性指數(shù)為：

當(dāng)超過(guò)一定閾值(這里設(shè)定為0.6)時(shí)，認(rèn)為該光流估計(jì)失效的特征點(diǎn)周?chē)鷧^(qū)域的光流具有一致性，把中值v_e賦予該特征點(diǎn)。

為了更加精準(zhǔn)的定位，將利用特征點(diǎn)相關(guān)聯(lián)的特征描述符，對(duì)特征點(diǎn)p_i進(jìn)行匹配。如果p_i沒(méi)能匹配成功，它的生命值會(huì)被削減。

步驟E，使用卡爾曼濾波對(duì)特征點(diǎn)的運(yùn)動(dòng)狀態(tài)進(jìn)行估計(jì)，獲得每個(gè)特征點(diǎn)的運(yùn)動(dòng)狀態(tài)。

步驟F，根據(jù)運(yùn)動(dòng)狀態(tài)估測(cè)潛在目標(biāo)中心位置，得到一組潛在目標(biāo)中心點(diǎn)集合，通過(guò)聚類(lèi)對(duì)目標(biāo)進(jìn)行定位。

具體的，對(duì)于每一個(gè)特征點(diǎn)p_i，它能夠產(chǎn)生一個(gè)在第t幀的對(duì)應(yīng)潛在目標(biāo)中心c_t,i＝x_t-1,i+δ_t,i。對(duì)潛在目標(biāo)中心點(diǎn)集進(jìn)行聚類(lèi)，得到若干聚類(lèi)CT＝{ct₁,ct₂,ct₃,…}以及一些離群點(diǎn)。在聚類(lèi)集合CT中找出規(guī)模最大的聚類(lèi)ct^max，然后由這個(gè)規(guī)模最大的聚類(lèi)中的點(diǎn)來(lái)獲得目標(biāo)位置。

$C_t=\frac{{\mathrm{\Σ}}_{i=1}^k{l}_i{c}_{t,i}}{{\mathrm{\Σ}}_{i=1}^k{l}_i},c_{t,i}\∈{\mathrm{ct}}^{max}---\left(2\right)$

通過(guò)公式(2)，可以估算出在第t幀中，目標(biāo)的中心位置。

步驟G，更新目標(biāo)的寬度和高度。

具體的，假定P_O內(nèi)的特征點(diǎn)數(shù)量為N。在第t幀中，特征點(diǎn)p_i與其它特征點(diǎn)間的距離被保存在集合S_t,i＝{s_t,i,1,s_t,i,2,s_t,i,3,…s_t,i,N,}中。那么，每一對(duì)特征點(diǎn)之間的距離變化可以通過(guò)公式(3)計(jì)算得出：

則被跟蹤目標(biāo)在第t幀與第t-1幀之間的尺度變化可以估計(jì)為：γ_t＝med(R_t)，其中med(·)表示集合的中值。至此，根據(jù)公式(4)和公式(5)更新目標(biāo)的寬度和高度：

W_t＝γ_tW_t-1, (4)

H_t＝γ_tH_t-1. (5)

步驟H，構(gòu)建超像素核模型，構(gòu)造關(guān)于目標(biāo)的概率圖，更新模型。

具體的，如圖3所示，采用SLIC超像素分割方法，對(duì)目標(biāo)及周?chē)鷧^(qū)域進(jìn)行超像素分割，生成超像素。利用目標(biāo)的初始化或者跟蹤結(jié)果，維護(hù)兩個(gè)超像素集合SP_O和SP_B。SP_O由目標(biāo)超像素構(gòu)成，而SP_B由背景超像素和半背景超像素構(gòu)成?；诔袼氐奶卣鲗?duì)目標(biāo)超像素集合SP_O進(jìn)行聚類(lèi)，一個(gè)超像素聚類(lèi)被定義為：在此假設(shè)超像素聚類(lèi)符合高斯分布，其中為該高斯分布的均值向量估計(jì)，為該高斯分布的協(xié)方差矩陣估計(jì)。由公式(6)求出該超像素聚類(lèi)的目標(biāo)可靠度ω。

其中n_clst表示該超像素聚類(lèi)中的像素?cái)?shù)量，n_j表示在超像素集合SP_B中的超像素j的像素?cái)?shù)量。并且，

$G_j=f(\widehat{\mathrm{\μ}},\widehat{\Σ},{\mathrm{ft}}_j),---\left(7\right)$

這里的是高斯函數(shù)，ft_j表示在SP_B中的超像素j的特征。對(duì)于所有N_c個(gè)目標(biāo)超像素聚類(lèi)，將其目標(biāo)可靠度歸一化。由公式(9)得到目標(biāo)的超像素核模型：

$H\left(x\right)=\underset{i=1}{\overset{N_C}{\Σ}}{\mathrm{\ω}}_i{H}_i\left(x\right)---\left(9\right)$

其中

對(duì)超像素集合SP_t＝{sp_t,1,sp_t,2,sp_t,3,…}中的每一個(gè)超像素sp_t,i，可以得到其特征ft_t,i。在超像素核模型中，依據(jù)該超像素特征，找出K個(gè)與超像素sp_t,i最相似的超像素聚類(lèi)。利用這K個(gè)超像素聚類(lèi)，通過(guò)公式(10)評(píng)估超像素sp_t,i的目標(biāo)概率：

