(12.4定-稿)一种融合卡尔曼滤波与TLD算法的目标跟踪方法.docVIP

说 明 书 摘 要 本发明公开了一种融合卡尔曼滤波与TLD算法的目标跟踪方法，该方法包括以下步骤：首先分析卡尔曼滤波器的原理，并对其加以改进；然后，利用改进的卡尔曼滤波器增强TLD算法，提高系统的可靠性；最后，利用改进的卡尔曼滤波器所得到的预测结果，对检测模块进行改进，缩小TLD算法的检测区域，进一步提高跟踪的实时性。 摘 要 附 图 权 利 要 求 书 1. 一种融合卡尔曼滤波与TLD算法的目标跟踪方法，其特征在于，所述方法包括如下步骤： 步骤1：分析和利用卡尔曼滤波器的原理，并对其加以改进； 卡尔曼滤波器用于建模的系统是线性系统；预测和测量的噪声都是白噪声，噪声服从高斯分布； 步骤2：利用改进的卡尔曼滤波器增强TLD算法； 通过改进的卡尔曼滤波来增强TLD算法，即根据目标位置的时间步长，获得同步更新的参数传递矩阵； 步骤3：利用改进的卡尔曼滤波器所得到的预测结果，对检测模块进行改进，缩小TLD算法的检测区域； 根据卡尔曼滤波的功能，预计当前帧中目标存在的区域，将预计区域作为TLD算法的目标检测区域； 通过改进卡尔曼滤波器的预估结果来设置子窗口的位置范围。 2. 根据权利要求1所述的一种融合卡尔曼滤波与TLD算法的目标跟踪方法，其特征在于，所述方法步骤1包括：第一条条件是通过k-1时刻的系统状态与一个参数矩阵的乘积得到k时刻的系统状态；其余两个条件表示噪声是不随时间变化而变化，用协方差和均值就能准确地为幅值建模； 在实时跟踪过程中，两帧间的时间间隔非常小，相邻帧的目标运动可视为成线性；这样就满足卡尔曼滤波三大条件中的第一个条件，利用卡尔曼滤波估计视频序列中目标的运动状态，运动估计过程包括如下步骤： （1）运动预测阶段； 假设运动目标的坐标为(x, y)，运动速度为(vx, vy)，则k时刻的状态sk为(x, y, vx, vy)T,，测量状态为zk为(xk, yk)，Ak为系统状态预测方程中的传递矩阵为： (1) 由于该系统中没有输入控制变量，因此Bk为0，测量方程Hk中的参数矩阵为： (2) 卡尔曼滤波第二、三两个条件要求噪声必须是白噪声，且服从高斯分布，所以测量方程和预测方程中的噪声为均为服从高斯分布的白噪声，它们的协方差矩阵Pk、Qk分布分别为： (3) 系统的测量方程为： (4) 系统的预测方程为： (5) （2）运动更新阶段； 利用预测阶段得到的系统估计Pk和系统状态xk，不断重复预测步骤，直到系统结束； 卡尔曼滤波在相对稳定的系统中，能取得预测效果；但当目标运动带有随机性时使用卡尔曼滤波器，得到的预测效果往往会出现较大的误差；需对卡尔曼滤波进行适当的改进； 卡尔曼滤波在得到上一时刻的状态后，通过状态转移矩阵决定当前时刻状态的预测值，同时状态转移矩阵与k时刻的状态估计也有关，相对准确的测量值能保证预测值的准确度； 若从k到k+1时刻中的某一时间kt发生状态突变，则从k到k1时间段的状态转移矩阵为k时刻的滤波值，但kt到k+1时刻内的转移矩阵为k+1时间观测的状态；假设k到k+1时间段内k+1/2时刻为中间时刻，则有下式: (6) 。 3. 根据权利要求1所述的一种融合卡尔曼滤波与TLD算法的目标跟踪方法，其特征在于，所述方法步骤2包括： (1)初始化系统，将初始边框的中心位置赋予ptcurrent和ptpredict，同时修改卡尔曼滤波器系统状态的初始数值和初始预测，并利用这两个数值初始化卡尔曼滤波器；(2)通过卡尔曼滤波器对后续帧进行预测，且将该时刻预测的系统状态赋给ptpredict；同时，将LK光流法跟踪得到的目标边界框的中心位置点赋给ptcurrent；(3)更新ptcurrent之前，用ptlast保存原先的系统状态测量；(4)用更新系统的状态预测量和状态测量对卡尔曼滤波器进行纠正，并预测目标边框的中心位置点，采用原来有的目标边框的宽高比来还原出边框；(5)利用卡尔曼滤波器预测每一帧目标边框的可信度，即计算目标边框与最近邻分类器中目标模板的相似度：若该值大于0.85，则用该目标边框取代LK光流法的检测边框结果，并将该边框检测结果传递给后续的学习模块和检测模块；相反，则保留LK光流法所得的目标边框；若可信度小于0.6或满足一定帧数后，则用Lk光流法的边框检测结果重新初始化卡尔曼滤波器。 4. 根据权利要求1所述的一种融合卡尔曼滤波与TLD算法的目标跟踪方法，其特征在于，所述方法步骤2的TLD算法模块包括：跟踪模块、学习模块、检测模块，其中跟踪模块的功能是通过一个短周期的自适