[發明專利]一種自適應選擇特征的相關濾波跟蹤方法

有效

• 申請號: 201910670301.8
• 申請日: 2019-07-24
• 公開（公告）號: CN110544267B
• 公開（公告）日: 2022-03-15
• 發明（設計）人: 魏龍生;孫加樂;劉瑋;羅大鵬;汪敏
• 申請（專利權）人: 中國地質大學（武漢）
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/262;G06T7/277;G06V10/50
• 代理公司: 武漢知產時代知識產權代理有限公司 42238
• 代理人: 金慧君

本發明公開了一種自適應選擇特征的相關濾波跟蹤方法，經過多層學習的深度特征在目標特征表達上要優于傳統的手工特征，因此在目標處于復雜背景條件下跟蹤精度上好于使用傳統特征跟蹤，但計算深度特征所耗費的時間也是龐大。融合傳統特征的速度優勢與深度特征在復雜背景條件下的跟蹤精度優勢，所以提出自適應選擇特征的相關濾波跟蹤。首先，在視頻的前幾幀，同時使用三種特征進行跟蹤，并計算傳統特征的前幾幀的平均匹配率。則下一幀使用平均匹配率大的傳統特征，剩下的特征暫且不用，提高速度。同時計算該特征當前幀的匹配率，若超過所設閾值，接下來的幀繼續使用這個特征，否則重新計算剩下的兩種特征，在跟蹤過程中不斷自適應的選擇跟蹤。

技術領域

本發明涉及計算機視覺跟蹤技術領域，具體為一種自適應選擇特征的相關濾波跟蹤方法。

背景技術

目標跟蹤算法是計算機視覺中用于處理視頻圖像信息的重要技術手段，并且有著廣泛的應用場景，如機器人、視頻監控、智能交通等。近幾十年來，研究者提出了多種優秀的目標跟蹤算法，在實際環境中的目標跟蹤仍然面臨著一系列的挑戰。目標跟蹤的過程中要面對目標快速移動、背景復雜、遮擋、光照變化等不定因素的挑戰,常常導致跟蹤失敗，對跟蹤算法魯棒性要求很高。

相關濾波跟蹤提出以來，其就出色的性能和速度優勢，在跟蹤領域引起很大關注。目前基于深度學習方法的目標跟蹤方法和基于深度特征的相關濾波目標跟蹤方法對目標的特征提取較好，因此在對抗復雜環境干擾時具有較好的魯棒性，但是現有大多數該類方法速度非常慢，難以達到實時性，而極少數高速的該類方法跟蹤效果比較差，因此使用傳統特征的核化相關濾波跟蹤方法在近幾年使用較多。

基于核化相關濾波目標跟蹤方法主要過程：

(1)初始化階段：根據目標的初始化信息，在目標周圍區域進行循環移位采樣，根據移位樣本的中心距離真實目標中心，形成高斯標簽作為樣本的標簽值。提取樣本特征，同時使用嶺回歸方法，訓練學習得到濾波器。

(2)跟蹤階段：在待跟蹤的搜索區域(上一幀的目標位置)進行特征提取，將學習到的濾波器與搜索區域進行卷積操作，得到響應圖的最大值點即為目標中心位置。

(3)模型更新階段：為了確保模型的魯棒性，減少模型漂移，每一幀之間使用固定的學習率來進行模型更新。

發明內容

針對現有技術的不足，本發明提供了一種自適應選擇特征的相關濾波跟蹤方法，解決了上述背景技術中提出的問題。

為實現以上目的，本發明通過以下技術方案予以實現：一種自適應選擇特征的相關濾波跟蹤方法，具體包括如下步驟：

(1)讀取視頻圖像第t幀數據(第一幀圖像序列為t＝1)，對第t幀圖像中設定跟蹤目標α，并進一步確定目標α的中心位置，以及目標α的寬度w_t和高度h_t；

(2)以目標α的中心位置為中心，劃定寬度為w、高度為h的圖像區域作為第一目標區域，計算該區域的HOG特征，CN特征及深度特征；

(3)根據計算的HOG特征，CN特征及深度特征分別構建相關濾波器模型；

(4)讀取新的圖像序列為t+1幀,若t+1≤第一預設值，則進入S5，否則進入(7)；

(5)對于讀取新的圖像序列為t+1幀，根據t幀的α的中心位置為中心，劃定寬度為w，高度為h的圖像區域,計算該區域的HOG特征，CN特征及深度特征；

(6)利用核化相關濾波計算方法，結合步驟(5)目標區域，進一步分別求得t+1幀的HOG特征和CN特征響應置信圖的最大值分別為res_HOG和res_CN，并保存。以及計算得到深度特征的響應置信圖中最大值的位置，即為t+1幀的目標α新的位置中心，然后進行深度特征，HOG特征和CN特征模版更新；