[发明专利]融合卷积网络特征和判别式相关滤波器的目标跟踪方法

说明书

本发明公开了一种融合卷积网络特征和判别式相关滤波器的目标跟踪方法。建立了一个端到端的轻量级网络体系结构，通过学习连续帧中丰富的流信息来训练卷积特征，改善特征表示和跟踪精度。将相关滤波跟踪组件构造为网络中的特殊层次跟踪单个图像块，在跟踪过程中，同时跟踪目标块和多个背景块，通过感知目标与周围背景块的结构关系，对目标及其周围环境辨识度高的部分建立模型，通过峰值旁瓣比和置信图峰值关系度量目标跟踪效果，在发生大面积遮挡、目标外形极度形变、光照剧烈变化等跟踪难度大的情况下，自动利用判别的背景部分进行定位。

技术领域

本发明涉及一种融合卷积网络特征和判别式相关滤波器的目标跟踪方法。

背景技术

目标跟踪是计算机视觉中的一个基本问题，这个问题的一个常见的流程是指输入一段连续的视频图像，在第一帧中用一个边界框初始化感兴趣的对象，是在后续的帧中估计目标对象的所在位置。视觉跟踪是计算机视觉中的一项重要技术，在安全防护、只能监控、人机交互、自动控制系统等方面有着广泛的应用。

近年来，许多研究人员针对基于判别式相关滤波器(DCF)的视觉目标跟踪进行了大量的研究，取得了长足的进展。随着方法的发展，现有的算法可以很好地解决简单运动环境下的运动跟踪问题。然而，之前使用相关滤波器的工作都采用了HOG等手动设计的特征，或者针对不同任务进行训练的特征。

此外，由于传统的基于相关滤波器的跟踪器不能处理遮挡，并且大多数基于相关滤波器的跟踪器都会固定目标的尺度，使得跟踪器在长期跟踪任务中不可靠。所以最近基于部分的相关滤波方法也变得更受欢迎，他们能够基于目标的多个部分对物体外观进行建模，因此它们具有抵抗部分遮挡的强健性能。但是依旧无法在跟踪目标被严重遮挡，和抵御缓慢遮挡再显现的更复杂的情况，此时需要更鲁棒的跟踪方法来实现精确的跟踪。

综上可知，现有的不论是基于相关滤波还是基于部件的目标跟踪方法在实际使用上存在局限性，所以有必要加以改进。。

发明内容

为解决以上问题，本发明针对基于相关滤波器的目标跟踪，提出了一种具有结构约束的融合卷积网络特征和判别式相关滤波器的目标跟踪方法。该发明将特征卷积神经网络与判别式相关滤波器深度结合，同时跟踪目标和背景区域的多个块，提供带有结构约束的目标跟踪解决方案。由于求导工作在傅立叶频域进行，所以本发明不仅保留了CF高效率的特点，也利用卷积特征改善目标的特征表示方法，弱结构的限制进一步解决了卷积特征在大范围遮挡情况下表现不佳的问题，显著提高了跟踪的准确性和速率。

为解决上述技术问题，本发明所采用的技术方案是：

一种融合卷积网络特征和判别式相关滤波器的目标跟踪方法，包括以下步骤：

步骤A，在离线阶段，使用视频中连续帧中的图像对训练跟踪特征神经网络；

步骤B，初始化跟踪目标块和背景块集合的中心坐标、矩形框宽度和高度等属性；

步骤C，对图像进行surf特征点检测，找出其中最具辨别性的背景块；

步骤D，按顺序将特征点集中与目标块没有交集的surf特征点块加入背景区域块集合中；

步骤E，重复步骤C和步骤D，直到满足背景块数量达到需求；

步骤F，对于目标块训练和背景块集合中的每个背景块训练一个分辨式相关滤波器；

步骤G，构建相对目标中心的运动模型；

步骤H，读取下一帧图像；

步骤I，同时跟踪目标块和背景块,计算他们的跟踪结果置信图；

步骤J，通过分析置信图的特征判断目标图像块和背景图像块是否跟丢；

步骤K，如果目标跟踪失败，则使用背景块集合推测目标位置；