本發(fā)明屬于目標(biāo)跟蹤技術(shù)領(lǐng)域，涉及一種基于區(qū)域結(jié)構(gòu)樹(shù)的紅外夜視行人目標(biāo)跟蹤方法。

背景技術(shù)：

圖像目標(biāo)的跟蹤大致可以分為基于目標(biāo)模板的跟蹤和基于特征的跟蹤兩種形式。基于目標(biāo)模板的算法需要目標(biāo)模板變化不能太大，否則跟蹤穩(wěn)定性將大大降低，該類(lèi)算法不適用于行人等姿態(tài)多變的柔性目標(biāo)；基于特征的跟蹤算法隨著近年來(lái)圖像處理領(lǐng)域?qū)D像特征提取算法的研究不斷推進(jìn)而得到關(guān)注，該類(lèi)算法主要是提取目標(biāo)區(qū)域范圍內(nèi)的一類(lèi)或者多類(lèi)特征，以特征跟蹤的形式來(lái)替代對(duì)目標(biāo)模板本身的跟蹤。然而，目標(biāo)特征的提取方法多種多樣，有點(diǎn)特征、線特征、局部區(qū)域特征等。

車(chē)載紅外夜視系統(tǒng)，具有目標(biāo)形式多樣、背景形式多樣、環(huán)境形式多樣等情況，導(dǎo)致具體的目標(biāo)千差萬(wàn)別，對(duì)跟蹤的一致性、可靠性具有很高的挑戰(zhàn)。

技術(shù)實(shí)現(xiàn)要素：

(一)要解決的技術(shù)問(wèn)題

本發(fā)明要解決的技術(shù)問(wèn)題是：提供一種基于區(qū)域結(jié)構(gòu)樹(shù)的紅外夜視行人目標(biāo)跟蹤方法，解決在這樣高復(fù)雜條件下的各種行人目標(biāo)可靠跟蹤問(wèn)題。

(二)技術(shù)方案

為了解決上述技術(shù)問(wèn)題，本發(fā)明提供一種基于區(qū)域結(jié)構(gòu)樹(shù)的紅外夜視行人目標(biāo)跟蹤方法，其包括以下步驟：

S1：計(jì)算ROI區(qū)域；

S2：目標(biāo)區(qū)域特征樹(shù)提取；

S3：區(qū)域特征樹(shù)篩選；

S4：特征樹(shù)跟蹤及狀態(tài)更新；

S5：區(qū)域特征匹配，實(shí)現(xiàn)目標(biāo)跟蹤。

其中，所述步驟S1中，計(jì)算ROI區(qū)域包括以下過(guò)程：

初次設(shè)定目標(biāo)時(shí)，取比目標(biāo)大30％的區(qū)域作為ROI區(qū)域，ROI區(qū)域位于圖像邊界范圍內(nèi)；

在后續(xù)車(chē)輛及目標(biāo)運(yùn)動(dòng)過(guò)程中，根據(jù)車(chē)輛運(yùn)動(dòng)和目標(biāo)的狀態(tài)來(lái)重新計(jì)算ROI區(qū)域，首先，基于目標(biāo)狀態(tài)和車(chē)輛運(yùn)動(dòng)狀態(tài)進(jìn)行目標(biāo)和相機(jī)相對(duì)位置狀態(tài)估計(jì)；然后，進(jìn)行目標(biāo)狀態(tài)估計(jì)；接下來(lái)，進(jìn)行ROI估計(jì)，計(jì)算當(dāng)前ROI區(qū)域，ROI估計(jì)依據(jù)目標(biāo)歷史狀態(tài)進(jìn)行計(jì)算。

其中，所述步驟S2中，目標(biāo)區(qū)域特征樹(shù)提取分為兩個(gè)步驟，第一個(gè)步驟為圖像中區(qū)域特征提??；第二個(gè)步驟為區(qū)域特征聚類(lèi)。

其中，所述步驟S2中，圖像中區(qū)域特征提取依照MSER特征提取規(guī)則對(duì)圖像目標(biāo)區(qū)域構(gòu)建局部區(qū)域特征結(jié)構(gòu)樹(shù)，然后按照穩(wěn)定特征的判定規(guī)則對(duì)區(qū)域特征樹(shù)進(jìn)行篩選，得到一定數(shù)量的穩(wěn)定的區(qū)域特征所構(gòu)成的區(qū)域特征樹(shù)。

