一种混合式图像目标跟踪方法

本发明涉及计算机视觉目标跟踪，具体为一种混合式图像目标跟踪方法。

背景技术：

1、视觉目标跟踪在计算视觉领域扮演着重要作用；出现在各种各样的应用中诸如人机接口，道路交通控制，视屏监控等；但是到目前为止目标跟踪仍然是一个富有挑战性问题；室外环境中由于背景和目标可能相当复杂和可变，会涉及到一些问题如亮度改变、尺度变化、姿态改变、背景杂波等,视觉目标跟踪仍然是一个具有挑战性问题。

2、目前对于目标跟踪很多学者也做了相关的研究，例如，中国专利cn114998392a公开了一种基于粒子滤波的视频多目标跟踪方法，该方法通过深度学习检测视频序列中的目标，利用粒子滤波器预测目标位置。这种方法虽然可以解决目标跟踪的非线性问题，但是目标检测利用的yolo模型。模型训练需要大量的先验样本，在未知环境中变得不可行。并且该方法没有解决滤波器粒子退化问题。中国专利cn107273905a公开了一种结合运动信息的目标主动轮廓跟踪方法，该方法主要利用上一帧图像主动轮廓跟踪结果作为曲线演化初始化轮廓，这种方法虽然利用了超像素，但跟踪框架无法解决跟踪的非线性问题。中国专利cn115015907a公开了了一种基于稀疏表示的粒子滤波检测前跟踪方法，该方法虽然利用了粒子滤波的非线性框架，但是主要用于点目标跟踪，对于视频序列的目标跟踪无法解决目标形变及尺度变化问题。

3、由以上研究可以发现，现有的视频目标跟踪算法主要针对图像清晰且没有遮挡的情况下的目标跟踪问题，无法处理复杂环境中包括严重杂波、低分辨率图像、不稳定摄像机及多特征及规则目标无法保证等因素下目标跟踪问题，以及粒子退化等问题；因此，亟需一种混合式图像目标跟踪方法来解决上述问题。

技术实现思路

1、本发明提供一种混合式图像目标跟踪方法，能处理复杂环境中包括严重杂波、低分辨率图像、不稳定摄像机及多特征及规则目标无法保证等因素下目标跟踪问题。

2、为实现上述目的，本发明提供如下技术方案：一种混合式图像目标跟踪方法，包括如下步骤：

3、s1、读取视频序列图谱，框选图片中所要跟踪的目标；

4、s2、以预设阈值参数对目标区域内的所有粒子进行过滤，并应用α-shape方法在剩余的粒子周围建立粗糙的目标初始轮廓；

5、s3、通过c-v算法对目标初始轮廓进行演化；其中：

6、计算hausdorff距离来测量候选轮廓和目标初始轮廓的边界轮廓相似度；

7、对于候选轮廓计算均值和基于φ的直方图，并计算该均值似然度和直方图似然度；

8、通过对过去速度矢量的平滑滤波获取当前候选目标速度矢量，并计算候选轮廓与目标初始轮廓的速度矢量相似度；

9、结合边界轮廓相似度、均值似然度和直方图似然度，以及速度矢量相似度，选择似然度值最大的轮廓作为最终目标轮廓。

10、优选的，在步骤s2中，计算目标区域内至少部分区域内所有粒子的权重，并将所有权重粒子用阈值参数进行过滤，权重大于阈值参数的粒子保留，其余的粒子舍去。

11、优选的，计算各粒子的权重具体为：

12、对粒子进行初始化，且赋予每个粒子初始坐标值；

13、运用状态转移方程对初始粒子进行状态转移，产生下一时刻的粒子状态；

14、以下一时刻粒子状态位置为中心，设定该粒子的覆盖区域，并计算该覆盖区域的对应的彩色空间的像素灰度级直方图；

15、计算目标区域的像素灰度级直方图，并计算覆盖区域的像素灰度级直方图以及目标区域的像素灰度级直方图的巴士系数值，将该巴士系数值作为对应粒子的权重，重复粒子权重计算过程，至所有粒子权重全部计算完成。

