一种基于显著性区域的运动目标跟踪方法

摘 要：根据目标跟踪中遇到的实际问题，在深入研究视觉注意理论的基础上，提出了一种基于视觉注意模型的运动目标检测模型，在该模型下提出了一种基于动态显著性区域的运动目标跟踪方法，该方法利用基于动态显著性特征的运动目标检测模型检测到目标的位置，然后通过自适应窗调整策略，对MeanShift算法进行改进，可以有效进行目标跟踪，方法能快速准确的检测和跟踪运动目标。

关键词：显著性区域；目标检测；目标跟踪

引言

受到背景条件的复杂性和特殊性等方面的影响，当目标所处的背景环境如果较复杂，就会导致目标在跟踪过程受到多方面因素的影响，例如特征相似的物体、光照、阴影覆盖等，从而大大降低相关目标跟踪算法的准确性和高效性，并且当前的大多数目标跟踪方法或系统对环境的要求较为严格[1]。故而，复杂背景下的目标跟踪方法目前还面临许多的技术难点。例如：光照变化的影响、目标型变的影响、遮挡影响、非静态背景的影响、同一背景下多个目标的影响等等。这样就极大的考验目标跟踪算法的性能[2]。

视觉注意是利用视觉信息进行注意选择的心理现象，它可以把系统中有限的处理资源优先分配给少数几个显著的视觉区域。视觉注意显著性计算为选择少数的几个显著区域和排除冗余提供了快速的计算机制[3]。人的视觉系统具有十分高效的信息处理和分析能力，而且视觉感知的处理过程与观察任务的难易程度无关。因此，把视觉注意应用到目标跟踪领域可以建立更符合人类视觉特点且更高效的目标跟踪算法，对运动目标检测和跟踪处理具有重要意义[4]。

1 显著性区域目标检测模型

针对本文待处理的地面复杂背景下图像序列中运动目标跟踪问题，将图像中目标区域的亮度、颜色、方向以及运动四种底层特征相融合，前三种特征融合成静态显著图，然后提取动态显著性特征，最后融合成全局显著图，通过融入动态显著性特征获取的视觉注意焦点（运动目标）更高效、准确，目标具有较强的对比度和明显的运动特征，对静态特征可以较好的抑制，同时突出运动特征，根据视觉显著性特征理论，针对运动目标的特征，本文提出了一个视觉显著性目标检测模型，原理如下。

对当前帧图像进行静态特征提取，首先提取图像的亮度、颜色、方向信息，通过中央-算子差分，得到多尺度特征，然后融合成静态显著图；在得到动态显著图时，要对当前帧和前一帧图像分别滤波提取动态特征，然后对两帧图像的特征图进行多尺度的差分，再融合为动态显著图；最终将静态显著图和动态显著图按不同的场景融合在一起形成基本显著图。基本显著图的生成要根据输入视频图像的特征适当的调静止特征和运动特征，从而更能满足动态场景，本文通过定义两个修正矩阵分别对静态显著图和动态显著图进行调节。具体视觉显著性目标检测模型如图1所示。

2 基于显著性区域的运动目标跟踪方法

传统的Mean Shift算法的特点有两个，一个是核函数的宽度固定；一个是目标跟踪的窗口是大小不变，这样当目标的背景较复杂时算法不能随目标大小变化而改变。为了解决目标跟踪窗口不能随目标的变化而改变的确定，本文在Mean Shift 算法基础上进行了调整，提出了基于显著性区域的运动目标跟踪方法，方法步骤如下：

3 结束语

本文提出了一种基于视觉注意模型的运动目标检测模型，在该模型下提出了一种基于动态显著性区域的目标跟踪方法，该方法利用基于动态显著性特征的运动目标检测模型获得目标的位置，通过自适应窗调整策略，对MeanShift算法进行改进，该方法可较好地实现对单个目标和多个目标的跟踪。

参考文献

[1]李天成，范红旗，孙树栋.粒子滤波理论、方法及其在多目标跟踪中的应用[J].自动化学报，2015，12.

[2]孙晓燕，常发亮.梯度特征稀疏表示目标跟踪[J].光学精密工程，2013，12.

[3]王慧.空间和目标注意协同工作的视觉注意计算机模型研究[D].2010，11.

[4]柯洪昌，孙宏彬.图像序列的显著性目标区域检测方法[J].中国光学，2015，8.