[發明專利]一種響應置信度多特征融合的核相關濾波目標跟蹤方法

有效

• 申請號: 202110957414.3
• 申請日: 2021-08-18
• 公開（公告）號: CN113643327B
• 公開（公告）日: 2023-10-20
• 發明（設計）人: 鐘小勇;顧明琨;張小紅
• 申請（專利權）人: 江西理工大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/77;G06V10/44
• 代理公司: 南昌朗科知識產權代理事務所(普通合伙) 36134
• 代理人: 郭毅力;郭顯文

一種響應置信度多特征融合的核相關濾波目標跟蹤方法，針對傳統核相關濾波在跟蹤彩色視頻序列不能有效利用顏色特征，以及處理目標遮擋和形變能力低等問題。該方法提取目標圖像的方向直方圖特征和顏色直方圖特征，通過計算高響應值點在響應圖上層的占比，來判斷目標的跟蹤情況，進而調整學習率的大小；用兩種特征的平均峰相關能量和最大響應峰值的乘積來加權融合目標位置；通過對模型的跟蹤情況和特征的有效性檢測，采用分段式更新策略，避免了模型干擾，提高了位置融合的可靠性和復雜環境中跟蹤的魯棒性。該算法可滿足視頻實時性的要求，在信號采集、目標跟蹤、特征分析、圖像識別中具有一定的應用價值。

技術領域

本發明屬于視頻跟蹤識別技術領域，涉及到跟蹤算法與深度學習，以及人工神經網絡技術。

背景技術

在視頻監控、人機交互、智能交通等領域有著廣泛應用的目標跟蹤方法，按照處理方式的不同可以分為兩類：一類是生成模型類，另一類是判別模型類。生成模型類是對跟蹤的目標建立模型并識別，在下一幀圖像中搜索與當前模型中最為相似的區域作為預測區域。比較經典的算法有卡爾曼濾波與粒子濾波等。這種通過單一數學模型描述待跟蹤目標的方法，不能全面利用圖像的背景信息，當受到光照變化，運動模糊，目標旋轉等情況下，會對模型建立產生較大影響。判別模型類是將目標模型和背景信息同時考慮在內，提取圖像中的特征值，根據兩者的差異進行在線學習并對分類器做相應的訓練，該方法可以較好的提高跟蹤精度。

發明內容

本發明的目的是以核相關濾波算法(Kernel Correlation Filter，KCF)濾波器為基礎模型，提出一種響應置信度多特征融合的核相關濾波目標跟蹤方法。該方法可滿足視頻實時性的要求，在信號采集、目標跟蹤、特征分析、圖像識別中具有一定的應用價值。

本發明是通過以下技術方案實現的。

本發明所述的一種響應置信度多特征融合的核相關濾波目標跟蹤方法，包括如下步驟：

(S01)利用平均峰相關能量(Average Peak-To-Correlation Energy,APCE)和輸出的響應峰值作為跟蹤置信度，結合方向梯度直方圖(Histogram Of Oriented Gradient,HOG)特征與降維后的顏色特征(Color Naming，CN)融合機制進行特征權重分配。

假設視頻目標跟蹤區域的大小為M×N像素，則該區域第t幀圖像的APCE值P_t計算如下：

其中，g_max,t，g_min,t和g_m,n,t分別是第t幀圖像在跟蹤區域內的最大響應值、最小響應值和位置(m,n)處的響應值。

將第t幀的特征權重公式寫為：

式中ω_hog,t和ω_cn,t分別為HOG特征和CN特征在第t幀的權重。

(S02)基于響應置信度的大小設置學習率分段更新策略，以解決目標受干擾可能帶來的誤差。

為了避免學習模型更新而導致錯誤，結合響應圖峰值變化的結果，計算大于0.5倍峰值的響應值個數F_med與大于0.28倍峰值的響應值個數F_major。設響應置信度：

F＝F_med/F_major(3)

當干擾比較少時，圖像峰值高，高響應值點比較集中且占比小，沒有多峰現象，所以F的值較小。當受到干擾時，響應圖峰值變低，產生多峰現象，高響應值的點占比增加，F的值增大。

同時得出第t幀的分段更新模型策略為：