[發(fā)明專利]一種融合多特征的自適應(yīng)運動目標(biāo)跟蹤方法

在審

• 申請?zhí)枺?/td>: 201911408718.3
• 申請日: 2019-12-31
• 公開（公告）號: CN111539985A
• 公開（公告）日: 2020-08-14
• 發(fā)明（設(shè)計）人: 尚振宏;謝柳
• 申請（專利權(quán)）人: 昆明理工大學(xué)
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

本發(fā)明涉及一種融合多特征的自適應(yīng)運動目標(biāo)跟蹤方法，屬于視覺運動目標(biāo)跟蹤領(lǐng)域。該方法首先從圖像目標(biāo)區(qū)域提取方向梯度直方圖(Histogram of Oriented Gradient，HOG)特征，同時利用預(yù)訓(xùn)練好的卷積神經(jīng)網(wǎng)絡(luò)提取卷積特征，然后采用自適應(yīng)方式融合HOG特征和卷積特征。基于融合后的特征響應(yīng)圖估計出目標(biāo)位置，并采用尺度估計方法解決目標(biāo)尺度變化問題，最后采用稀疏模型更新策略進行模型更新。本發(fā)明能夠有效處理復(fù)雜環(huán)境下僅使用單一圖像特征跟蹤精度和魯棒性差的問題。

技術(shù)領(lǐng)域

本發(fā)明屬于視覺運動目標(biāo)跟蹤領(lǐng)域，具體涉及一種融合多特征的自適應(yīng)運動目標(biāo)跟蹤方法。

背景技術(shù)

在計算機視覺領(lǐng)域中，目標(biāo)跟蹤一直都是一個重要課題，包含了統(tǒng)計學(xué)、圖像處理、機器學(xué)習(xí)、深度學(xué)習(xí)、信號處理等相關(guān)知識。目標(biāo)跟蹤技術(shù)在軍事和民用方面都有廣闊的應(yīng)用前景，主要包括人機交互、軍事制導(dǎo)、視頻監(jiān)控、智能交通等。雖然近年來目標(biāo)跟蹤問題已經(jīng)取得了很大的突破，但由于跟蹤環(huán)境的復(fù)雜多樣性，如尺度變化、光照變化、目標(biāo)遮擋等因素，實現(xiàn)魯棒的目標(biāo)跟蹤仍是一個極具挑戰(zhàn)的難題。

目標(biāo)跟蹤方法按照目標(biāo)外觀模型建立的方式不同可分為生成式模型和判別式模型。近幾年，基于相關(guān)濾波的判別式目標(biāo)跟蹤算法由于具有較好的實時性和魯棒性，引起了相關(guān)學(xué)者的廣泛關(guān)注。Bolme等首次將相關(guān)濾波思想應(yīng)用到目標(biāo)跟蹤領(lǐng)域，提出了最小化輸出平方誤差和(Minimum Output Sum of Square Error，MOSSE)的目標(biāo)跟蹤算法。Henriques等在相關(guān)濾波基礎(chǔ)上引入核函數(shù)，提出核相關(guān)濾波器的目標(biāo)跟蹤算法(KernelCorrelation Filter，KCF)，并結(jié)合循環(huán)矩陣?yán)碚摵涂焖俑道锶~變換。

目標(biāo)跟蹤中目標(biāo)的特征提取和表示是實現(xiàn)目標(biāo)魯棒跟蹤的關(guān)鍵因素之一。早期MOSSE和KCF算法分別提取目標(biāo)的灰度特征和HOG特征進行目標(biāo)跟蹤，取得了實時跟蹤效果，但跟蹤精度有待提高。隨后，Danelljan等分別使用融合HOG特征和灰度特征表征目標(biāo)的方法，以及顏色屬性(Color Name，CN)表征目標(biāo)的方法進行目標(biāo)跟蹤，其算法跟蹤精度都有所提升。Li等提出融合HOG和CN特征的目標(biāo)跟蹤算法，很大程度上提高了跟蹤精度。Bertinetto等提取目標(biāo)的HOG特征和顏色直方圖特征對目標(biāo)進行描述，實現(xiàn)了目標(biāo)的魯棒跟蹤。由于在復(fù)雜環(huán)境下使用單一的特征融合策略魯棒性不強，跟蹤算法易受跟蹤環(huán)境變化的干擾，無法準(zhǔn)確跟蹤目標(biāo)。另外手工設(shè)計的傳統(tǒng)特征具有一定的局限性，不能有效捕捉目標(biāo)物體的語義信息，難以處理復(fù)雜的目標(biāo)表觀變化。為進一步提高目標(biāo)跟蹤的魯棒性，本發(fā)明擬提出了一種融合多特征的自適應(yīng)運動目標(biāo)跟蹤方法。

發(fā)明內(nèi)容

本發(fā)明的目的是提供了一種融合多特征的自適應(yīng)運動目標(biāo)跟蹤方法，用以解決在復(fù)雜環(huán)境下僅使用單一圖像特征跟蹤精度和魯棒性差的問題。

為了解決上述問題，本發(fā)明所實現(xiàn)的技術(shù)方案是提供了一種融合多特征的自適應(yīng)運動目標(biāo)跟蹤方法，包括如下步驟：

第一步：獲取目標(biāo)的初始位置信息；

第二步：根據(jù)第一步獲取的初始位置信息提取候選目標(biāo)樣本的HOG特征和卷積特征；

第三步：根據(jù)第二步提取的HOG特征和卷積特征分別訓(xùn)練相關(guān)濾波器，然后分別利用各自相關(guān)濾波器計算得到不同特征下的響應(yīng)圖。

第四步：根據(jù)第三步得到的HOG特征響應(yīng)圖和卷積特征響應(yīng)圖，采用自適應(yīng)權(quán)重融合的方式得到最終相關(guān)濾波響應(yīng)圖；

第五步：根據(jù)第四步得到的最終相關(guān)濾波響應(yīng)圖，預(yù)測目標(biāo)位置；

第六步：根據(jù)第五步預(yù)測的目標(biāo)位置信息，在此基礎(chǔ)上對目標(biāo)提取HOG特征建立尺度濾波器，利用尺度濾波器計算得到目標(biāo)最佳尺度；

第七步：通過計算相關(guān)濾波響應(yīng)圖的平均峰值相關(guān)能量(Average Peak-to-Correlation Energy，APCE)，實現(xiàn)模型的稀疏更新。