$op=\frac{{\mathrm{\Σ}}_{i=1}^K{H}_i{\mathrm{\ω}}_i}{{\mathrm{\Σ}}_{i=1}^K{\mathrm{\ω}}_i}---\left(10\right)$

將超像素內(nèi)所有像素的目標(biāo)概率等同于超像素本身的目標(biāo)概率，得到目標(biāo)周?chē)鷧^(qū)域的目標(biāo)概率圖。對(duì)于一個(gè)生命值低于設(shè)定值L并且成功跟蹤到的特征點(diǎn)，比較它在第t-1幀和第t幀對(duì)應(yīng)的平均目標(biāo)概率，如果差值大于某個(gè)閾值，則該特征點(diǎn)將不會(huì)參與到目標(biāo)狀態(tài)的估計(jì)中。

在目標(biāo)周?chē)鷧^(qū)域生成目標(biāo)概率圖，還能在跟蹤時(shí)感知遮擋情況的發(fā)生。當(dāng)目標(biāo)發(fā)生遮擋時(shí)，目標(biāo)的一部分甚至目標(biāo)整體會(huì)被場(chǎng)景中的物體覆蓋，這將直接導(dǎo)致目標(biāo)概率的下降。正是利用這一點(diǎn)，可感知目標(biāo)的遮擋。通過(guò)計(jì)算目標(biāo)概率對(duì)比，可以大致估測(cè)目標(biāo)被遮擋的比例：

$U_t=\frac{{\mathrm{ps}}_t}{{\widehat{ps}}_{t-1}}---\left(11\right)$

其中ps_t表示在第t幀目標(biāo)區(qū)域的目標(biāo)概率和；表示在第t-1幀時(shí)目標(biāo)區(qū)域在最近若干幀的平均目標(biāo)概率和。U_t直接感知當(dāng)前目標(biāo)概率與之前目標(biāo)概率的變化。如果U_t的值較低，意味著在目標(biāo)區(qū)域大量的像素被認(rèn)定為背景像素，而這種情況很可能是由于目標(biāo)被遮擋了。設(shè)定當(dāng)U_t低于某閾值時(shí)，遮擋發(fā)生。在目標(biāo)被遮擋的情況下，模型將停止更新。

對(duì)目標(biāo)概率圖進(jìn)行二值化處理，形成一張圖像掩膜，用于模型更新。在對(duì)目標(biāo)特征點(diǎn)更新時(shí)，用這張關(guān)于目標(biāo)概率的掩膜濾除大部分非目標(biāo)特征點(diǎn)，挑選目標(biāo)概率高于某一閾值的特征點(diǎn)加入目標(biāo)特征點(diǎn)集合中。反之，則可加入背景特征點(diǎn)集合中。

重復(fù)執(zhí)行步驟C至步驟H，直至處理完所有圖像序列。

以下對(duì)本發(fā)明方法進(jìn)行實(shí)驗(yàn)設(shè)置說(shuō)明，首先選擇要實(shí)驗(yàn)的視頻，并從第一張圖像中框選出帶跟蹤的目標(biāo)范圍，可以用中心坐標(biāo)和物體長(zhǎng)度寬度來(lái)確定目標(biāo)位置，稱(chēng)之為“感興趣范圍”。特征點(diǎn)及其描述符可采用SIFT、SURF或ORB的相應(yīng)特征點(diǎn)和描述符。實(shí)驗(yàn)中使用的參數(shù)固定，具體設(shè)定為：特征點(diǎn)的初始生命值L為5。在局部一致性運(yùn)動(dòng)賦值中，參數(shù)τ_e和δ_e分別為0.8和0.35。在基于部件的外觀模型中，本方法最多維護(hù)500個(gè)特征點(diǎn)，這個(gè)數(shù)量足夠?qū)崿F(xiàn)目標(biāo)模型表示，同時(shí)能夠控制計(jì)算量。在特征點(diǎn)更新中，如果特征點(diǎn)數(shù)量超出限制，生命值較少的特征點(diǎn)將被刪除。每隔13幀收集超像素分割的結(jié)果，并且每13幀對(duì)超像素集合SP_O進(jìn)行聚類(lèi)。

以上對(duì)本發(fā)明實(shí)施例所提供的融合上下文探測(cè)的弱結(jié)構(gòu)感知視覺(jué)目標(biāo)跟蹤方法進(jìn)行了詳細(xì)介紹，本文中應(yīng)用了具體個(gè)例對(duì)本發(fā)明的原理及實(shí)施方式進(jìn)行了闡述，以上實(shí)施例的說(shuō)明只是用于幫助理解本發(fā)明的方法及其核心思想；同時(shí)，對(duì)于本領(lǐng)域的一般技術(shù)人員，依據(jù)本發(fā)明的思想，在具體實(shí)施方式及應(yīng)用范圍上均會(huì)有改變之處，這些改進(jìn)和潤(rùn)飾也是為本發(fā)明的保護(hù)范圍。綜上所述，本說(shuō)明書(shū)內(nèi)容不應(yīng)理解為對(duì)本發(fā)明的限制。