16、优选的，以目标区域和两倍背景区域的为计算区域，选择r、g、b、rgb、h、s、v和hsv空间作为候选特征，具有最大块比率值的空间被确定为特征空间，并将该彩色块区域作为直方图区域，对该直方图区域的像素做灰度级直方图，即为目标区域的像素灰度级直方图。

17、优选的，在步骤s3中，c-v算法的具体为：

18、e(c,c1,c2)＝μlength(c)+νarea(inside(c))+λ1∫inside(c)|i(x,y)-c1|2dxdy+λ2∫outside(c)|i(x,y)-c2|2dxdy；

19、其中，c为活动轮廓曲线，μlength(c)为闭合轮廓曲线的长度，νarea(inside(c))为闭合轮廓曲线所围内部区域的面积项，两者共同组成模型的内部能量，在演化过程中保持曲线的平滑性，μ＝1,ν≥0,λ1＝λ2＝1是确定的参数，c1表示目标初始轮廓内的像素灰度级的平均值，c2表示目标初始轮廓区域两倍面积去除c1剩余像素灰度级的平均值。

20、优选的，在步骤s3中，边界轮廓相似度计算：

21、d(a,b)＝max(h(a,b),h(b,a))；

22、其中，

23、轮廓相似度被定义为：ccan和cobj分别表示候选轮廓和目标轮廓，σc为高斯方差。

24、优选的，在步骤s3中，均值似然度和直方图似然度的计算：

25、先将符号距离融入到每个像素：u0(x,y)＝u0(x,y)*exp(φ(x,y))；

26、然后计算均值似然度和直方图似然度：

27、

28、其中，u1(x,y)表示轮廓内部区域；

29、

30、其中ρ表示直方图的巴氏系数。

31、优选的，在步骤s3中，速度矢量相似度的计算：

32、

33、其中表示当前速度矢量,表示过去n个速度矢量的平均值。

34、优选的，基于非参数的parzen窗密度估计器被用来估计目标轮廓内目标粒子连续状态分布：

35、

36、其中n表示采样数,k表示核函数，hn是核函数带宽。

37、优选的，使用一般核来取代狄拉克δ核，并且采用分层采样策略从连续状态空间中对粒子重采样。

38、与现有技术相比，本发明的有益效果：

39、1、传统的视频目标跟踪算法主要针对图像清晰且没有遮挡的情况下的目标跟踪问题，无法处理复杂环境中包括严重杂波、低分辨率图像、不稳定摄像机及多特征及规则目标无法保证等因素下目标跟踪问题；针对这种情况，本发明提出了一种新颖的混合式图像目标跟踪方法；本发明不是两种算法的简单相加，而是符合相互促进的内生机制，即粒子滤波和主动轮廓在算法上相互完善，相互促进，提高了目标跟踪性能；粒子滤波被选择来估计非高斯非线性系统的目标状态向量，同时通过权重粒子来初始化目标轮廓；几何主动轮廓被用来解决变形目标的局部变形及拓扑结构变化，并且用曲线演化的结果来消除无效粒子以保持重采样粒子多样性。

40、2.本发明与现有技术不同的地方为：本发明采取了以下的关键步骤，(1)本发明定义了目标差异性直方图，并以此直方图来计算目标统计特性的相似性；本发明以目标区域和两倍背景区域的为计算区域，选择r、g、b、rgb、h、s、v、hsv等8种空间作为候选特征，具有最大块比率值的空间被确定为特征空间，并将该彩色块区域作为直方图区域；(2)边界初始化，本发明通过阈值来对粒子进行过滤，应用α-shape方法在剩余的粒子周围建立粗糙的目标初始轮廓；(3)多线索似然度，分别计算基于均值、基于的直方图、边界轮廓和速度矢量的单个似然度，然后再计算混合相似度；(4)基于演化曲线的粒子重采样。通过c-v算法演化目标曲线轮廓，目标的轮廓将粒子分为轮廓内粒子和轮廓外粒子两类；应用非参数的parzen窗密度估计器估计目标粒子连续状态分布；并采用分层采样策略从连续状态空间中对粒子重采样；从而提高低分辨率复杂环境下目标跟踪的鲁棒性。