其中，所述步驟S2中，區(qū)域特征聚類(lèi)是將不同的區(qū)域特征分類(lèi)管理，以實(shí)現(xiàn)對(duì)柔性目標(biāo)跟蹤，包括以下過(guò)程：

假設(shè)目標(biāo)A由若干部件組成：

A＝{P₁ P₂ … P_N}

任意部件由若干區(qū)域特征組成：

其中N₁是該部件所包含的區(qū)域特征的數(shù)量，一個(gè)部件所包含的最少區(qū)域特征數(shù)量為2；

區(qū)域特征聚類(lèi)以各個(gè)區(qū)域特征的運(yùn)動(dòng)矢量為判別依據(jù)，如果運(yùn)動(dòng)方向一致，且運(yùn)動(dòng)速度差異不超過(guò)預(yù)設(shè)限度，則歸結(jié)為一個(gè)部件；

對(duì)于任意部件P_i內(nèi)的區(qū)域特征R_i，j，與其它任意該部件內(nèi)的區(qū)域特征，其運(yùn)動(dòng)矢量：

需要滿足匹配準(zhǔn)則：

部件之間可以交叉，一個(gè)區(qū)域特征可能會(huì)短時(shí)出現(xiàn)同時(shí)屬于兩個(gè)部件的情況；

運(yùn)動(dòng)聚類(lèi)是單一區(qū)域特征到部件再到目標(biāo)全特征結(jié)構(gòu)樹(shù)的聚類(lèi)過(guò)程，即目標(biāo)區(qū)域特征結(jié)構(gòu)樹(shù)是單一特征及部件子集的全集。

其中，所述步驟S3中，區(qū)域特征樹(shù)篩選包括以下過(guò)程：

S31：初始目標(biāo)區(qū)域特征樹(shù)篩選

如果目標(biāo)ROI區(qū)域過(guò)大，將特征區(qū)域的數(shù)量上限設(shè)定為100；

如果目標(biāo)ROI區(qū)域較小，所有計(jì)算出的區(qū)域特征均計(jì)入候選跟蹤區(qū)域特征集；

S32：候選跟蹤區(qū)域特征集篩選

根據(jù)跟蹤有效性約定，一個(gè)目標(biāo)區(qū)域所包含的區(qū)域特征數(shù)不超過(guò)100個(gè)，則候選跟蹤區(qū)域特征集內(nèi)的特征數(shù)量加上目標(biāo)區(qū)域樹(shù)中的特征數(shù)量總和不超過(guò)100，如果超過(guò)100，則依據(jù)特征穩(wěn)定性約束條件MaxVariation來(lái)進(jìn)行篩選，不斷增加約束條件，直至候選跟蹤區(qū)域特征的數(shù)量不超過(guò)100個(gè)。

其中，所述步驟S32中，

如果一個(gè)區(qū)域特征存在時(shí)長(zhǎng)超過(guò)3幀，那么加入到區(qū)域結(jié)構(gòu)樹(shù)的跟蹤序列中；

如果一個(gè)區(qū)域特征在區(qū)域結(jié)構(gòu)樹(shù)中的穩(wěn)定連續(xù)存在時(shí)長(zhǎng)超過(guò)3幀，則認(rèn)為該區(qū)域特征能夠支持部件及整個(gè)目標(biāo)；但如果3幀后丟失，則從區(qū)域結(jié)構(gòu)樹(shù)中刪除；

如果一個(gè)區(qū)域特征在區(qū)域結(jié)構(gòu)樹(shù)中的穩(wěn)定連續(xù)存在時(shí)長(zhǎng)超過(guò)20幀，那么后續(xù)如果丟失，則繼續(xù)維持三幀有效推測(cè)，如果三幀后仍然丟失，則從區(qū)域結(jié)構(gòu)樹(shù)中刪除；如果三幀內(nèi)區(qū)域特征重新找回，則認(rèn)為該區(qū)域特征從未丟失；

