[發明專利]基于相關濾波和度量學習的目標跟蹤方法、系統及存儲介質

在審

• 申請號: 201811425898.1
• 申請日: 2018-11-27
• 公開（公告）號: CN109697727A
• 公開（公告）日: 2019-04-30
• 發明（設計）人: 何震宇;康偉;王鴻鵬;趙昕玥;萬周誠;黎嘉輝;祝清麟
• 申請（專利權）人: 哈爾濱工業大學（深圳）
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06N3/04;G06N3/08
• 代理公司: 深圳市科吉華烽知識產權事務所(普通合伙) 44248
• 代理人: 孫偉

本發明提供了一種基于相關濾波和度量學習的目標跟蹤方法、系統及存儲介質，該目標跟蹤方法包括：步驟S1：在跟蹤視頻的第一幀獲取目標的大小和位置；步驟S2：根據得到的目標信息獲取目標特征和與目標相似的負樣本并訓練相關濾波的模板；步驟S3：通過訓練得到的模板預測目標的位置，并根據響應圖得到此次預測的置信度來判斷是否使用度量學習網絡來精確定位目標。本發明的有益效果是：本發明針對目標追蹤視頻的特點，先使用相關濾波模型來對當前幀進行預測，找出和目標相近的候選區域；針對這些候選區域，使用深度網絡來判斷其與目標的相似度；對目標追蹤來說，其是對相關濾波模型的優化，加入了度量學習算法，提出了使用度量學習來優化相關濾波結果的方法；從而能準確、實時地追蹤目標。

技術領域

本發明涉及實時的目標跟蹤技術領域，尤其涉及一種在視頻序列中基于相關濾波和度量學習技術對目標的跟蹤方法、系統及存儲介質。

背景技術

視覺跟蹤(Visual Tracking)技術是計算機視覺領域的重要研究方向之一。視覺追蹤使用機器學習、圖像處理、深度學習等相關知識，提取圖像中的特征，然后對特征建模，最后使用模型在視頻序列中對每一幀進行訓練和判斷目標位置，實現對目標的追蹤。目標追蹤也有很多應用場景，如車輛與行人監控、智能安防等。目標追蹤大都應用在視頻監控中。在智慧城市中需要對車輛與行人的流量進行監控，需要在監控中對車輛及行人從出現到消失的這段過程進行追蹤。

視覺跟蹤技術受到人們越來越多的關注。視覺跟蹤的一個典型場景是跟蹤一個未知的目標對象，由第一幀中的目標框(Bounding Box)指定。目標跟蹤在有著廣泛的應用場景，然而由于目標外觀變化和周圍環境的變化，以及相似背景干擾因素的存在，使得模型在某些場景下追蹤目標有一定的難度。近幾年來，國內外研究者不斷改進算法來提高跟蹤器的準確性和魯棒性。目標視覺跟蹤主要分為兩大類：生成(generative)模型方法和判別(discriminative)模型方法，目前比較流行的是判別類方法，也叫檢測跟蹤(tracking-by-detection)。判別模型框架下的主流算法有相關濾波、深度學習的方法。目標跟蹤算法研究難點與挑戰：實際復雜的應用環境、背景相似干擾、光照條件的變化、遮擋等外界因素以及目標姿態變化，外觀變形，尺度變化、平面外旋轉、平面內旋轉、出視野、快速運動和運動模糊等。而且當目標跟蹤算法投入實際應用時，不可避免的一個問題——實時性問題也是非常的重要。正是有了這些問題，才使得算法研究充滿著難點和挑戰。

發明內容

本發明提供了一種基于相關濾波和度量學習的目標跟蹤方法，包括依次執行如下步驟：

步驟S1：在跟蹤視頻的第一幀獲取目標的大小和位置；

步驟S2：根據得到的目標信息獲取目標特征和與目標相似的負樣本并訓練相關濾波的模板；

步驟S3：通過訓練得到的模板預測目標的位置，并根據響應圖得到此次預測的置信度；

步驟S4：判斷置信度的高低，若置信度高，那么執行步驟S6，若置信度低，那么執行步驟S5；

步驟S5：在得到的預測位置生成不同長寬比和大小的候選區域，并通過深度網絡來精確查找目標的位置；

步驟S6：判斷視頻序列是否為最后一幀，若是，那么結束，否則執行步驟S2。

作為本發明的進一步改進，所述步驟S2包括如下步驟：

步驟S21：提取目標特征；

步驟S22：在目標的周圍找到與目標相似的負樣本；

步驟S23：用目標特征和相似樣本訓練相關濾波的模板。

作為本發明的進一步改進，在所述步驟S21中，提取目標特征方式為顏色特征或邊緣特征提取。

作為本發明的進一步改進，在所述步驟S22中，通過響應圖中的峰值確定負樣本的位置。