[發明專利]一種跟蹤模板自適應方法

有效

• 申請號: 201610170410.X
• 申請日: 2016-03-23
• 公開（公告）號: CN105654518B
• 公開（公告）日: 2018-10-23
• 發明（設計）人: 張偉;張彩紅;張如高;虞正華;譙帥
• 申請（專利權）人: 上海博康智能信息技術有限公司
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 上海勝康律師事務所 31263
• 代理人: 張堅

本發明提供一種跟蹤模板自適應方法，包括如下步驟：步驟a：獲取目標的初始中心位置以及以根據所述初始中心位置而確定的初始位置框，初始中心位置記為x^*；步驟b：基于所述初始位置框獲取所述目標的特征；步驟c：根據步驟b獲得的所述特征建立目標跟蹤模板；步驟d：利用步驟c獲得的所述目標跟蹤模板對所述目標進行跟綜，獲得目標的當前時刻中心位置；以及步驟e：根據目標的當前時刻中心位置更新所述目標跟蹤模板的尺度。采用本發明方法，能提高跟蹤的魯棒性，實時性和準確性。

技術領域

本發明涉及視頻目標跟蹤領域，尤其涉及一種跟蹤模板自適應方法。

背景技術

目標跟蹤一直是計算機視覺領域的熱點之一，廣泛應用于運動分析、行為識別、監控、人機交互等多種領域。目標跟蹤的難點在于目標自身的姿態、外觀的變化，目標間的遮擋，環境的變化影響跟蹤的準確性?；谕庥^特征在線學習的跟蹤算法以其較好的性能，近年來成為一類主流的跟蹤算法之一。這類算法將目標跟蹤視為背景與目標的二分類問題，通過目標模板的在線學習來區分目標與背景，從而定位目標中心來實現跟蹤。其關鍵問題在于平衡外觀模型的有效性和計算效率，越精確有效的模型學習需要越多樣本和越多的學習時間，因此往往為滿足實時要求而降低模型的精確性。為此，如核相關濾波等算法充分利用目標模板樣本的冗余性和空間循環特性，采用快速傅立葉變換實現快速在線學習，在保證模型學習有效性的同時大大提高了計算速度，獲得了較為優秀的實時跟蹤性能。

然而，目前幾乎所有基于外觀模型在線學習跟蹤算法均面臨一個共同問題，即目標跟蹤的模板從初始化后無法進行尺度自適應變化，在目標在遠近運動尺度發生變化時，跟蹤性能大為下降，如圖1所示。

發明內容

本發明針對目前基于外觀模型在線學習跟蹤算法中模板無法自適應變化的問題，提出一種變模板尺度的稠密時空上下文學習的跟蹤算法，可以提高跟蹤準確性并滿足實時性。

本發明的一種跟蹤模板自適應方法，包括如下步驟：

步驟a：獲取目標的初始中心位置以及以根據所述初始中心位置而確定的初始位置框，初始中心位置記為x^*；

步驟b：基于所述初始位置框獲取所述目標的特征；

步驟c：根據步驟b獲得的所述特征建立目標跟蹤模板；

步驟d：利用步驟c獲得的所述目標跟蹤模板對所述目標進行跟綜，獲得目標的當前時刻中心位置；以及

步驟e：根據目標的當前時刻中心位置更新所述目標跟蹤模板的尺度。

優選地，步驟b中，所述特征為灰度特征、HOG特征或SURF特征。

優選地，步驟b中進一步包括將初始位置框擴大為包含跟蹤目標周邊背景的擴展目標框的步驟。

優選地，步驟d中對所述目標跟蹤模板和高斯加權后的擴展目標框分別做傅立葉變換，在頻域中根據貝葉斯公式計算得到置信度的頻域矩陣，進而通過傅立葉反變換得到置信度響應圖，其中最大響應值所在位置即為目標的當前時刻中心位置如下公式：

其中，表示卷積運算，Ω_c(x^*)表示x^*的擴展目標框范圍內的鄰域點的集合，x表示屬于Ω_c(x^*)中的點，下標t,t+1表示時刻，表示t+1時刻的跟蹤模板，表示t+1時刻位置x處均值化的灰度像素值。

優選地，步驟e進一步包括以下步驟：

步驟e1：設標準響應為u，實際目標響應為r，則：