候選跟蹤區(qū)域特征集是指那些未能連續(xù)出現(xiàn)三次的特征集，也即連續(xù)出現(xiàn)次數(shù)為兩次和三次的特征區(qū)域。

其中，所述步驟S4中，特征樹(shù)跟蹤及狀態(tài)更新過(guò)程中，

特征樹(shù)的匹配更新流程為：

(1)輸入條件

輸入1：當(dāng)前目標(biāo)區(qū)域結(jié)構(gòu)特征樹(shù)TRST(TargetRegional Structure Tree)中；

輸入2：候選跟蹤區(qū)域特征集；

輸入3：當(dāng)前圖像幀提取的所有區(qū)域特征LRS(Local Region Set)；

(2)對(duì)于任意一個(gè)目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)TRST中的區(qū)域特征TRi，在LRS中搜尋其匹配區(qū)域特征：

如果找到匹配特征，則用新的區(qū)域特征屬性替代原特征所有屬性；

如果未找到匹配特征：

I.如果當(dāng)前區(qū)域特征的存在時(shí)長(zhǎng)大于等于20，則將其保留在目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)TRST中；

II.如果當(dāng)前區(qū)域特征的存在時(shí)長(zhǎng)小于20，則將其刪除；

(3)對(duì)于候選跟蹤區(qū)域特征集中的任意區(qū)域，在LRS中搜尋其匹配區(qū)域特征：

如果找到其匹配區(qū)域特征，且其匹配區(qū)域特征已與TRST中的某區(qū)域相匹配，則從候選跟蹤區(qū)域特征集中將該區(qū)域特征刪除；

如果找到其匹配區(qū)域特征，且其匹配區(qū)域特征未與TRST中的任意區(qū)域特征相匹配：

I.如果該后續(xù)區(qū)域特征出現(xiàn)時(shí)長(zhǎng)超過(guò)3幀，則將該特征加入到目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)中；

II.如果該后續(xù)區(qū)域特征出現(xiàn)時(shí)長(zhǎng)未超過(guò)3幀，則將該特征繼續(xù)保留在候選跟蹤區(qū)域特征集中；

如果未找到其匹配區(qū)域特征，則把該候選跟蹤區(qū)域特征從后續(xù)跟蹤特征集中刪除；

(4)更新部件狀態(tài)

將所有加入到目標(biāo)區(qū)域結(jié)構(gòu)特征樹(shù)中的區(qū)域特征進(jìn)行運(yùn)動(dòng)矢量聚類(lèi)，符合一致性判決條件的，則聚類(lèi)為一個(gè)部件，否則區(qū)域特征可作為一個(gè)獨(dú)立部件；

(5)更新候選跟蹤區(qū)域特征集

a.經(jīng)過(guò)步驟(5)，候選跟蹤區(qū)域特征集中的部分特征被刪除，部分特征被加入到目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)中，部分特征繼續(xù)保留在候選跟蹤區(qū)域特征集中；

b.對(duì)于當(dāng)前幀提取的LRS，如果其中的任意特征經(jīng)過(guò)前面的步驟未能加入到目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)中，且未能加入到候選跟蹤區(qū)域特征集中，則把該特征加入到候選跟蹤區(qū)域特征集中；即，LRS中的任意區(qū)域特征，經(jīng)過(guò)當(dāng)前幀的所有處理后，只有兩種情況，一加入到目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)中；二加入到候選跟蹤區(qū)域特征集中。

