[发明专利]一种基于融合的目标跟踪方法

说明书

本发明实施例公开一种基于融合的目标跟踪方法，该目标跟踪方法分别训练核相关滤波器和贝叶斯分类器，并采用加权平均法集成核相关滤波的响应和贝叶斯分类器的响应，并基于贝叶斯分类器和方向梯度直方图特征融合成一种新的特征，该新的特征能够有效地增强相关滤波器的判别能力。进一步地，本发明实施例的目标跟踪方法采用Sigmoid更新模型从而能够自适应调整模型学习率，Sigmoid更新模型能够使贝叶斯分类器自适应地更新，避免模型被不良样本所污染，从而能够在多种工况下实时且准确地跟踪目标。

技术领域

本发明涉及计算机图像处理的技术领域，具体涉及一种基于融合的目标 跟踪方法。

背景技术

目标跟踪是计算机视觉领域中一个基础的研究问题，目标跟踪在机器人、 视频监控、无人机等领域内广泛应用。目标跟踪主要是根据目标在视频中第 一帧的位置，估计目标在后续视频序列帧中出现的轨迹。

目前，目标跟踪的方法主要包括两大类：判别类与生成类。生成类的目 标跟踪方法主要是运用生成模型描述目标的表观特征，在后序序列中找到与 目标外观最相似的特征，从而完成目标跟踪。由于生成类的目标跟踪方法的 性能较差，已经逐步被淘汰使用了。判别类的目标跟踪方法主要是运用机器 学习在线训练一个二分类器，然后在后序序列视频帧中运用该分类器进行目 标检测，从而完成目标跟踪。由于判别类的目标跟踪方法需要大量的训练样 本以增强判别能力，因此，判别类的目标跟踪方法无法同时兼顾实时性和准确性。

近年来，核相关滤波器的引入有效地解决判决类的目标跟踪方法的实时 性问题。采用核相关滤波器的判别类目标跟踪方法使用大量循环样本训练分 类器，并将数据的运算转换到频域内进行，从而以小代价有效地提升了分类 器的性能。但是，采用核相关滤波器的判别类目标跟踪方法存在两个个问题： 核相关滤波训练岭回归分类器所使用的循环样本只是真实样本的一个弱近似， 很容易产生边界效应，从而使得岭回归分类器的判别能力受到限制；核相关 滤波器所使用的方向梯度直方图特征(HOG)和颜色属性(CN)不能充分地 表现目标的特征。进一步地，核相关滤波类目标跟踪方法由于每帧都是以一 个固定的学习率线性加权更新模型，一旦在目标跟踪过程中出现定位不准、 目标遮挡、背景扰动等情况时，模型就会被迅速污染，导致模型漂移。

因此，针对现有的采用核相关滤波器的目标跟踪方法存在的问题，需要 提供一种更能够表现目标特征且能自适应地调整模型学习率的目标跟踪方法。

发明内容

针对现有采用核相关滤波器的目标跟踪方法存在的问题，本发明实施例 提出一种基于融合的目标跟踪方法。本发明实施例所提供的目标跟踪方法， 融合了核相关滤波器和贝叶斯分类器，并基于贝叶斯分类器与方向梯度直方 图特征(HOG)提出一种更能表现目标的特征。进一步地，本发明实施例所 提供的目标跟踪方法还能够自适应地调整模型的学习率，避免模型被不良样 本所污染，使得该跟踪方法的鲁棒性更强。