本發(fā)明屬于計算機視覺目標跟蹤領域，特別涉及用于抖動視頻中的目標跟蹤的方法。

背景技術：

隨著科技的發(fā)展，無人機航拍越來越熱門，而無人機航拍得到的視頻很難避免的會產(chǎn)生各種由于無人機的平移、晃動等導致拍攝的視頻具有嚴重的抖動情況。這些抖動現(xiàn)象會嚴重干擾對運動物體目標跟蹤的結果。而目前很多跟蹤算法，比如KCF(Kernelized Correlation Filters，核相關濾波)跟蹤算法等，在嚴重抖動的視頻中均會出現(xiàn)跟蹤失敗的情況。原因是這些跟蹤算法的跟蹤原理是默認相鄰幀目標物體運動位移小，因此只在當前幀中檢測與上一幀物體位置相同的區(qū)域(由于認為目標物體運動位移小，因此相鄰幀目標物體位置差別不大)。而在抖動比較嚴重的視頻中，當前幀目標物體的位置很可能與上一幀該物體位置位移差很大，因此會導致這些跟蹤算法無法正確跟蹤運動目標。

技術實現(xiàn)要素：

為克服現(xiàn)有技術的不足，針對現(xiàn)有跟蹤算法在抖動視頻中跟蹤失敗的情況，本發(fā)明旨在提出一種用于抖動視頻下目標跟蹤的改進算法。本發(fā)明采用的技術方案是，抖動視頻中目標跟蹤的方法，步驟如下：利用局部區(qū)域塊搜索匹配算法，計算出目標物體在當前幀與上一幀的位置坐標偏差，然后將該偏差補償至跟蹤算法的檢測區(qū)域，使得跟蹤算法可以正確跟蹤當前目標。

具體步驟進一步細化為：

(1)對于視頻第一幀，由用戶選擇出需要跟蹤的目標物體，得到目標物體的坐標范圍(x0，y0，w，h)，該坐標分別表示目標物體所在的外接矩形的左上角橫坐標x0與縱坐標y0，外接矩形沿著x軸方向的寬度w與沿著y軸方向的高度h；

(2)對于視頻第二幀，首先進行塊搜索匹配，如果目標物體比較小的話，在第一幀中選定目標物體區(qū)域作為匹配塊Block_i，其中下標i表示幀序號，第一幀i＝0，第二幀i＝2，以此類推，如果目標物體比較大的話，則選擇目標物體的一部分區(qū)域作為匹配塊Block_i；設匹配塊的長寬為M和N，由于視頻幀序列之間存在相對運動，導致隨后一系列視頻中的塊Block_i+1與前一幀的塊Block_i的位置發(fā)生偏移，假設x，y方向上最大偏移量分別為dx與dy，則在視頻當前幀中圍繞Block_i選定一個(M+2dx)*(N+2dy)搜索區(qū)域，根據(jù)最小絕對誤差準則，公式如下：

其中，MAD即為Minimum Absolute Difference，最小絕對誤差，f_k(s,t)和f_k-1(s+i,t+j)分別表示當前幀和參考幀的灰度值，匹配塊大小為M×N，s,t分別表示匹配塊內(nèi)的x和y方向坐標，i,j分別表示當前幀可能的匹配塊與參考幀匹配塊在x，y方向坐標差值。利用該準則在搜索區(qū)域中進行最小匹配搜索，得到最佳匹配塊Block，然后計算Block與Block_i的坐標差(offsetX，offsetY)，得到偏差之后，跟蹤算法在上一幀的檢測區(qū)域加上該偏差得到新的檢測區(qū)域，即將原來的檢測區(qū)域在x方向和y方向分別平移offsetX和offsetY距離得到新的檢測區(qū)域，然后跟蹤算法在此區(qū)域上做計算得到精確的目標位置，接下來將該位置更新為用于下一幀塊搜索匹配的Block_i+1；

(3)在接下的每一幀中，重復第二步的，即每次計算當前幀與上一幀的偏差，然后將該偏差補償至跟蹤算法上一幀的檢測區(qū)域得到當前幀的檢測區(qū)域，接著跟蹤算法在此區(qū)域上做計算得到精確的目標位置，同時更新塊Block_i+1，至此實現(xiàn)抖動視頻中目標跟蹤的功能。

本發(fā)明的特點及有益效果是：

本發(fā)明利用局部區(qū)域塊搜索匹配算法，精確的求出跟蹤目標區(qū)域抖動的分量，然后將該分量補償至目標跟蹤算法的檢測區(qū)域，使得目標跟蹤算法可以準確地跟蹤目標。該算法對于大抖動視頻中跟蹤小目標的效果更顯著。

附圖說明：

圖1：抖動視頻中目標跟蹤框架圖；

圖2：塊搜索匹配算法圖。

具體實施方式

本發(fā)明針對現(xiàn)有跟蹤算法在抖動視頻中跟蹤失敗的情況，提出一種用于抖動視頻下目標跟蹤的改進算法。本發(fā)明采用的技術方案是：利用局部區(qū)域塊搜索匹配算法，計算出目標物體在當前幀與上一幀的位置坐標偏差，然后將該偏差補償至跟蹤算法的檢測區(qū)域，使得跟蹤算法可以正確跟蹤當前目標。