其中，所述步驟S5中，區(qū)域特征匹配過(guò)程為：

假設(shè)前后兩幀圖像的特征集為S_k-1和S_k，其中

N_k-1為S_k-1的特征數(shù)量，N_k為S_k的特征數(shù)量；

區(qū)域特征匹配準(zhǔn)則：

對(duì)于任意兩個(gè)區(qū)域特征：S_k-1，i和S_k，j，運(yùn)用它的匹配面積變化率、位移變化量去評(píng)估；

面積變化率為：AreaDif＝Area(S_k-1，i)-Area(S_k，j)；

位移矢量變化率為：

如果AreaDif小于面積匹配判定閾值A(chǔ)reaThr，則認(rèn)為這兩個(gè)區(qū)域特征面積是匹配的；

位移估算矢量：

則位移計(jì)算矢量和位移估算矢量之間的匹配為：

如果匹配矢量滿足下面兩個(gè)條件，則認(rèn)為兩者匹配：

由此實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。

其中，所述AreaThr取值0.2。

(三)有益效果

上述技術(shù)方案所提供的基于區(qū)域結(jié)構(gòu)樹(shù)的紅外夜視行人目標(biāo)跟蹤方法，將區(qū)域特征在跟蹤過(guò)程中進(jìn)行動(dòng)態(tài)聚類(lèi)，形成目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)TRST(TargetRegional Structure Tree)，運(yùn)用對(duì)目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)的跟蹤來(lái)實(shí)現(xiàn)對(duì)目標(biāo)本身的跟蹤，應(yīng)用于紅外夜視輔助駕駛系統(tǒng)，對(duì)車(chē)輛行駛前方夜視相機(jī)視場(chǎng)內(nèi)的行人目標(biāo)進(jìn)行檢測(cè)跟蹤；行人目標(biāo)跟蹤是紅外夜視輔助駕駛系統(tǒng)的必要組成部分，對(duì)目標(biāo)的跟蹤，可以提供目標(biāo)的運(yùn)動(dòng)方向、運(yùn)動(dòng)速度、存在時(shí)長(zhǎng)等若干信息，有利于對(duì)目標(biāo)對(duì)行車(chē)的危險(xiǎn)程度進(jìn)行更為準(zhǔn)確的評(píng)估，以有效提高輔助駕駛系統(tǒng)的可靠性。

附圖說(shuō)明

圖1為區(qū)域特征樹(shù)動(dòng)態(tài)演變圖例。

圖2為區(qū)域特征樹(shù)的簡(jiǎn)化模型動(dòng)態(tài)演變過(guò)程。

圖3為區(qū)域特征樹(shù)部件組成示例。

圖4為基于區(qū)域特征樹(shù)的目標(biāo)跟蹤整體流程。

圖5為ROI更新流程。

圖6為目標(biāo)區(qū)域特征樹(shù)示例。

圖7為目標(biāo)區(qū)域特征樹(shù)更新流程。

具體實(shí)施方式

為使本發(fā)明的目的、內(nèi)容、和優(yōu)點(diǎn)更加清楚，下面結(jié)合附圖和實(shí)施例，對(duì)本發(fā)明的具體實(shí)施方式作進(jìn)一步詳細(xì)描述。

本發(fā)明方法運(yùn)用三維區(qū)域特征樹(shù)來(lái)對(duì)目標(biāo)進(jìn)行描述，跟蹤過(guò)程中，不是對(duì)行人整體區(qū)域作為單一模板的跟蹤，而是對(duì)目標(biāo)區(qū)域特征樹(shù)進(jìn)行跟蹤。區(qū)域特征樹(shù)分為三級(jí)結(jié)構(gòu)，第一級(jí)為單一區(qū)域特征，即頁(yè)節(jié)點(diǎn)；第二級(jí)為部件模型，部件是由多個(gè)區(qū)域特征組合而成的局部組合；第三極也就是最高級(jí)，為目標(biāo)區(qū)域特征樹(shù)，它由部件和所有葉節(jié)點(diǎn)共同組成。如上所述，區(qū)域特征樹(shù)的跟蹤涉及到兩個(gè)問(wèn)題，一是區(qū)域特征的提??；二、區(qū)域特征樹(shù)構(gòu)建；三、特征樹(shù)篩選及動(dòng)態(tài)維護(hù)。

區(qū)域特征樹(shù)的變化，如圖1所示，該示例是一種最理想的變化過(guò)程。實(shí)際應(yīng)用中所提取的區(qū)域往往是不規(guī)則的，且區(qū)域特征的組織關(guān)系會(huì)千差萬(wàn)別，這就要求區(qū)域特征樹(shù)能夠在圖像變化的過(guò)程中，建立其彈性模型。假設(shè)我們以部件連接關(guān)節(jié)作為節(jié)點(diǎn)，則模型變?yōu)槿鐖D2所示。

以上為區(qū)域連接3D目標(biāo)模型，在此基礎(chǔ)上，每個(gè)節(jié)點(diǎn)會(huì)是一個(gè)獨(dú)立的部件。部件可能是一個(gè)單一特征區(qū)域，也可能是一個(gè)由若干特征區(qū)域構(gòu)成的子集，如圖3所示。如果區(qū)域節(jié)點(diǎn)不是葉子節(jié)點(diǎn)，這意味著它有子區(qū)域或子樹(shù)。

