[發(fā)明專(zhuān)利]多特征融合與尺度自適應(yīng)核相關(guān)濾波跟蹤方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201810640255.2
• 申請(qǐng)日: 2018-06-20
• 公開(kāi)（公告）號(hào): CN109034193A
• 公開(kāi)（公告）日: 2018-12-18
• 發(fā)明（設(shè)計(jì)）人: 王永雄;馮漢;王歡;張震;黃穎;陳晗;趙攀攀
• 申請(qǐng)（專(zhuān)利權(quán)）人: 上海理工大學(xué)
• 主分類(lèi)號(hào): G06K9/62
• 分類(lèi)號(hào): G06K9/62;G06K9/46;G06T7/262;G06T7/269
• 代理公司: 上海申匯專(zhuān)利代理有限公司 31001
• 代理人: 吳寶根;徐穎

本發(fā)明涉及一種多特征融合與尺度自適應(yīng)核相關(guān)濾波跟蹤方法，獲取目標(biāo)的初始信息；獲取目標(biāo)區(qū)域的融合梯度直方圖FHOG特征和降維后的顏色屬性CN特征；通過(guò)線性融合的方式，把獲取的31維FHOG特征、降維后的2維CN特征加上1維的灰度特征，融合后總共34特征作為最終的特征圖譜；在得到融合特征圖譜的基礎(chǔ)上，利用核相關(guān)濾波器預(yù)測(cè)目標(biāo)的平移位置；在預(yù)測(cè)平移位置后，通過(guò)添加尺度濾波器來(lái)預(yù)測(cè)目標(biāo)的尺度變化；在預(yù)測(cè)目標(biāo)平移位置和尺度變化后，通過(guò)線性插值方法來(lái)更新兩個(gè)濾波模板，進(jìn)行跟蹤，直到最后一幀。通過(guò)這種特征融合與尺度濾波器結(jié)合的方式，該方法在目標(biāo)跟蹤過(guò)程的外觀變形、尺度變化、光照變化、背景相似干擾等情況下有很好的魯棒性。

技術(shù)領(lǐng)域

本發(fā)明涉及一種目標(biāo)跟蹤技術(shù)，特別涉及一種多特征融合與尺度自適應(yīng)核相關(guān)濾波跟蹤方法。

背景技術(shù)

目標(biāo)跟蹤被廣泛運(yùn)用到視頻監(jiān)控、智能交通系統(tǒng)和人機(jī)交互等領(lǐng)域。但是現(xiàn)有的目標(biāo)跟蹤方法還存在著諸多問(wèn)題和難點(diǎn)，外觀變形、光照變化、快速運(yùn)動(dòng)、運(yùn)動(dòng)模糊、背景相似干擾等都對(duì)跟蹤造成較大影響，目前還沒(méi)有一種跟蹤模型能夠既好又快地解決這些問(wèn)題。目前主要跟蹤模型可分為兩大類(lèi)：生成模型和判別模型。生成模型是對(duì)初始目標(biāo)區(qū)域建模，在下一幀尋找與模型最相似的區(qū)域即預(yù)測(cè)區(qū)域。判別模型的重心是區(qū)分目標(biāo)的背景和前景，提取目標(biāo)特征并訓(xùn)練分類(lèi)器，利用訓(xùn)練好的分類(lèi)器尋找下一幀中的最優(yōu)目標(biāo)區(qū)域，與生成模型的最大區(qū)別是在訓(xùn)練和識(shí)別中區(qū)分了背景和前景信息。

經(jīng)對(duì)現(xiàn)有的文獻(xiàn)檢索發(fā)現(xiàn)近幾年相關(guān)濾波(correlation filter，CF)在目標(biāo)跟蹤領(lǐng)域取得很大的進(jìn)展，它屬于判別模型。利用復(fù)頻域計(jì)算的快速性，極大提高了目標(biāo)跟蹤的速度。后來(lái)一些基于相關(guān)濾波改進(jìn)算法的提出在一定程度上解決了目標(biāo)跟蹤過(guò)程中的特征不完善和尺度變化的問(wèn)題。目前沒(méi)有文獻(xiàn)資料將FHOG特征和CN特征進(jìn)行線性融合，利用相關(guān)濾波器求得目標(biāo)的平移位置，并在此基礎(chǔ)上添加尺度濾波器預(yù)測(cè)目標(biāo)的尺度變化。

發(fā)明內(nèi)容

本發(fā)明是針對(duì)視覺(jué)目標(biāo)跟蹤中外觀變形、光照變化、快速運(yùn)動(dòng)、運(yùn)動(dòng)模糊、背景相似干擾的問(wèn)題，提出了一種多特征融合與尺度自適應(yīng)核相關(guān)濾波跟蹤方法，利用在傳統(tǒng)核相關(guān)濾波器的基礎(chǔ)上融合FHOG特征和CN特征，極大豐富了目標(biāo)的特征圖譜，可以較精確的預(yù)測(cè)目標(biāo)平移位置的變化，在預(yù)測(cè)到目標(biāo)平移位置的基礎(chǔ)上通過(guò)添加33個(gè)尺度的尺度濾波器來(lái)預(yù)測(cè)目標(biāo)的尺度變化。

本發(fā)明的技術(shù)方案為：一種多特征融合與尺度自適應(yīng)核相關(guān)濾波跟蹤方法，其特征在于，具體包括如下步驟：

1)獲取目標(biāo)的初始信息，包括目標(biāo)的位置信息和尺度信息；

2)獲取目標(biāo)區(qū)域的融合梯度直方圖FHOG特征和降維后的顏色屬性CN特征，通過(guò)Matlab相應(yīng)工具包獲取，最終獲取得到的是31維的FHOG特征，通過(guò)Matlab工具包獲取11維的CN特征，利用主成分分析法獲取降維后的CN特征；

3)通過(guò)線性融合的方式，把步驟2)獲取的31維FHOG特征、降維后的2維CN特征加上1維的灰度特征，融合后總共34特征作為最終的特征圖譜；

4)在步驟3)得到融合特征圖譜的基礎(chǔ)上，利用核相關(guān)濾波器預(yù)測(cè)目標(biāo)的平移位置；

5)在步驟4)預(yù)測(cè)平移位置后，通過(guò)添加尺度濾波器來(lái)預(yù)測(cè)目標(biāo)的尺度變化；

6)在預(yù)測(cè)目標(biāo)平移位置和尺度變化后，通過(guò)線性插值方法來(lái)更新兩個(gè)濾波模板，進(jìn)行跟蹤，直到最后一幀。

所述步驟2)中利用主成分分析法獲取降維后的CN特征具體步驟如下：

通過(guò)最小化損失函數(shù)的方法獲得合適的維度降低映射，該損失函數(shù)的形式如下：

上式α₁，α₂，...，α_p為常系數(shù)項(xiàng)，p為當(dāng)前圖像幀數(shù)，為數(shù)據(jù)項(xiàng)，由當(dāng)前形式的重建誤差組成，其組成形式如下：