本發(fā)明算法整體框架如圖1所示，主要步驟如下：

(1)對于視頻第一幀，由用戶選擇出需要跟蹤的目標物體，得到目標物體的坐標范圍(x0，y0，w，h)，該坐標分別表示目標物體所在的外接矩形的左上角橫坐標x0與縱坐標y0，外接矩形沿著x軸方向的寬度w與沿著y軸方向的高度h。

(2)對于視頻第二幀，首先進行塊搜索匹配。如果目標物體比較小的話，在第一幀中選定目標物體區(qū)域作為匹配塊Block_i(其中i表示幀序號，第一幀i＝0，第二幀i＝2，以此類推)，如果目標物體比較大的話，則可以選擇目標物體的一部分區(qū)域作為匹配塊Block_i(可以加快匹配速度)。設匹配塊的長寬為M和N。由于視頻幀序列之間存在相對運動，導致隨后一系列視頻中的塊Block_i+1與前一幀的塊Block_i的位置發(fā)生偏移，假設x，y方向上最大偏移量分別為dx與dy。則在視頻當前幀中圍繞Block_i選定一個(M+2dx)*(N+2dy)搜索區(qū)域，根據(jù)最小總絕對誤差準則，公式如下：

其中，MAD即為Minimum Absolute Difference，最小絕對誤差，f_k(s,t)和f_k-1(s+i,t+j)分別表示當前幀和參考幀的灰度值，匹配塊大小為M×N，s,t分別表示匹配塊內(nèi)的x和y方向坐標，i,j分別表示當前幀可能的匹配塊與參考幀匹配塊在x，y方向坐標差值。利用該準則在搜索區(qū)域中進行最小匹配搜索，得到最佳匹配塊Block，然后計算Block與Block_i的坐標差(offsetX，offsetY)。塊搜索匹配算法如圖2。得到偏差之后，跟蹤算法在上一幀的檢測區(qū)域加上該偏差得到新的檢測區(qū)域(即將原來的檢測區(qū)域在x方向和y方向分別平移offsetX和offsetY距離得到新的檢測區(qū)域)，然后跟蹤算法在此區(qū)域上做計算得到精確的目標位置。接下來將該位置更新為用于下一幀塊搜索匹配的Block_i+1。

(3)在接下的每一幀中，重復第二步的，即每次計算當前幀與上一幀的偏差，然后將該偏差補償至跟蹤算法上一幀的檢測區(qū)域得到當前幀的檢測區(qū)域，接著跟蹤算法在此區(qū)域上做計算得到精確的目標位置。同時更新塊Block_i+1。

至此便實現(xiàn)抖動視頻中目標跟蹤的功能。

本發(fā)明提出抖動視頻中目標跟蹤的方法，下面結合具體實施方式對本發(fā)明作進一步的詳細說明。

測試環(huán)境：Windows7 64位Microsoft Visual Studio 2015

首先從github上下載KCF跟蹤算法源代碼(KCF源代碼地址：https://github.com/joaofaro/KCFcpp)，此算法在抖動視頻中跟蹤效果很差，經(jīng)常會跟蹤失敗。在此程序上加入塊搜索算法的函數(shù)代碼，該函數(shù)輸入?yún)?shù)為Mat類型的前一幀的匹配塊Block和當前幀的塊搜索區(qū)域，輸出參數(shù)為x方向的偏移值offsetX和y方向的偏移值offsetY。然后在main.cpp文件中定位至update函數(shù)，原本該函數(shù)只有一個輸入?yún)?shù)，即當前幀Mat類型數(shù)據(jù)。現(xiàn)在將update函數(shù)增加2個類型為整型的輸入?yún)?shù)，分別為之前求得的x方向偏移值offsetX和y方向偏移值offsetY。接下來定位至update函數(shù)內(nèi)部，在其函數(shù)內(nèi)部將檢測區(qū)域_roi的x與y分別加上偏移值offsetX和offsetY。跟蹤算法的代碼其他部分均不變。跟蹤算法計算出精確的目標位置之后，將該位置更新為新的匹配塊位置，用于下一幀的塊搜索匹配。至此代碼部分修改完畢。

接下來采集了幾段無人機拍攝的視頻，其視頻抖動情況比較嚴重。經(jīng)測試，修改后的跟蹤算法在抖動嚴重的視頻中跟蹤效果均表現(xiàn)很好。

以上所述僅為本發(fā)明的實施例，并非因此限制本發(fā)明的專利范圍，凡是利用本發(fā)明說明書及附圖內(nèi)容所作的等效結構或等效流程變換，或直接或間接運用在其他相關的技術領域，均同理包括在本發(fā)明請求保護范圍內(nèi)。