在3D區(qū)域結(jié)構(gòu)樹(shù)演變的過(guò)程中，任意節(jié)點(diǎn)可能消失，也可能會(huì)出現(xiàn)新的節(jié)點(diǎn)。任意節(jié)點(diǎn)具有其對(duì)應(yīng)的置信度，這里的置信度定義為特征的生存生命周期ET(ExistingTime)。區(qū)域特征樹(shù)的匹配跟蹤將從高置信度的開(kāi)始。在跟蹤過(guò)程中，該方法試圖在ROI區(qū)域內(nèi)計(jì)算搜索出區(qū)域特征樹(shù)。然而，這同時(shí)可能會(huì)將背景區(qū)域中的極值區(qū)域當(dāng)作是目標(biāo)的組成部分而加入到目標(biāo)動(dòng)態(tài)模型當(dāng)中。在目標(biāo)跟蹤過(guò)程當(dāng)中，如果目標(biāo)是運(yùn)動(dòng)的，那么需要?jiǎng)討B(tài)地對(duì)特征樹(shù)進(jìn)行修剪維護(hù)。

目標(biāo)運(yùn)動(dòng)過(guò)程中很容易局部受到前景目標(biāo)遮擋，或者背景強(qiáng)輻射干擾。比如一輛汽車(chē)從行人目標(biāo)后面經(jīng)過(guò)，其本身的發(fā)熱會(huì)極大地干擾到行人目標(biāo)的形態(tài)，此時(shí)會(huì)很容易導(dǎo)致目標(biāo)模型發(fā)生劇烈變化，這時(shí)很容易導(dǎo)致任何基于全局模板的跟蹤算法失效。但是如果這時(shí)能夠跟蹤頭部或腳部等有效局部區(qū)域，則同樣能夠?qū)崿F(xiàn)對(duì)目標(biāo)的跟蹤。如前述，在車(chē)輛行進(jìn)過(guò)程中，目標(biāo)特征樹(shù)的狀態(tài)實(shí)時(shí)更新，如目標(biāo)尺度變化、姿態(tài)變化、背景變化、場(chǎng)景灰階變化等都會(huì)對(duì)目標(biāo)的狀態(tài)造成影響。

鑒于上述分析，參照?qǐng)D4所示，本實(shí)施例行人目標(biāo)跟蹤方法包括以下步驟：

S1：計(jì)算ROI區(qū)域

初次設(shè)定目標(biāo)時(shí)，取比目標(biāo)大30％的區(qū)域作為ROI區(qū)域，ROI區(qū)域位于圖像邊界范圍內(nèi)。

在后續(xù)車(chē)輛及目標(biāo)運(yùn)動(dòng)過(guò)程中，需要根據(jù)車(chē)輛運(yùn)動(dòng)和目標(biāo)的狀態(tài)來(lái)重新計(jì)算ROI區(qū)域，具體計(jì)算流程如圖5所示，首先，基于目標(biāo)狀態(tài)和車(chē)輛運(yùn)動(dòng)狀態(tài)進(jìn)行目標(biāo)和相機(jī)相對(duì)位置狀態(tài)估計(jì)；然后，進(jìn)行目標(biāo)狀態(tài)估計(jì)；接下來(lái)，進(jìn)行ROI估計(jì)，計(jì)算當(dāng)前ROI區(qū)域，ROI估計(jì)依據(jù)目標(biāo)歷史狀態(tài)進(jìn)行計(jì)算，其原則是ROI范圍不能太大，以保證有效性；另外，ROI范圍要保證目標(biāo)盡量出現(xiàn)在其內(nèi)部中心區(qū)域。

S2：目標(biāo)區(qū)域特征樹(shù)提取

目標(biāo)區(qū)域特征樹(shù)的提取分為兩個(gè)步驟，第一個(gè)步驟為圖像中區(qū)域特征的提??；第二個(gè)步驟為區(qū)域特征的聚類(lèi)。

