[發明專利]一種復雜場景下尺度自適應的目標跟蹤方法和系統

有效

• 申請號: 201811600533.8
• 申請日: 2018-12-26
• 公開（公告）號: CN109993052B
• 公開（公告）日: 2021-04-13
• 發明（設計）人: 王爽;焦彤;凌翔濱;樊彬;雷曉奇;劉國磊;任桃桃
• 申請（專利權）人: 上海航天控制技術研究所
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/46;G06K9/62
• 代理公司: 中國航天科技專利中心 11009
• 代理人: 范曉毅

本發明公開了一種復雜場景下尺度自適應的目標跟蹤方法和系統，該方法包括：對首幀圖像進行目標特征檢測，獲取待跟蹤目標特征；并對兩種跟蹤方法所對應的目標模板和分類器參數矩陣分別進行初始化；在基于核相關濾波跟蹤法的跟蹤過程中，確定核相關濾波跟蹤結果；在基于特征檢測跟蹤法的過程中，確定特征檢測跟蹤結果；對核相關濾波跟蹤結果和特征檢測跟蹤結果進行數據融合，得到融合結果，根據融合結果，對目標形心進行跟蹤。本發明解決了常規核相關跟蹤算法在目標面積劇烈變化時跟蹤形心偏移的問題，具有實時性好、跟蹤精度高、魯棒性強的優點。

技術領域

本發明屬于紅外制導導彈的目標跟蹤技術領域，尤其涉及一種復雜場景下尺度自適應的目標跟蹤方法和系統。

背景技術

復雜地物場景下的目標跟蹤一直都是一個重要的研究課題和研究熱點，經過20多年的發展，目標跟蹤技術理論已經取得較大發展，從早期的以均值漂移和粒子濾波為代表的跟蹤方法，經過基于稀疏表示的跟蹤方法作為過渡，目前主流的目標跟蹤方法分為基于相關濾波的方法和基于深度學習的方法。

由于深度神經網絡強大的特征學習能力，基于深度學習的目標跟蹤方法逐漸展現出魯棒的跟蹤性能，但是這類方法計算量大，算法跟蹤效率降低，不能滿足實時性要求，而且對硬件資源要求高，不適合在工程產品中進行應用；另一方面，基于相關濾波的方法屬于判別式跟蹤方法，其中，核相關跟蹤算法是典型方法之一，通過引入循環結構并給出了一種密集采樣策略，使用當前幀的目標圖像塊來訓練一個(跟蹤目標與非跟蹤目標)二類分類器，利用循環矩陣以及核函數對其進行求解，從而得到核相關濾波器，然后使用該分類器作用于下一幀圖像，最后通過計算核相關濾波器響應的最大值來確定目標位置，從而實現目標跟蹤。判別式方法因為顯著區分背景和前景的信息，判別能力強，目前在目標跟蹤領域占據主流地位。

但常規的核相關跟蹤方法仍存在一些缺陷，如在尺度變化、光照變化、運動模糊、目標變形、目標遮擋等情況，跟蹤效果不佳。

發明內容

本發明的技術解決問題：克服現有技術的不足，提供一種復雜場景下尺度自適應的目標跟蹤方法和系統，解決了常規核相關跟蹤算法在目標面積劇烈變化時跟蹤形心偏移的問題，具有實時性好、跟蹤精度高、魯棒性強的優點。

為了解決上述技術問題，本發明公開了一種復雜場景下尺度自適應的目標跟蹤方法，包括：

對首幀圖像進行目標特征檢測，獲取待跟蹤目標特征；并對兩種跟蹤方法所對應的目標模板和分類器參數矩陣分別進行初始化；其中，兩種跟蹤方法，包括：基于核相關濾波跟蹤法和基于特征檢測跟蹤法；

在基于核相關濾波跟蹤法的跟蹤過程中，比較多尺度候選區域的核相關響應值，確定最大響應值的跟蹤區域位置和大小；使用最大響應值的跟蹤區域位置和大小，對初始化后的目標模板和分類器參數矩陣進行更新，確定核相關濾波跟蹤結果；

在基于特征檢測跟蹤法的過程中，通過最穩定極值區域法檢測得到候選目標，將每個候選目標分別與目標模板在頻域內進行相關；從相關結果中篩選得到響應值最高的候選目標區域位置和大小，確定特征檢測跟蹤結果；

對核相關濾波跟蹤結果和特征檢測跟蹤結果進行數據融合，得到融合結果，根據融合結果，對目標形心進行跟蹤。

優選的，對首幀圖像進行目標特征檢測，獲取待跟蹤目標特征，包括：

確定輸入的視頻的首幀圖像；

對首幀圖像進行框選，得到包含待跟蹤目標的矩形區域；

采用最穩定極值區域法對矩形區域進行目標檢測，得到若干候選目標；

通過最近鄰法標記距離矩形區域的中心最近的候選目標，并獲取標記的候選目標的形心和半徑，將標記的候選目標的形心和半徑對應的區域確定為待跟蹤目標區域；

對待跟蹤目標區域進行灰度特征或梯度方向直方圖特征提取，得到待跟蹤目標特征。