[发明专利]双步相关滤波目标跟踪方法

说明书

本发明公开了一种双步相关滤波目标跟踪方法，涉及计算机视觉技术领域，特别是图像处理目标跟踪领域。本算法重点在于加强相关滤波目标跟踪的鲁棒性，提高相关滤波目标跟踪处理目标遮挡能力。本发明包含以下步骤：(1)融合HOG与CN特征获取目标更为全面的特征表征来提高目标跟踪的鲁棒性。(2)采用双步相关滤波目标跟踪方法，通过粗定位与精定位相结合，提高目标跟踪的精度保证跟踪速度。(3)采用新的目标跟踪置信度指标，通过置信度指标自适应更新滤波器模板，解决目标遮档时的滤波器模板被污染的问题。实验结果表明，双步相关滤波目标跟踪方法，较基础方法提高了目标跟踪的精度和鲁棒性，实现了实时性较强的目标跟踪，对现有技术有重要改进。

技术领域

本发明涉及计算机视觉技术领域，特别是图像处理目标跟踪领域。

背景技术

目标跟踪根据已知图像确定位置处的目标，预测确定目标在下一帧中的图像位置，进而达到目标持续跟踪。由于目标跟踪具有光照变化、尺度变化、目标遮挡、目标形变、运动模糊、快速运动、目标旋转、超出视野、背景干扰、低分辨率等问题，以及目标信息较少，对目标的建模难度较大的问题导致目标跟踪困难。相关滤波目标跟踪方法作为一种判别式跟踪方法，由于其具有超高的跟踪速度和较强的跟踪鲁棒性，因此对相关滤波目标跟踪算法进行研究对目标实时性跟踪，提高跟踪鲁棒性具有重要意义。

国外学者对该领域进行了深入的研究：Bolme等人提出最小化输出均方误差方法(Minimum Output Sum of Squared Error,MOSSE)，通过最小化滤波目标结果与目标值的误差来训练滤波器模板完成目标跟踪。该方法首次将相关滤波应用到目标跟踪中，跟踪速度达到669Fps，算法跟踪鲁棒性较好。Henriques等人提出核相关滤波(KernelizedCorrelation Filters,KCF)目标跟踪方法。用循环矩阵性质将相关滤波训练过程的采样等价于目标特征矩阵循环移位操作，来完成滤波器模板训练的密集采样，并采用核函数方法，解决非线性问题。该方法极大地加速了目标滤波器模板的训练过程，提高了相关滤波目标跟踪方法的鲁棒性。Bibi提出自适应多尺度核相关滤波(Scale Adaptive KernelCorrelation Filter,SAMF)方法。通过构建目标尺度池，分别对不同尺度图像进行相关滤波，来估计目标尺度变化。该方法解决了目标尺寸的变化问题，但由于跟踪速度限制尺度池设置有限，导致对于目标尺度变化不敏感。Danelljan提出尺度空间判别跟踪(Discriminative Scale Space Tracking,DSST)方法。通过额外的一维尺度相关滤波器，判别目标尺度池中的最佳尺度。该方法简单高效，对目标尺度变化估计精确。马超提出分层卷积特征目标跟踪(Hierarchical Convolutional Features for Visual Tracking,HCFT)方法，通过卷积神经网络强大的特征提取能力，来提取目标更为鲁棒的特征，提高了目标跟踪的鲁棒性和精度，但跟踪速度较慢。刘婷提出自适应分块目标跟踪(Real-timepart-based tracking via adaptive correlation filters,RPAC)方法，通过将目标分解为局部目标，对局部目标分别进行相关滤波跟踪，然后结合分块信息作为最终跟踪结果。该方法对目标遮挡情况的跟踪效果较好，但目标分块模型较为复杂，一些情况下目标跟踪的鲁棒性不高。

上述算法针对相关滤波目标跟踪算法进行了创新与改进，但仍存在以下问题：目标跟踪的精度和鲁棒性有待进一步提高；对目标遮挡的处理以及发生遮挡时的模板更新问题有待优化。

发明内容

有鉴于此，本发明的目的在于提出一种双步相关滤波目标跟踪算法，该方法能够提高目标跟踪算法的鲁棒性，有效解决目标遮挡等问题导致的滤波器模板污染问题。

基于上述目的，本发明提供的技术方案是：

双步相关滤波目标跟踪方法，该方法包括以下步骤：

步骤一：分别提取训练目标图像特征，训练粗定位相关滤波器模板、精定位相关滤波器模板和目标尺度相关滤波器模板；