S21：區(qū)域特征提取

正如人眼所關(guān)注一樣，顯著性是一個(gè)非常重要的關(guān)注條件，而平滑區(qū)域作為顯著區(qū)域的一種，對(duì)于目標(biāo)的跟蹤及判別是一種較為穩(wěn)定的判斷輸入條件。區(qū)域特征提取依照MSER特征提取規(guī)則對(duì)圖像目標(biāo)區(qū)域構(gòu)建局部區(qū)域特征結(jié)構(gòu)樹(shù)，然后按照穩(wěn)定特征的判定規(guī)則對(duì)區(qū)域特征樹(shù)進(jìn)行篩選，得到一定數(shù)量的穩(wěn)定的區(qū)域特征所構(gòu)成的區(qū)域特征樹(shù)。如圖6所示，為一種目標(biāo)區(qū)域特征樹(shù)示例。

S22：區(qū)域特征聚類(lèi)

區(qū)域特征聚類(lèi)是將不同的區(qū)域特征分類(lèi)管理，以實(shí)現(xiàn)對(duì)柔性目標(biāo)跟蹤。柔性目標(biāo)通常由多個(gè)具有不同運(yùn)動(dòng)特征的部件所組成，各個(gè)運(yùn)動(dòng)部件具有在短時(shí)間內(nèi)具有獨(dú)立的運(yùn)動(dòng)特征，但是在較長(zhǎng)的時(shí)間軸上，與目標(biāo)本身的運(yùn)動(dòng)特征則具有一致性。例如人體的胳膊、腿。將區(qū)域特征聚類(lèi)，以為更好地對(duì)部件進(jìn)行描述，通過(guò)部件的跟蹤以在更長(zhǎng)的時(shí)間軸上實(shí)現(xiàn)對(duì)目標(biāo)的穩(wěn)定跟蹤。

假設(shè)目標(biāo)A由若干部件組成：

A＝{P₁ P₂ … P_N}

任意部件由若干區(qū)域特征組成：

其中N₁是該部件所包含的區(qū)域特征的數(shù)量，一個(gè)部件所包含的最少區(qū)域特征數(shù)量為2，否則該部件退化為一個(gè)頁(yè)節(jié)點(diǎn)，所以N₁＞1。

區(qū)域特征聚類(lèi)以各個(gè)區(qū)域特征的運(yùn)動(dòng)矢量為主要判別依據(jù)，如果運(yùn)動(dòng)方向一致，且運(yùn)動(dòng)速度差異不超過(guò)預(yù)設(shè)限度，則可以歸結(jié)為一個(gè)部件。

對(duì)于任意部件P_i內(nèi)的區(qū)域特征R_i，j，與其它任意該部件內(nèi)的區(qū)域特征，其運(yùn)動(dòng)矢量：

需要滿足匹配準(zhǔn)則：

部件之間可以交叉，一個(gè)區(qū)域特征可能會(huì)短時(shí)出現(xiàn)同時(shí)屬于兩個(gè)部件的情況；

運(yùn)動(dòng)聚類(lèi)是單一區(qū)域特征到部件(特征子集)再到目標(biāo)全特征結(jié)構(gòu)樹(shù)的聚類(lèi)過(guò)程，即目標(biāo)區(qū)域特征結(jié)構(gòu)樹(shù)是單一特征及部件子集的全集。

部件子集更新可能會(huì)重新包含進(jìn)新的單一特征，也可能將之前已有的單一特征排除在外，那么排除在外的特征則形成了新的目標(biāo)部件。部件的跟蹤可以有效地確認(rèn)目標(biāo)存在的有效范圍，進(jìn)而提高跟蹤效率。

S3：區(qū)域特征樹(shù)篩選

S31：初始目標(biāo)區(qū)域特征樹(shù)篩選

為提高目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)的有效性，如果目標(biāo)ROI區(qū)域過(guò)大，那么將特征區(qū)域的數(shù)量上限設(shè)定為100；如果超過(guò)100個(gè)，很容易有太多的零散不穩(wěn)定區(qū)域，則運(yùn)算效率會(huì)下降很多，而性能改進(jìn)無(wú)大多好處。

如果目標(biāo)ROI區(qū)域較小，一般提取的區(qū)域特征數(shù)量不會(huì)超過(guò)100個(gè)。此時(shí)，所有計(jì)算出的區(qū)域特征均計(jì)入候選跟蹤區(qū)域特征集。

