[发明专利]基于时空连续相关滤波的视频目标跟踪方法

说明书

技术领域

本发明属于视觉目标跟踪技术领域，尤其是一种基于时空连续相关滤波的视频目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域中非常重要的一个研究课题，并被广泛应用于军事和人们日常生活中的各个领域，如制导系统、人机交互、智能交通、视觉导航、图像压缩、视频监控以及视频分析等等。因此对目标跟踪算法的研究，具有重要的军事、商业价值。

目标跟踪是指对视频中的目标进行定位，获得目标的位置和大小等信息，为对目标做进一步的分析与理解提供帮助，如目标识别、目标分类以及基于视频内容的分析等等。随着更多高级视觉任务需求的不断增长，目标跟踪算法的研究成为计算机视觉领域的一个研究热点。同时因为计算机计算能力的大幅度提高、廉价高性能摄像头的广泛应用，也使得复杂但更精确和稳健的跟踪算法得以实现。

经过几十年的发展，目标跟踪在计算机视觉领域取得了十足的进步。Bolme等人首先将相关滤波应用于视觉跟踪领域(D.S.Bolme,J.R.Beveridge,B.A.Draper,and Y.M.Lui,“Visual object tracking using adaptive correlation filters,”in CVPR.IEEE,2010,pp.2544–2550.)。基于此研究，很多人将其方法进行扩展，提出了核相关滤波器、多特征融合、尺度估计的方面的改进，主要包括四个方面：(1)利用时空上下文信息进行目标跟踪(K.Zhang,L.Zhang,M.H.Yang,and D.Zhang,“Fast tracking via spatio-temporal context learning,”arXiv preprint arXiv:1311.1939,2013.)；(2)将目标进行分块(T.Liu,G.Wang,and Q.Yang,“Realtime part-based visual tracking via adaptive correlation filters,”in CVPR,2015,pp.4902–4912.)，以很好地解决部分遮挡的问题；(3)预计关键点的算法，MUSTer跟踪器(Z.Hong,Z.Chen,C.Wang,and X.Mei,“Multi-store tracker(muster):A cognitive psychology inspired approach to object tracking,”in CVPR,2015,pp.749–758.)存储了一些历史模版用以跟踪目标；(4)训练多个分类器以适应不同的跟踪环境(C.Ma,X.Yang,C.Zhang,and M.H.Yang,“Long-term correlation tracking,”in CVPR,2015,pp.5388–5396.)。

同时，基于深度学习的跟踪器也已经被证实具有很优异的性能，因此也引起了学者的关注，将深度学习与判别相关滤波器相结合，代表性的算法有HCF(C.Ma,J.B.Huang,X.Yang,and M.H.Yang,“Hierarchical convolutional features for visual tracking,”in ICCV,2015,pp.3074–3082.)、DeepSRDCF(M.Danelljan,G.Hager,F.S.Khan,and M.Felsberg,“Convolutional features for correlation filter based visual tracking,”in ICCVW,2015,pp.58–66.)等。

虽然目标跟踪算法经过了几十年的发展，但是要实现长期稳健实时的跟踪算法还是受到很多的限制。目标跟踪技术还是存在很多的挑战，如形变、遮挡、光照变化、旋转等，难以达到稳定的跟踪效果。

发明内容

本发明的目地在于克服现有技术的不足，提出一种设计合理、精度高且稳定性强的基于时空连续相关滤波的视频目标跟踪方法。

本发明解决其技术问题是采取以下技术方案实现的：

一种基于时空连续相关滤波的视频目标跟踪方法，包括以下步骤：

步骤1、构造并计算损失函数；

步骤2、对输入帧进行深度卷积特征提取，利用深度卷积网络的第3～5层特征信息估计当前帧中目标的位置；

步骤3、根据每层估计的目标位置的准确度分配不同权重，将三层目标位置加权求和得到当前帧目标的最终位置；

步骤4、根据之前所有帧的估计结果更新模板；当新的一帧到来，返回步骤2。