[发明专利]一种基于上下文相关和判别相关滤波器的目标跟踪方法

权利要求书

1.一种基于上下文相关和判别相关滤波器的目标跟踪方法，其特征在于，所述方法包括步骤：

S1、构建基于相关滤波器的端对端的跟踪网络，以所述跟踪网络为基准网络构建用于追踪跟踪对象的跟踪器；

S2、利用VGG16模型的前三层卷积层生成特征图，并基于所述特征图以及上下文信息训练学习上下文相关滤波器和尺度相关滤波器；

S3、结合所述上下文相关滤波器与所述特征图训练平移滤波器，以所述平移滤波器定位跟踪对象的位置；

S4、基于跟踪对象的所述位置使用所述尺度相关滤波器计算跟踪对象的比例，并结合所述平移滤波器、尺度相关滤波器、特征图以及上下文信息定位下一帧中跟踪对象的位置。

2.根据权利要求1所述的基于上下文相关和判别相关滤波器的目标跟踪方法，其特征在于，所述跟踪网络的构建包括：利用训练图像的特征图来学习相关滤波器，并利用相同的特征图通过互相关来搜索测试集中的相似图像。

3.根据权利要求1所述的基于上下文相关和判别相关滤波器的目标跟踪方法，其特征在于，步骤S2中所述基于所述特征图以及上下文信息训练学习上下文相关滤波器和尺度相关滤波器包括将所述上下文信息组合到所述相关滤波器中：

S21、在每一帧跟踪对象的图像中，以跟踪对象为中心采取m个上下文块a_i∈R^n*n作为硬负样本，并获取所述硬负样本对应的循环矩阵A_i∈R^n*n；

S22、在标准公式中加入所述上下文块形成正则化器，获取得到对跟踪对象补丁具有高响应和对所述上下文块无响应的相关滤波器ω∈Rⁿ；

S23、根据公式将跟踪过程中生成的目标块回归到跟踪对象的真实位置x；其中，λ₁、λ₂为参数，且λ₁是一个加权参数，λ₂用于控制所述上下文块的回归为零，所述真实位置x为二维高斯的矢量化图像。

4.根据权利要求3所述的基于上下文相关和判别相关滤波器的目标跟踪方法，其特征在于，所述方法还包括步骤：以公式定义相关滤波器ω∈Rⁿ，并给出每个因变量的微分作为相关滤波器ω∈Rⁿ输入变量的微分在傅里叶域中的线性函数，实现通过相关滤波器ω∈Rⁿ获得反向传播的线性映射。

5.根据权利要求3所述的基于上下文相关和判别相关滤波器的目标跟踪方法，其特征在于，所述上下文块为包含跟踪目标周围的各种干扰源和跟踪目标周围不同的背景。

6.根据权利要求3所述的基于上下文相关和判别相关滤波器的目标跟踪方法，其特征在于，所述相关滤波器ω∈Rⁿ由特征图训练得到包括：

通过最小化公式保持跟踪对象图像x×δ_-u的每个循环移位的内积与期望的响应y_u相近，其中，δ_-u是图像域的狄拉克δ函数，u＝{0,1，.....,n-1}²，y_u是u^th元素；×表示循环卷积符号，*表示循环互相关符号。

7.根据权利要求4所述的基于上下文相关和判别相关滤波器的目标跟踪方法，其特征在于，步骤S4中所述使用所述尺度相关滤波器计算跟踪对象的比例包括步骤：

S41、以跟踪对象为中心利用所述尺度相关滤波器提取所述中心周围的块的特征构造训练样本；

S42、构建更新公式并以所述训练样本为所述更新公式的输入更新所述尺度相关滤波器，其中，使用一维高斯作为所述更新公式的期望相关输出g，f是矩形域中每个位置n处由d维特征向量f(l)∈R^d组成的跟踪目标是跟踪对象f的尺度滤波器在时间t在第一特征信道的分子μ是学习速率参数，是期望相关输出g在傅里叶域中的复共轭，F是f的离散傅里叶变换。