1.一种基于TLD算法的目标跟踪方法,所述TLD算法包括跟踪模块、检测模块及学习模块,其特征在于:包括:
从第一帧图像中初始化选取目标区域;
跟踪模块采用中值光流法依据上一帧图像中目标区域信息预测确定的预测目标作为目标跟踪结果;
判断上一帧图像中目标区域在当前帧图像中所占像素点数量是否大于像素阈值;若是,则按照一定的长宽比缩小所述上一帧图像中目标区域及所述当前帧图像,对所述当前帧图像采用滑动窗的方式进行全局遍历以得到所述检测模块确定的待选目标;若否,对所述当前帧图像进行局部区域划分,并采用滑动窗的方式进行局部遍历以得到所述检测模块确定的待选目标;
采用所述检测模块的方差分类器、随机蕨分类器及最近邻分类器对至少一个所述待选目标进行处理形成目标检测结果;
根据所述目标跟踪结果与所述目标检测结果确定目标跟踪区域以最终完成当前帧的目标跟踪。
2.根据权利要求1所述的方法,其特征在于,从第一帧图像中初始化选取目标区域,包括:
在视频或图片序列的起始帧,手动确定一个包含目标的矩形并得到所述矩形的初始坐标和宽高信息作为初始化的目标区域信息。
3.根据权利要求1所述的方法,其特征在于,采用滑动窗的方式包括:
设定滑动窗在所述当前帧图像的扫描策略;所述扫描策略为:所述滑动窗在水平和垂直方向上的位移分别为所述滑动窗沿宽度和高度尺寸的10%,每次扫描结束后所述滑动窗的尺寸根据需要扩大或者缩小1.2倍,且最小滑动窗大小为20个像素点。
4.根据权利要求1所述的方法,其特征在于,对所述当前帧图像进行局部区域划分,包括:
以上一帧的目标中心位置作为局部遍历的区域划分中心,并将上一帧目标的3倍宽和3倍高所形成的图像区域作为当前帧中局部区域的划分。
5.根据权利要求1所述的方法,其特征在于,所述像素阈值为500个像素点;相应地,按照一定的长宽比缩小所述上一帧图像中目标区域,包括:
按照一定的长宽比缩小所述上一帧图像中目标区域至300个像素点。
6.根据权利要求1所述的方法,其特征在于,采用所述检测模块的方差分类器、随机蕨分类器及最近邻分类器对至少一个所述待选目标进行处理形成目标检测结果,包括:
步骤一、所述方差分类器利用图像的积分图计算所述待选目标的方差,若所述待选目标的方差大于方差阈值,则保留所述待选目标,否则放弃所述待选目标;
步骤二、所述随机蕨分类器计算经所述方差分类器保留的所述待选目标的累积后验概率,若所述概率大于随机蕨阈值,则保留所述待选目标,否则放弃所述待选目标;
步骤三、所述最近邻分类器计算经所述随机蕨分类器保留的所述待选目标与在线正/负样本之间的相关相似度,若所述相关相似度大于样本阈值,则将所述待选目标作为所述目标检测结果,否则放弃所述待选目标。
7.根据权利要求1所述的方法,其特征在于,根据所述目标跟踪结果与所述目标检测结果确定目标跟踪区域,包括:
若所述目标跟踪结果不为0且所述目标检测结果也不为0时,对所述目标检测结果中的所述待选目标进行聚类;将所述目标跟踪结果与所述待选目标聚类后形成的各个类别分别进行重叠度计算,用重叠度大的类别对应的所述待选目标修正所述目标跟踪结果,以确定当前帧的跟踪目标区域;
若所述目标跟踪结果不为0且所述目标检测结果为0时,计算所述目标跟踪结果与所述检测模块的最近邻分类器中的正/负样本库的相关相似度;判断所述相关相似度大于样本阈值,则将所述目标跟踪结果对应的预测目标作为当前帧的跟踪目标区域;
若所述目标跟踪结果为0且所述目标检测结果不为0时,对所述目标检测结果中的所述待选目标进行聚类,若聚为一类,则将所述目标检测结果中的所述待选目标作为当前帧的跟踪目标区域;
若所述目标跟踪结果为0且所述目标检测结果为0时,则当前帧的跟踪目标区域无结果。
8.根据权利要求1所述的方法,其特征在于,根据所述目标跟踪结果与所述目标检测结果确定目标跟踪区域之后,还包括:
将所述跟踪目标区域输入至所述学习模块进行学习,并在下一帧中更新所述检测模块中的随机蕨分类器及最近邻分类器的参数以实现对所述随机蕨分类器及所述最近邻分类器的重新训练。
9.根据权利要求8所述的方法,其特征在于,将所述跟踪目标区域输入至所述学习模块进行学习,包括:
若所述目标跟踪结果为0,则所述跟踪目标位置不进入所述学习模块学习;
若所述目标跟踪结果不为0且所述目标检测结果为0时,计算所述目标跟踪结果与所述检测模块的最近邻分类器中的正/负样本库的相关相似度;判断所述相关相似度是否大于样本阈值,若是,则所述跟踪目标区域进入所述学习模块学习;
若所述目标跟踪结果不为0且所述目标检测结果不为0时,对所述目标检测结果中的所述检测目标区域进行聚类,若聚为一类,则所述跟踪目标区域不进入所述学习模块学习;若不能聚为一类,计算所述目标跟踪结果与所述检测模块的最近邻分类器中的正/负样本库的相关相似度;判断所述相关相似度大于样本阈值,则所述跟踪目标区域进入所述学习模块学习。
10.根据权利要求8所述的方法,其特征在于,将所述跟踪目标区域输入至所述学习模块进行学习,包括:
计算所述跟踪目标区域与所述最近邻分类器在线正/负样本库中的样本的重叠度;
若所述重叠度大于所述样本阈值,则停止所述跟踪目标区域与剩余的样本的重叠度计算并放弃所述跟踪目标区域作为正/负样本输入至所述最近邻分类器的在线正/负样本库中;
若所述重叠度小于所述样本阈值,则将所述跟踪目标区域输入至所述最近邻分类器的在线正/负样本库中。