[發明專利]一種嚴重遮擋情況下的精準目標跟蹤方法

在審

• 申請號: 201810310348.9
• 申請日: 2018-04-09
• 公開（公告）號: CN108549905A
• 公開（公告）日: 2018-09-18
• 發明（設計）人: 戴林旱;聶桂芝
• 申請（專利權）人: 上海方立數碼科技有限公司
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06K9/46
• 代理公司: 上海麥其知識產權代理事務所(普通合伙) 31257
• 代理人: 董紅曼

本發明提出了一種高斯稀疏表達協作模型，用于嚴重遮擋下的目標跟蹤。方法最為核心的地方在于采用稀疏編碼與LLC編碼相結合的方式對候選樣本進行稀疏表示。方法極易獲得稀疏解的同時又具備高度精準的重構誤差，并且將先驗概率加入到了模型中，使下一幀目標周圍的樣本更易作為最終跟蹤結果，通過與其他方法進行大量實驗對比，本發明的方法能夠在嚴重遮擋情況下更好的跟蹤目標。

技術領域

本發明屬于模式識別與機器學習領域，可用于物體的目標跟蹤，尤其是針對跟蹤物體被嚴重遮擋的情況。

背景技術

目標跟蹤方法的分類方式有很多種，按時間先后順序，可以分成上世紀和本世紀初出現的跟蹤算法，如Cam Shift、Mean Shift、Kalman Filtering、Optical Flow和Particle Filtering等，近十年內出現了很多非深度學習跟蹤算法，如KCF，SCM，TLD，Struck等。直到2012年深度學習的奠基人之一Hinton推動了深度學習的發展，近幾年出現了很多深度學習目標跟蹤算法，如MDnet,CNT。不同類型的目標跟蹤方法暴露的問題不一樣。

1.其中要提前進行預訓練的跟蹤方法很容易出現預測目標位置偏移現象，且此類方法對訓練數據集存在依賴；而離線跟蹤方法可以對跟蹤路徑做全局優化，可以在測試序列上向前或向后進行掃描，但應用場合相對較少，因此，在線進行跟蹤的方法是主要研究方向。

2.在實際情況中采用生成模型與判別式模型相結合的方法表現更為出色，主要是因為生成模型跟蹤方法在背景較為復雜、干擾因素較多的情況下容易出錯，很難正確判斷目標的移動方向。

3.一些深度學習目標跟蹤算法為目標學習提取了目標的深層特征。當目標被嚴重遮擋時，目標的原始特征部分消失，這些深度特征不能匹配，因此跟蹤器可以在寬范圍搜索中跟蹤目標，這很容易導致目標的丟失或者具有較大的中心點錯誤。

4.圖8是目標跟蹤研究領域最常見也是最難處理的遮擋問題，當跟蹤目標被遮擋后，目標原始特征變得不完整，目前很多跟蹤器難以捕捉目標，而當目標跟丟后，跟蹤算法很難找回目標，從而導致跟蹤失敗。

發明內容

本發明提出了一種在嚴重遮擋情況下，采用稀疏區分性分類器(SDC)和稀疏生成模型(SGM)的高斯聯合模型(GSCM)來進行目標跟蹤，能夠應用于無人機、服務機器人、

智能攝像頭等智能化產品。

在SDC模型中，采用高斯分布的先驗知識對候選樣本加權，根據上一幀目標的方差和均值預測當前幀候選樣本的權重。同時，在SDC與SGM模型中同時采用稀疏編碼與LLC 分別計算候選樣本置信度與樣本和模板的相似性，并將得到的兩個系數相結合。最終，以權重、置信度、相似度來決策最大似然的樣本。

本發明主要將稀疏編碼技術與LLC編碼技術聯合使用，將整個目標跟蹤框架分成SDC (sparsity-based discriminative classifier，基于稀疏表達的判別分類器)SGM模型 (sparsity-based generative model，稀疏生成模型)。

在SDC模型中，判別性的特征被提取依據以下公式(1)：

在這里，N_p是指正樣本，N_n是指負樣本，同時是由N_p和N_n組成。圖3 顯示了正負樣本模板，模板圖片大小為32×32。

K是特征選擇之前的特征維度，向量元素表示任意一個模板在訓練集A中的屬性。稀疏特征向量s,它的非0元素是從K原始空間中挑選出來的具有區別性特征。