[发明专利]多特征分层融合的相关滤波鲁棒跟踪方法

说明书

本发明涉及涉及一种多特征分层融合的相关滤波鲁棒跟踪方法。为提高目标跟踪的鲁棒性，针对相关滤波跟踪中的多特征融合问题，本发明提出了一种多特征分层融合策略。从目标和周围背景区域分别提取HOG特征、CN特征和颜色直方图特征三种特征。采用自适应加权融合策略进行HOG特征和CN特征的特征响应图融合。将该层融合结果与基于颜色直方图特征获得的特征响应图进行第二层融合时，采用固定系数融合策略进行特征响应图的融合。本发明在保证跟踪准确率的前提下，跟踪鲁棒性优于其它算法。当相关滤波跟踪算法采用了多个特征时，本发明的分层融合策略具有一定的借鉴性。

技术领域

本发明属于目标跟踪领域，涉及一种多特征分层融合的相关滤波鲁棒跟踪方法。

背景技术

视觉跟踪用来确定感兴趣的目标在视频序列中连续的位置，其是计算机视觉领域的热点问题之一，具有广泛的研究与应用价值。目前主要的视觉跟踪算法包括基于在线学习的视觉跟踪算法、基于稀疏表示的视觉跟踪算法、基于相关滤波的视觉跟踪算法和基于卷积神经网络的视觉跟踪算法。近年来基于相关滤波的视觉跟踪算法由于具有实时性好和跟踪性能高的优点，在VOT视觉跟踪竞赛中取得了优异成绩。

影响相关滤波跟踪算法性能的主要因素包括相关滤波器的设计，图像特征的提取、选择和融合两个方面。当在相关滤波跟踪算法中采用多源特征时，根据融合的层次不同，融合策略可分为特征提取层融合和特征响应图层融合两种，如图1所示。融合策略一在特征提取层将多种特征合并成多通道特征，融合策略二在特征响应图层进行融合，主要方法可概括为固定系数加权融合、自适应加权融合、自适应特征选择融合和分层融合等。

目前主流的基于相关滤波的目标跟踪算法，通过采用多源特征来提高跟踪性能。CN和DSST采用融合策略一，分别将颜色名(Color Name,CN)、方向梯度直方图(Histogramof Oriented Gradient,HOG)和灰度(Gray)特征合并成多通道特征。SAMF采用融合策略一，直接将Gray、HOG和CN特征合并成多通道特征。将不同类型的特征直接组合成多通道特征，虽然融合方法实现简单，但是融合特征固定不变，无法根据目标周围环境的变化，自适应的改变融合特征，以提高融合特征的显著性。Staple采用融合策略二，用固定系数加权策略将HOG特征和颜色直方图特征在特征响应图层进行特征融合，使其能有效处理目标形变。但在不同跟踪场景中，不同类型的特征描述目标的能力不同，应根据不同特征的判别性采取分层融合策略。

发明内容

为提高目标跟踪的鲁棒性，针对相关滤波跟踪中的上述多特征融合问题，本发明设计了一种多特征分层融合的相关滤波鲁棒跟踪算法。本发明采用多通道相关滤波跟踪算法进行目标跟踪，从目标和周围背景区域分别提取HOG特征、CN特征和颜色直方图特征三种特征。HOG特征和CN特征分别描述了目标的梯度和颜色特征，不同跟踪场景下目标的HOG特征和CN特征的显著性不同，本发明采用自适应加权融合策略进行第一层的HOG特征和CN特征的特征响应图融合，以增强目标特征的显著性。当目标发生形变时，HOG和CN这类模板特征几乎失效，而颜色直方图特征能保留一部分目标信息，可以依赖颜色直方图特征响应图来定位目标，从而提高跟踪算法的鲁棒性。由于颜色直方图特征的判别性较弱，易受背景相似颜色的干扰，当模板特征和颜色直方图特征融合时，本发明将颜色直方图特征作为一种辅助特征。将第一层融合结果与基于颜色直方图特征获得的特征响应图进行第二层融合时，本发明采用固定系数融合策略进行特征响应图的融合。

为解决上述技术问题，本发明采用的技术方案包括以下步骤：

步骤(1).在当前帧中的上一帧目标估计位置和尺度上，分别提取HOG、CN和颜色直方图三种特征的位置候选样本；基于多通道相关滤波算法，通过位置相关滤波器分别得到HOG和CN特征响应图；通过颜色直方图滤波器和积分图技术，得到颜色直方图特征响应图；