[发明专利]一种基于PSR的视觉跟踪错误修正方法

说明书

本发明揭示了一种基于PSR的视觉跟踪错误修正方法，包括如下步骤：S1、计算出第一帧的相关滤波器；S2、限定实施错误修正的范围；S3、计算出与；S4、将与进行比较；S5、提取目标在新状态下的特征；S6、重复上述步骤，完成后续检测修正。当出现物体遮挡、视角变化、目标形变、周围光照变化等情况时，本发明的方法可以通过使用第一帧训练得到的相关滤波器来对后续跟踪检测过程中的状态估计进行判定，若第一帧有比当前帧正在使用的滤波器更高的可信度，则使用第一帧来进行状态估计，从而减少了视觉跟踪过程中错误发生的几率，提高了视觉跟踪的精度。

技术领域

本发明涉及一种视觉目标跟踪调整方法，尤其涉及基于PSR的视觉跟踪错误修正方法，属于计算机视觉与视觉跟踪技术领域。

背景技术

视觉目标跟踪是计算机视觉中的一项具有重要研究价值的任务。其主要应用有无人驾驶、智能安防、智慧交通等。但是由于在跟踪过程中的目标外观发生旋转、遮挡、快速变化、运动模糊和背景复杂等问题，使得视觉跟踪技术在实际应用中困难重重。

目前常用的视觉目标跟踪方法分为两类，生成式的跟踪方法和鉴别式的跟踪方法。早先的跟踪方法以生成式为主：如ASLS跟踪器提出基于结构局部稀疏外观模型的目标跟踪方法；而CLRST利用粒子滤波理论，自适应筛选候选粒子，提出基于粒子滤波的低秩稀疏滤波器。这些方法主要通过构建鲁棒的目标外观，在候选区域中寻找与目标外观最相似的区域来进行跟踪。在2010年，Bolme将相关滤波理论引入视觉跟踪领域发表了 MOSSE，引发了鉴别式跟踪方法的蓬勃发展。MOSSE提出使用最小输出平方差作为优化目标来学习相关滤波器，然后通过寻找后续序列经过滤波器进行相关操作得到的响应值阵中的最大值来估计目标的新状态。与此同时，相关滤波器在每一帧中进行在线更新。随后Henriques等人提出了基于核相关理论的核相关滤波跟踪器CSK核KCF。同年，Yang Li等人提出了SAMF，在仅有位置估计的跟踪器上加入了尺度估计，它采用的是使用三维相关滤波器同时进行位置估计和尺度估计。SAMF与Danelljan等人提出的DSST对立，DSST同样也是带有尺度估计的视觉目标跟踪器，但是它采用的是一种较SAMF更为快速的方法即首先使用2维相关滤波器进行位置估计，随后采用1维相关滤波器进行尺度估计，在提高跟踪性能的同时，大幅提高了实时性能。随后Danelljan等人根据跟踪过程中出现的边缘效应提出SRDCF，有效解决了跟踪中出现的边缘效应，以牺牲处理速度为代价大幅提高了跟踪的精度。而后，为了解决样本污染的问题Jianming Zhang等人提出MEEM，通过专家模型来评估样本的污染状况。同样，Danelljan等人又提出SRDCFdecon，净化跟踪过程中的目标外观模型。这几年来，深度学习兴起，基于深度学习的方法层出不穷。Danelljan等人的C-COT和ECO将一直以来在傅里叶域学习得到的相关滤波器，转为在连续空间域训练，并提出任意尺度深度特征层进行融合的框架。不仅如此，它还将目标跟踪和特征点跟踪相结合，显著提高了跟踪的精度。Hyeonseob等人提出MDNet，通过将自然语言处理中常用的框架多域网络应用到视觉目标跟踪中，使用自己设计的CNN网络MDNet作为区分背景和目标的分类器以实现跟踪。

虽然近年来，视觉目标跟踪技术发展迅速，但是现阶段的视觉目标跟踪仅是属于短期的跟踪，并不能胜任长期的跟踪任务。所以对于跟踪过程中出现的模型漂移，样本污染等问题，仍然是需要研究的问题。

综上所述，人们亟待一种可有效提高视觉追踪精度、可长期跟踪的视觉跟踪错误修正方法，以满足实际的使用需要。

发明内容

鉴于现有技术存在上述缺陷，本发明的目的是提出一种基于PSR的视觉跟踪错误修正方法。

一种基于PSR的视觉跟踪错误修正方法，包括如下步骤：

S1、使用第一帧给定的目标状态下的特征和groundtruth值计算出第一帧的相关滤波器H_base；

S2、限定实施错误修正的范围；