S32：候選跟蹤區(qū)域特征集篩選

候選跟蹤區(qū)域特征集是指暫時(shí)存儲(chǔ)在跟蹤隊(duì)列當(dāng)中，但不屬于目標(biāo)區(qū)域樹(shù)的區(qū)域特征。根據(jù)跟蹤有效性約定，本算法限定一個(gè)目標(biāo)區(qū)域所包含的區(qū)域特征數(shù)不超過(guò)100個(gè)，則意味著候選跟蹤區(qū)域特征集內(nèi)的特征數(shù)量加上目標(biāo)區(qū)域樹(shù)中的特征數(shù)量總和不超過(guò)100。如果超過(guò)100，則依據(jù)特征穩(wěn)定性約束條件MaxVariation來(lái)進(jìn)行篩選，不斷增加約束條件，直至候選跟蹤區(qū)域特征的數(shù)量不超過(guò)100個(gè)。

S4：特征樹(shù)跟蹤及狀態(tài)更新

區(qū)域結(jié)構(gòu)樹(shù)由各個(gè)部件組成，各個(gè)部件對(duì)應(yīng)于不同的穩(wěn)定性度量。對(duì)于任意一個(gè)區(qū)域，其穩(wěn)定性度量由其生命周期ET來(lái)度量。ET越大，則說(shuō)明該區(qū)域長(zhǎng)期被長(zhǎng)期跟蹤，穩(wěn)定性較好。穩(wěn)定性好的區(qū)域，對(duì)于目標(biāo)確認(rèn)有較好的支撐作用。部件的確認(rèn)只能由部件的區(qū)域子結(jié)構(gòu)樹(shù)來(lái)支撐，如果部件的支撐區(qū)域特征不能滿足支撐條件，則該部件失效。部件的支撐條件即至少兩個(gè)有效的特征存在。如果只剩一個(gè)區(qū)域特征，則該部件退化為頁(yè)節(jié)點(diǎn)。

如果一個(gè)區(qū)域特征存在時(shí)長(zhǎng)超過(guò)3幀，那么加入到區(qū)域結(jié)構(gòu)樹(shù)的跟蹤序列中。

如果一個(gè)區(qū)域特征在區(qū)域結(jié)構(gòu)樹(shù)中的穩(wěn)定連續(xù)存在時(shí)長(zhǎng)超過(guò)3幀，那么認(rèn)為該區(qū)域特征是能夠支持部件及整個(gè)目標(biāo)的；但如果3幀后丟失，則從區(qū)域結(jié)構(gòu)樹(shù)中刪除；

如果一個(gè)區(qū)域特征在區(qū)域結(jié)構(gòu)樹(shù)中的穩(wěn)定連續(xù)存在時(shí)長(zhǎng)超過(guò)20幀，那么后續(xù)如果丟失，則繼續(xù)維持三幀有效推測(cè)，如果三幀后仍然丟失，則從區(qū)域結(jié)構(gòu)樹(shù)中刪除；如果三幀內(nèi)區(qū)域特征重新找回，則認(rèn)為該區(qū)域特征從未丟失；

候選跟蹤區(qū)域特征集是指那些未能連續(xù)出現(xiàn)三次的特征集，也即連續(xù)出現(xiàn)次數(shù)為兩次和三次的特征區(qū)域。

如圖7所示，特征樹(shù)的匹配更新流程為：

(1)輸入條件

輸入1：當(dāng)前目標(biāo)區(qū)域結(jié)構(gòu)特征樹(shù)TRST(TargetRegional Structure Tree)中；

輸入2：候選跟蹤區(qū)域特征集；

輸入3：當(dāng)前圖像幀提取的所有區(qū)域特征LRS(Local Region Set)；

(2)對(duì)于任意一個(gè)目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)TRST中的區(qū)域特征TRi，在LRS中搜尋其匹配區(qū)域特征：

如果找到匹配特征，則用新的區(qū)域特征屬性替代原特征所有屬性；

如果未找到匹配特征：

I.如果當(dāng)前區(qū)域特征的存在時(shí)長(zhǎng)大于等于20，則將其保留在目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)TRST中；

