視頻行為分析一直是計算機視覺與機器人領(lǐng)域的研究課題，它首先需要提取強有力的特征以適應(yīng)任務(wù)的需求。其中，稠密軌跡算法通過跟蹤密集候選點來獲取大量軌跡，來實現(xiàn)對目標(biāo)運動的全息記錄。但由于復(fù)雜場景，相機運動等原因，其提取到的軌跡混有大量冗余背景軌跡，嚴重影響前景運動目標(biāo)的跟蹤及運動的分析。

現(xiàn)有的去除冗余背景軌跡可分為后剪枝和前剪枝方法。前剪枝方法在生成軌跡時，根據(jù)一些視覺先驗信息，去除冗余背景點，從而減少冗余背景軌跡的產(chǎn)生。后剪枝方法則在軌跡形成之后，再對軌跡進行篩選。一類方法是根據(jù)軌跡位置變化中的模式對軌跡分類；另一類方法則根據(jù)視覺先驗分布對前景目標(biāo)建模，首先定義局部軌跡點的顯著值計算，再根據(jù)軌跡上所有軌跡點的顯著值得到軌跡的顯著值，最后對比閾值決定軌跡的去留。如“中心?周圍”算法先根據(jù)軌跡周圍全部像素點的均值得到軌跡點顯著值，再篩選軌跡點。后剪枝方法在軌跡形成之后再進行篩選，能結(jié)合全體軌跡點信息，獲取更多的軌跡特征信息，但也需要花費更多的時間。且前景建模的方法大多致力于改進軌跡點的顯著值計算，計算復(fù)雜度高。軌跡點，軌跡的顯著性判決大多依賴于閾值，但是閾值的設(shè)定對冗余軌跡消除效果有很大影響。過高的閾值會丟失部分低顯著前景點，過低的閾值則留下大量高顯著背景點。對剪枝過度或原始稠密軌跡信息缺失的未見明顯針對性工作報告。

本發(fā)明目的在于針對上述已有技術(shù)的不足，提出一種“剛好足夠”的視頻目標(biāo)軌跡產(chǎn)生方法，既能有效去除冗余背景軌跡，又能保留所需的前景運動目標(biāo)軌跡，可用于視頻任務(wù)，包括但不局限于視頻行為識別，視頻動作檢測，視頻目標(biāo)跟蹤等。

[0006] 本發(fā)明首先用稠密軌跡算法提取稠密軌跡。其次基于“中心?周圍”算法，快速得到軌跡點的非精確顯著值。再逐級調(diào)整軌跡點顯著性判決策略，逐級刪除非顯著軌跡。然后回退嵌入部分已被刪除的軌跡，直到找到最優(yōu)的策略，以達到“剛好”產(chǎn)生所需軌跡的效果。

一種“剛好足夠”的視頻目標(biāo)軌跡產(chǎn)生方法，包括如下步驟：

S1、用稠密軌跡算法提取視頻的稠密軌跡；

S2、原始“中心?周圍”算法需要計算每個軌跡點的對比區(qū)域內(nèi)所有像素點的灰度均值，計算量大；基于中心?周圍對比先驗的顯著性檢測原理，利用中心區(qū)域與周圍區(qū)域在某些特征屬性上的差異性描述中心區(qū)域的顯著性，在以每個軌跡點為中心的對比區(qū)域內(nèi)采樣像素點，以采樣點集合代替周圍對比區(qū)域全體像素點，快速得到中心軌跡點的顯著值；顯著值旨在衡量每個點為前景的可能性，點的顯著值越大，則越有可能為前景點；

S3、逐級調(diào)整軌跡點顯著性判決策略，層級預(yù)篩除非重要軌跡；

S4、多次回溯嵌入部分預(yù)刪除的次重要軌跡，以剛好去除非必需的背景軌跡，避免過度刪除而丟失前景軌跡。

本發(fā)明具有如下優(yōu)點：

1.相比于一步刪除軌跡的方法，本發(fā)明采用遞歸刪減軌跡的方法，能對不同的樣本使用更靈活的刪除閾值——層級刪除，不同的樣本自動確定最優(yōu)的刪除級數(shù)。

2.同時本發(fā)明采用回溯查找機制，嵌入部分被誤刪除軌跡，避免剪枝過度，剛好保留所需的前景信息。