[发明专利]基于相关性滤波跟踪算法的目标尺度估计方法及其装置

说明书

本发明公开了一种基于相关性滤波跟踪算法的目标尺度估计方法及其装置，包括以下步骤：步骤S200：根据初始化帧、位置和尺度，提取响应图的最大值、最大位置和最大尺度；步骤S300：根据最大位置与最大尺度，在最大位置附近对搜索框分别进行尺度因子的收缩和尺度因子的放大，采用训练滤波器进行检测得到收缩响应图和放大响应图，分别提取收缩响应图中的最大值和放大响应图中的最大值，确定最大值、最大值和最大值中的最大值；步骤S400：根据确定的最大值、比例l和比例r得到尺度因子；步骤S500：采用尺度因子按，得到目标尺度。该方法能有效解决相关滤波跟踪算法在处理变尺度目标跟踪时，容易跟丢目标或获取的目标图像不完整的尺度问题。

技术领域

本发明涉及一种基于相关性滤波跟踪算法的目标尺度估计方法及其装置，属于信号处理与跟踪领域。

背景技术

相关滤波跟踪技术融合了图像处理、信号处理、目标跟踪等领域的先进技术，在智能交通、机器人、人机交互、无人驾驶等视觉场景中得到了广泛的应用。平方误差的最小输出和MOSSE第一次向世人展示了相关滤波应用于跟踪算法的巨大潜能，紧接着核检测跟踪的循环结构(CSK)、核相关滤波(KCF)和自适应颜色属性跟踪(CN)的提出更使相关滤波跟踪算法获得了越来越大的关注。

上述基于滤波器相关目标跟踪算法均未根据各帧图像中目标尺寸的改变调整选框尺寸，上述目标跟踪算法无论目标尺度是否变化，均按第一帧指定的目标尺寸进行框选，无法对目标尺度发生变化进行准确跟踪处理。

鲁棒视觉跟踪的精确尺度估计(DSST)和特征整合尺度自适应核相关滤波跟踪算法(SAMF)两大代表性跟踪算法为现有常用解决了目标尺度变化的跟踪算法，但是两者都是采用传统金字塔式尺度固定采样，对每一帧图像均进行同样数目的采样和检测评估，大量尺度因子数据严重影响跟踪算法的实时性。同时这两种算法中所用尺度因子均为固定值，受限于固定值，当目标发生大尺度变化时，尺度估计会失败比例较高。

对于每一帧都采用同样的尺度采样机制，不仅会降低目标跟踪算法的实时性，而且受限于尺度因子的固定性，当遇到尺度变化较大的情况下，根据固定尺度因子往往是很难准确估计目标在该帧图像中的尺度，从而降低了现有跟踪方法跟踪目标的准确性，常导致目标跟踪失败或仅获取目标局部图像，目标不完整的情况。

发明内容

根据本申请的一个方面，提供了一种基于滤波跟踪算法的目标尺度确定方法，该方法有效解决了现有基于滤波算法的目标跟踪方法，在应对目标尺度发生较大变化情况下，目标跟踪准确性低的问题，该方法能根据每一帧图像中目标在其中尺度变化的情况，确定框选对象，避免目标丢失、结果不准确和不完整。

所述基于滤波跟踪算法的目标尺度确定方法，包括以下步骤：

步骤S200：根据初始化帧I_t、位置P_t和尺度S_t-1，采用训练滤波器对第i+1帧图像进行目标检测，得到响应图，提取所述响应图的最大值c_max、最大位置pos和最大尺度target_sz；

步骤S300：根据所述最大位置pos与所述最大尺度target_sz，在所述最大位置pos附近对搜索框分别进行比例l的收缩和比例r的放大，采用所述训练滤波器进行检测得到收缩响应图和放大响应图，分别提取所述收缩响应图中的最大值l_max和所述放大响应图中的最大值r_max，确定所述最大值l_max、所述最大值c_max和所述最大值r_max中的最大值；

步骤S400：根据确定的最大值、所述比例l和所述比例r得到尺度因子current_size；

步骤S500：采用所述尺度因子current_size得到估计尺度target_sz^#＝target_sz*current_size。