一種基于tld框架的改進(jìn)型視頻跟蹤優(yōu)化方法
【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于視頻監(jiān)控技術(shù)領(lǐng)域，涉及一種基于TLD(Tracking-Learning-Detect1n,以下簡稱TLD)框架下，將粒子濾波運用到視頻跟蹤領(lǐng)域的改進(jìn)型視頻跟蹤優(yōu)化方法。
【背景技術(shù)】
[0002]目標(biāo)跟蹤技術(shù)隨著科技的發(fā)展已經(jīng)日臻完善和成熟，一直以來都是計算機視覺、圖像處理領(lǐng)域的熱點，被廣泛應(yīng)用在智能監(jiān)控、智能交通、視覺導(dǎo)航、人機交互、國防偵察等領(lǐng)域。雖然基于TLD框架下的視頻跟蹤方法已經(jīng)很好的彌補了傳統(tǒng)視頻監(jiān)控領(lǐng)域的大部分不足，但該系統(tǒng)在針對跟蹤初始階段目標(biāo)模板獲取不準(zhǔn)確、目標(biāo)在像面內(nèi)運動規(guī)律的復(fù)雜性、目標(biāo)觀測特征的實時變化、目標(biāo)所處背景的復(fù)雜干擾、遮擋等因素時，當(dāng)前TLD框架下的跟蹤模塊只有進(jìn)行大量的樣本采集，才能保證跟蹤的準(zhǔn)確性。但在現(xiàn)有的硬件技術(shù)條件下，存儲和處理大量的樣本數(shù)據(jù)會影響跟蹤系統(tǒng)的流暢性和穩(wěn)定性，對硬件的性能匹配也是很大的考驗，所以現(xiàn)有的視頻跟蹤技術(shù)仍不能完全滿足軍民領(lǐng)域的需求，鑒于此，仍需對其進(jìn)行深入研究。

【發(fā)明內(nèi)容】

[0003]本發(fā)明是對現(xiàn)有視頻跟蹤技術(shù)的優(yōu)化和完善，提出了一種基于TLD框架的改進(jìn)型視頻跟蹤優(yōu)化方法，該方法使得跟蹤系統(tǒng)在圖像檢測、樣本采集方面保持?jǐn)?shù)據(jù)精確，更具針對性。使跟蹤更加快速、穩(wěn)定，同時保持跟蹤效率達(dá)到最優(yōu)。
[0004]為了達(dá)到上述目的，本發(fā)明的技術(shù)方案是這樣實現(xiàn)的:
步驟(1)跟蹤開始，系統(tǒng)讀入視頻幀，用鼠標(biāo)在第一幀圖像上面劃定跟蹤目標(biāo)框。
[0005]步驟(2)跟蹤系統(tǒng)在TLD框架下啟動跟蹤器、檢測器，跟蹤器設(shè)定跟蹤目標(biāo)框中心點位最佳跟蹤點，同時跟蹤器對第一幀圖像進(jìn)行預(yù)處理，將第一幀圖像的RGB顏色空間轉(zhuǎn)化為HSV顏色空間并生成顏色直方圖。
[0006]步驟(3)初始化粒子濾波器；粒子濾波器計算劃定跟蹤目標(biāo)區(qū)域的顏色直方圖，并將顏色直方圖作為模板顏色直方圖，粒子濾波器在跟蹤目標(biāo)框的最佳跟蹤點周圍生成初始化粒子，設(shè)置初始權(quán)重和尺度；同時，在TLD框架下，初始化跟蹤器、檢測器，將跟蹤器對圖像幀采集來的樣本放入檢測器中的樣本盒子，并由檢測器對樣本盒子中的采樣數(shù)據(jù)進(jìn)行分類和處理。
[0007]步驟(4)跟蹤系統(tǒng)將初始化數(shù)據(jù)放入學(xué)習(xí)器的樣本集中，進(jìn)行保存，并通過在線訓(xùn)練保持對跟蹤器、學(xué)習(xí)器的更新。
[0008]步驟(5)載入下一幀圖像，跟蹤器對新圖像幀進(jìn)行顏色空間轉(zhuǎn)換，生成新的顏色直方圖。
[0009]步驟(6)粒子濾波器對新的顏色直方圖進(jìn)行計算，并預(yù)測每一個粒子在新圖像幀中的尺度和位置，粒子濾波器由新的顏色直方圖重新計算跟蹤目標(biāo)框的粒子，并對框圖內(nèi)粒子進(jìn)行預(yù)測、權(quán)重評估、重采樣，生成新的粒子，跟蹤器將顏色直方圖由HSV空間進(jìn)行灰度圖像空間轉(zhuǎn)換，啟動檢測器中的最近鄰分類器對粒子濾波器重采樣后的粒子群重新分類并進(jìn)行評估，最近鄰分類器設(shè)定閾值空間；若在閾值空間，則生成粒子濾波跟蹤預(yù)測框，否則進(jìn)入步驟(5);同時，在TLD框架下，跟蹤器、檢測器對新圖像幀進(jìn)行跟蹤檢測，并將跟蹤、檢測數(shù)據(jù)進(jìn)行融合并進(jìn)行判斷，生成初步的TLD跟蹤預(yù)測框，并進(jìn)行置信度評估。
