[發明專利]基于多特征自適應融合和核相關濾波技術的目標跟蹤方法

在審

• 申請號: 201710355503.4
• 申請日: 2017-05-19
• 公開（公告）號: CN107316316A
• 公開（公告）日: 2017-11-03
• 發明（設計）人: 練智超;劉忠耿;李楊;濮柯佳;肖亮
• 申請（專利權）人: 南京理工大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/262;G06T7/269;G06K9/62
• 代理公司: 南京理工大學專利中心32203
• 代理人: 薛云燕

技術領域

本發明涉及計算機視覺領域，特別是一種基于多特征自適應融合和核相關濾波技術的目標跟蹤方法。

背景技術

目標跟蹤是計算機視覺領域中的重要研究內容，目標追蹤主要是根據目標在視頻中第一幀或者前幾幀的位置，估計后序序列目標出現的軌跡。目前，目標跟蹤技術主要有兩大類：

(1)生成式方法：該方法主要是運用生成模型描述目標的表觀特征，在后序序列中找到與目標外觀最相似的，也就是說，通過搜索候選目標來最小化重構誤差。比較有代表性的算法有稀疏編碼，在線密度估計和主成分分析(PCA)等。生成式方法著眼于對目標外觀的刻畫，忽略背景信息，因此在目標外觀變化劇烈或者被遮擋時容易產生漂移，跟蹤失敗。

(2)判別式方法：該方法主要是運用在線機器學習技術訓練一個二分類器，然后在后序序列中運用該分類器進行目標檢測，完成目標跟蹤。近年來，各種機器學習算法被應用在判別式方法上，其中比較有代表性的有多實例學習方法,boosting和結構SVM 等。判別式方法因為顯著區分背景和前景的信息，判別能力強，表現地更為魯棒，逐漸在目標跟蹤領域占據主流地位。值得一提的是，目前大部分深度學習目標跟蹤方法也歸屬于判別式框架。

但是，傳統的判別式方法有一個重要的缺陷，即為了增強判別能力，往往需要大量的訓練樣本，同時也加重了計算負擔，使得這些判別式方法在跟蹤的實時性上掙扎。

發明內容

本發明目的在于提供一種判別能力強、在復雜場景和外觀變化中目標跟蹤魯棒性高的基于多特征自適應融合和核相關濾波技術的目標跟蹤方法，以在頻域處理中降低計算復雜度，提高目標跟蹤的實時性。

實現本發明目的的技術解決方案為：一種基于多特征自適應融合和核相關濾波技術的目標跟蹤方法，包括以下幾個步驟：

步驟1，輸入第t幀圖像，如果t＝1則進入步驟6，否則進入下一步；

步驟2，根據第t-1幀跟蹤的目標位置p_t-1和尺度s_t-1，獲得目標運動的候選區域z_t；

步驟3，提取候選區域z_t的梯度方向直方圖和顏色特征，將兩種特征進行融合，然后進行快速傅立葉變換，得到特征圖譜其中^表示離散傅立葉變換；

步驟4，根據目標前一幀的特征圖譜計算核互相關

步驟5，分別檢測位置濾波器和尺度濾波器的輸出相應圖譜中最大值對應的位置，確定目標在當前幀的位置p_t和尺度s_t；

步驟6，根據第t幀的目標位置p_t和尺度s_t，獲得目標區域x；

步驟7，提取目標區域x_t的梯度方向直方圖和顏色特征，將兩種特征進行融合，然后進行快速傅立葉變換，得到特征圖譜

步驟8，根據特征圖譜計算核自相關

步驟9，設計自適應的目標響應圖譜訓練位置濾波器和尺度濾波器模型；

步驟10，如果t＝1則進入步驟11，否則進入步驟12；

步驟11，使用線性插值方法更新特征圖譜和相關濾波器并進入步驟12；

步驟12，輸出目標跟蹤結果，令t＝t+1然后返回步驟1進行下一幀圖像的跟蹤。

進一步地，步驟3和步驟7所述的將兩種特征進行融合，具體如下：

(3.1)根據尺寸4M*4N的圖像區域I，在9個方向提取梯度方向直方圖，采用的單元尺寸4*4，然后經過主成分分析降維后，得到31維的尺寸M*N的特征圖譜；

(3.2)將尺寸4M*4N的圖像區域I縮放至M*N，提取11維的顏色特征；

(3.3)將(3.1)和(3.2)提取的特征融合，得到42維的尺寸M*N的特征圖譜。

進一步地，步驟4所述的計算核互相關和步驟8所述的計算核自相關，具體如下：

(4.1)采用的是高斯核，公式如下：

其中，k(x,x′)表示為兩個特征圖譜x和x′計算的高斯核，exp(.)表示為e指數函數，σ為高斯函數的標準差，取值為0.5，||.||²表示為向量或矩陣的2范式；

(4.2)計算核相關，公式如下：

其中，k^xx′表示特征圖譜x和x′的核相關，exp(.)為e指數函數，σ為高斯函數的標準差，取值為0.5，||.||²為向量或矩陣的2范式，為離散傅立葉變換的逆變換，* 為復共軛，^為離散傅立葉變換，為兩個矩陣對應元素相乘。