[发明专利]一种利用自适应特征融合的多尺度目标跟踪方法

说明书

本发明公开了一种基于自适应特征融合的多尺度目标跟踪方法，包括以下步骤：a特征提取步骤，读取图像和初始化目标位置，提取目标图像的HOG特征和CN特征，计算图像的颜色信息熵，进行自适应特征融合；b多尺度分类器训练步骤，利用余弦窗函数对特征矩阵过滤，对特征矩阵进行多尺度放缩，将多尺度特征矩阵转换到傅里叶中计算，得到不同尺度的分类器模型；c目标检测步骤，读取下一帧视频图像，进行特征提取，将特征转换到傅里叶域，与多尺度模型计算得到最佳目标位置，构建贝叶斯尺度估计框架，求出目标最佳尺度；d模型更新步骤，对新检测到目标位置重新训练分类器，将原分类器与新得到的分类器按照一定的线性比例进行模型更新。本发明可以有效提高特征表达能力，使目标尺度估计更精确性，可以显著提高跟踪精度。

技术领域

本发明属于计算机视觉领域，是目标跟踪领域一项重要应用技术，尤其是涉及一种基于自适应特征融合的多尺度目标跟踪方法。

背景技术

随着计算机技术和电子信息技术的迅速发展，人们利用计算机模拟人的视觉系统进行信息采集和分析处理，使计算机可以感知外部世界并进行相关的处理。它通过对图像进行相关处理，从而让计算机可以观察图像、识别图像、理解图像，帮助人们更好的处理海量的数据信息，将人类从繁琐机械的工作中解放出来，加快社会信息化的建设的进程。

目标跟踪是计算机视觉领域一个非常重要的研究方向，它包含图像处理、模式识别、人工智能等许多前沿的技术。一般来说目标跟踪是给定目标的初始位置后，估计目标在后续帧中的位置，跟踪过程可以认为是一个在线学习的过程。随着计算机性能的提高和摄像头的普及，视频图像的分析处理需求越来越多。目标跟踪目前主要应用于视频监控、人机交互、无人驾驶、智能交通、国防建设等领域。其中视频监控是应用最广泛的领域之一，传统视频监控需要人力进行处理大量视频，不仅效率低，而且容易出错。利用智能视频监控系统，可以通过计算机判断检测视频中异常和突发情况的发生，节省人力物力。在智能交通领域，利用目标跟踪技术可以实现对车流检测、人流检测，实时地对交通情况进行分析，判断异常情况的发生，做好交通疏导，保证交通安全通行。在人机交互领域，利用目标跟踪技术，可以实时地进行手势识别、人脸跟踪等，从而让人获得很好的交互体验，这类技术已经在体感游戏中取得很好的应用。在国防军事领域，利用红外成像技术获取导弹位置以及打击目标位置，将视频跟踪技术与雷达定位设备结合可以更精确的命中目标，提高军事作战能力。因此可以看出视频目标跟踪技术有着非常广泛的应用和重要的研究价值。

基于相关滤波器的目标跟踪算法是近几年跟踪领域研究的热点，并且取得了很大进展。该方法通过循环矩阵的理论扩充样本数量，解决了样本不足的缺点，然后利用高斯函数将目标及其周围区域标记为0到1之间的数值，使样本的标记更加有效，利用标记的样本在线进行训练分类器，将分类器的训练和目标检测通过快速傅里叶转化到傅里叶域中计算，大大加快了运算速度，因此这类方法不仅跟踪效率很高而且跟踪精度也很高，具有良好的拓展性。

尽管目标跟踪技术近年来取得了很大的发展，但目前仍未有一种跟踪算法可以精确地处理所有复杂情况下的视频跟踪任务。目标跟踪任务中需要应对复杂的外界环境以及目标自身的形变，其中复杂的外界环境包括：目标遮挡、光照变化、摄像抖动、摄像角度转换、背景杂乱等；目标自身变化包括：非刚性形变、目标平面内旋转和平面外旋转、目标尺度变化等。由于跟踪任务中存在这些挑战，往往导致跟踪任务失败。因此如果针对视频中出现的这些挑战，找到一种鲁棒性较高的跟踪算法，具有重要的研究价值和广阔的应用前景。

发明内容

本发明的技术解决的问题是：首先针对传统跟踪算法在特征融合时存在无法根据图像的不同特点自适应改变特征融合权重的问题，提出一种自适应特征融合方法。通过引入颜色信息熵来衡量图像包含颜色信息的多少，从而自适应改变颜色特征的权重。其次从目标尺度更新角度出发，针对以往算法仅通过一帧的检测容易错误估计目标尺度的问题。通过构建贝叶斯估计模型，以先前帧尺度为中心构建高斯函数作为先验概率，当前帧响应大小作为观测值，通过最大化后验的方式求解目标尺度大小。本发明针对现有技术的不足，提出一种基于自适应特征融合的多尺度目标跟踪算法，对提高单目标跟踪精度具有重要的意义。