[0010]步驟(7)若TLD跟蹤預(yù)測框大于置信度，則進(jìn)步步驟(3)重新對粒子濾波器進(jìn)行初始化操作，否則進(jìn)入粒子濾波跟蹤預(yù)測框。
[0011 ] 步驟(8 )粒子濾波跟蹤預(yù)測框?qū)斎霐?shù)據(jù)進(jìn)行優(yōu)化整合，經(jīng)P-N在線學(xué)習(xí)模塊查漏、糾錯、訓(xùn)練后進(jìn)行圖像輸出，并顯示輸出結(jié)果。
[0012]步驟(9)跟蹤器系統(tǒng)判斷跟蹤是否結(jié)束，若跟蹤繼續(xù)，則將上一幀的跟蹤數(shù)據(jù)作為初始化數(shù)據(jù)放入步驟(4)進(jìn)行更新；若跟蹤結(jié)束，則進(jìn)入(10)。
[0013]步驟(10)跟蹤結(jié)束。
[0014]本發(fā)明將TLD中的跟蹤算法和粒子濾波算法相結(jié)合，充分結(jié)合了二者的優(yōu)勢，對基于TLD框架的視頻跟蹤優(yōu)化方法的進(jìn)一步優(yōu)化和完善。通過對跟蹤目標(biāo)的穩(wěn)定性閾值判斷，選擇粒子濾波介入對穩(wěn)定跟蹤目標(biāo)的樣本采集，從而達(dá)到對跟蹤系統(tǒng)進(jìn)行優(yōu)化。由于對目標(biāo)樣本采集更具針對性，這樣大大降低了跟蹤系統(tǒng)中對硬件的要求(尤其是對存儲模塊)，新的優(yōu)化方法使跟蹤更加的流暢、穩(wěn)定，抗遮擋性更突出。
【附圖說明】
[0015]圖1是結(jié)合粒子濾波基于TLD框架的跟蹤視頻目標(biāo)跟蹤優(yōu)化方法的流程圖。
【具體實施方式】
[0016]以下結(jié)合附圖對本發(fā)明作進(jìn)一步說明。
[0017]本發(fā)明提出了一種基于TLD框架的改進(jìn)型視頻跟蹤優(yōu)化方法。TLD算法憑借其特有的優(yōu)勢已經(jīng)在視頻監(jiān)控領(lǐng)域應(yīng)用越來越成熟，該算法主要由跟蹤器(Tracking)、檢測器(Detect1n)、學(xué)習(xí)器(Learning)三個部分組成，其中跟蹤器通過上一幀的目標(biāo)框預(yù)測出目標(biāo)在當(dāng)前幀的位置，檢測器在當(dāng)前幀中檢測出目標(biāo)的位置，在經(jīng)過檢測器跟蹤器的綜合判斷后，獲得目標(biāo)在當(dāng)前幀中的位置。學(xué)習(xí)器通過P-N在線學(xué)習(xí)，持續(xù)訓(xùn)練出新的分類器，更新目標(biāo)位置，從而提高目標(biāo)的跟蹤能力。盡管TLD算法已具備良好的檢測和長時間學(xué)習(xí)能力，且已日臻完善，但在應(yīng)對遮擋、形變等態(tài)勢下，跟蹤效果并不理想。粒子濾波算法是一種新興算法技術(shù)，粒子濾波非常適合處理非線性運動問題，已經(jīng)廣泛應(yīng)用于解決科學(xué)研究和工程實踐中的優(yōu)化問題。
[0018]本發(fā)明的核心思想是:在TLD跟蹤系統(tǒng)框架下，跟蹤系統(tǒng)用指定目標(biāo)圖像幀進(jìn)行預(yù)處理，預(yù)處理后的圖像數(shù)據(jù)對粒子濾波、TLD初始化之后，粒子濾波跟蹤器和TLD同時對新圖像幀進(jìn)行跟蹤。其中，粒子濾波跟蹤器由初始圖像幀預(yù)測出跟蹤目標(biāo)的新位置，由TLD檢測模塊的最近鄰分類器對粒子濾波重采樣后的樣本集進(jìn)行分類，并設(shè)定閾值區(qū)間，若在閾值區(qū)間，則生成粒子濾波預(yù)測框并輸出跟蹤結(jié)果，若不在閾值區(qū)間，則重新加載新圖像進(jìn)行操作。粒子濾波跟蹤中創(chuàng)新性地加入最近鄰分類器對采集的樣本進(jìn)行分類并設(shè)定閾值，這樣客服了粒子濾波跟蹤不具備判斷的缺點，因此，當(dāng)跟蹤目標(biāo)不在跟蹤范圍的場景下，避免了系統(tǒng)大量負(fù)樣本進(jìn)行存儲，也減輕了跟蹤系統(tǒng)的硬件負(fù)擔(dān)，使跟蹤更加有針對性，響應(yīng)更快。在