II.如果當(dāng)前區(qū)域特征的存在時(shí)長(zhǎng)小于20，則將其刪除；

(3)對(duì)于候選跟蹤區(qū)域特征集中的任意區(qū)域，在LRS中搜尋其匹配區(qū)域特征：

如果找到其匹配區(qū)域特征，且其匹配區(qū)域特征已與TRST中的某區(qū)域相匹配，則從候選跟蹤區(qū)域特征集中將該區(qū)域特征刪除；

如果找到其匹配區(qū)域特征，且其匹配區(qū)域特征未與TRST中的任意區(qū)域特征相匹配：

I.如果該后續(xù)區(qū)域特征出現(xiàn)時(shí)長(zhǎng)超過(guò)3幀，則將該特征加入到目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)中；

II.如果該后續(xù)區(qū)域特征出現(xiàn)時(shí)長(zhǎng)未超過(guò)3幀，則將該特征繼續(xù)保留在候選跟蹤區(qū)域特征集中；

如果未找到其匹配區(qū)域特征，則把該候選跟蹤區(qū)域特征從后續(xù)跟蹤特征集中刪除；

(4)更新部件狀態(tài)

將所有加入到目標(biāo)區(qū)域結(jié)構(gòu)特征樹(shù)中的區(qū)域特征進(jìn)行運(yùn)動(dòng)矢量聚類(lèi)，符合一致性判決條件的，則聚類(lèi)為一個(gè)部件，否則區(qū)域特征可作為一個(gè)獨(dú)立部件；

(5)更新候選跟蹤區(qū)域特征集

a.經(jīng)過(guò)步驟(5)，候選跟蹤區(qū)域特征集中的部分特征被刪除，部分特征被加入到目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)中，部分特征繼續(xù)保留在候選跟蹤區(qū)域特征集中；

b.對(duì)于當(dāng)前幀提取的LRS，如果其中的任意特征經(jīng)過(guò)前面的步驟未能加入到目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)中，且未能加入到候選跟蹤區(qū)域特征集中，則把該特征加入到候選跟蹤區(qū)域特征集中。即，LRS中的任意區(qū)域特征，經(jīng)過(guò)當(dāng)前幀的所有處理后，只有兩種情況，一加入到目標(biāo)區(qū)域結(jié)構(gòu)樹(shù)中；二加入到候選跟蹤區(qū)域特征集中。

S5：區(qū)域特征匹配

區(qū)域匹配是區(qū)域特征跟蹤及目標(biāo)區(qū)域樹(shù)動(dòng)態(tài)維護(hù)的前提。

一個(gè)區(qū)域特征在眾多區(qū)域特征中尋找到最優(yōu)的匹配區(qū)域的方式為：找出所有的面積相似和距離相近的匹配區(qū)域。

假設(shè)前后兩幀圖像的特征集為S_k-1和S_k，其中

N_k-1為S_k-1的特征數(shù)量，N_k為S_k的特征數(shù)量。

區(qū)域特征匹配準(zhǔn)則：

對(duì)于任意兩個(gè)區(qū)域特征：S_k-1，i和S_k，j，運(yùn)用它的匹配面積變化率、位移變化量去評(píng)估；

面積變化率為：AreaDif＝Area(S_k-1，i)-Area(S_k，j)；

位移矢量變化率為：

從上面的表達(dá)式可以看出，面積變化率是一個(gè)標(biāo)量，用標(biāo)量閾值進(jìn)行約束。如果AreaDif小于面積匹配判定閾值A(chǔ)reaThr，則認(rèn)為這兩個(gè)區(qū)域特征面積是匹配的。這里AreaThr取值0.2。

上面表達(dá)式可以看出，位移矢量變化率為矢量，位移計(jì)算矢量需要和位移估算矢量進(jìn)行對(duì)比。

位移估算矢量：

則位移計(jì)算矢量和位移估算矢量之間的匹配為：

如果匹配矢量滿足下面兩個(gè)條件，則認(rèn)為兩者匹配：

由此實(shí)現(xiàn)對(duì)目標(biāo)的跟蹤。

以上所述僅是本發(fā)明的優(yōu)選實(shí)施方式，應(yīng)當(dāng)指出，對(duì)于本技術(shù)領(lǐng)域的普通技術(shù)人員來(lái)說(shuō)，在不脫離本發(fā)明技術(shù)原理的前提下，還可以做出若干改進(jìn)和變形，這些改進(jìn)和變形也應(yīng)視為本發(fā)明的保護(hù)范圍。