[发明专利]一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法

说明书

本发明公开了一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法，通过超像素分析的策略实现目标的外观重构，将目标分割成超像素块并聚类成超像素中心，计算每个超像素中心的光流分析像素点的位移变化，预测出目标的运动偏移量和尺度变化；基于预测出的参数，在新一帧图像中循环采样后，对每个样本均采用引入自适应学习因子改进后的基于高斯核的相关滤波目标跟踪方法，检测出目标的准确位置和尺度；最后，通过在线双SVM检测模型对检测结果进行检测校正，对低置信度的位置实施校正，最终精确定位目标位置并得到目标准确尺度。该发明克服目标跟踪过程中存在的尺度变化、遮挡、形变、运动模糊等跟踪难题，实现实时的高精度目标跟踪。

技术领域

本发明涉及图像处理与分析技术领域，具体涉及一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法。

背景技术

计算机技术与人工智能的充分结合不仅促进了计算机科学领域的发展，还极大地方便了人们的日常生活。作为引领计算机走向智能化的重要领域，计算机视觉技术引起了社会广泛的关注。而视觉目标跟踪技术作为计算机视觉的一项关键组成成分，可广泛应用于人机交互、行人和车辆监控、无人机航行等诸多场合。由于目标跟踪算法具有极为广泛的应用前景，近几年来国内外研究人员在此领域提出大量先进的目标跟踪算法，极大地促进了视觉目标跟踪领域的发展与进步，大体上可以分成两类：生成式跟踪算法通常是先学习目标的外观模型，然后从众多候选模型中寻找与目标模型匹配度最高的对应目标区域；判别式跟踪算法是把目标跟踪近似看作二分类任务，即通过完成目标前景和背景分类的任务实现目标地持续跟踪。

生成式跟踪算法的关键在于对目标的外观进行准确地重构，并在跟踪过程中不断地学习目标的外观变化，从而在线更新外观模型，达到实时跟踪目标的目的。此类方法充分利用了图像的信息，能精确地拟合目标的外观模型，但在实际应用中，跟踪目标的外观通常没有特定的表现形式且容易发生外观显著变化从而容易导致目标跟踪丢失。判别式跟踪算法的基本思路是通过在线学习，获取前景目标与背景的分界面，降低计算成本而提升计算效率。此类方法虽已能取得较好的跟踪性能，但对训练样本的依赖程度相对较高，主要考虑的是样本特征的选取与表示，而忽略了对目标外观的有效重构，不能有效提取目标的完整信息。

此外，随着目标跟踪研究的不断深入，近年来，基于核函数的目标跟踪方法得到极大的发展，并表现出了优异的跟踪性能和较强的鲁棒性。这种方法在广义上属于判别式跟踪算法，通过在目标的邻近区域循环采样得到大量的正负样本训练分类器，并引入核函数和傅里叶分析，从而实现时间消耗少、速度快的目标跟踪。

虽然目标跟踪技术发展很快，但当前目标跟踪过程中仍存在诸多极富挑战性的问题，如环境光照变化、遮挡、形变、运动模糊和旋转等，上述跟踪难题是目标跟踪算法仍需克服的难点。

发明内容

本发明的目的是为了解决现有技术中目标跟踪过程中普遍存在的尺度变化、遮挡、形变、运动模糊等跟踪难题，提供一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法，实现实时的高精度目标跟踪。

本发明的目的可以通过采取如下技术方案达到：

一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法，所述的方法包括下列步骤：

S1、输入视频序列的第一帧图像后，根据用户的指定确定跟踪目标所在的区域，利用SLIC算法重构目标的外观模型，对目标进行超像素分割，并用k-means聚类算法聚类成若干个超像素中心；然后，计算上述每一超像素中心的L-K光流，从而在下一帧图像中找到与之对应的每一像素点；之后根据相邻两帧图像的对应像素点的位置，分析像素点的位移变化，进而预测出需要跟踪目标的运动偏移量和尺度变化；