[发明专利]背景感知的大分类间隔相关滤波目标跟踪方法

说明书

本发明公开了一种背景感知的大分类间隔相关滤波目标跟踪方法，按照如下步骤进行：步骤1：在视频的当前帧中确定目标图像区域，如果是第一帧，手工标定出目标图像区域，如果非首帧，则为算法检测出的目标图像区域，并围绕目标中心选择3倍目标尺寸大小的矩形框作为样本采集图像区域；步骤2：支持相关滤波器的学习在矩形框区域内提取梯度直方图HOG特征图X，将X每个通道上的特征图作循环平移产生训练样本；本发明由于借助了支持相关滤波器完成目标跟踪，对于目标与背景的区分能力强，受背景的干扰少，因此跟踪的稳定性更好。

技术领域

本发明涉及计算机视觉领域，更具体的涉及一种背景感知的大分类间隔相关滤波目标跟踪方法。

背景技术

2018年，WangmengZuo等在题为《Learning Support Correlation Filters forVisual Tracking》的论文中提出一种基于支持相关滤波的目标跟踪方法，不同于传统相关滤波跟踪的方法，其在支持向量机的框架下构造了一种判别型相关滤波器，利用以目标为中心的特征图区域作为训练样本采集区域，以特征图区域循环平移的方式密集采集样本，能够在一定程度上克服相关滤波器学习过程中的噪声样本问题，但是这一方法无法回避由于特征图循环平移导致的边界效应问题。2017年，Galoogahi等在题为《LearningBackground-Aware Correlation Filters for Visual Tracking》的论文中提出通过对包含目标的大尺寸图像区域进行裁剪获得用于相关滤波器学习的训练样本，即将大尺寸图像区域作循环平移，在循环平移后的图像区域上按照目标的尺寸裁剪出图像区域作为训练样本来计算得到相关滤波器，在一定程度上缓解了边界效应，但是该相关滤波器是在岭回归框架下学习得到，对于噪声样本较为敏感。图像特征在做循环平移操作时会产生伪像，也即边界效应。在岭回归框架下学习对于目标与背景具有高判别性的相关滤波器，通过引入特征图的裁剪操作来避免相关滤波器学习中的边界效应问题，以此在提升相关滤波器判别性的同时缓解相关滤波器学习的边界效应问题

发明内容

1、发明目的。

本发明提出了一种背景感知的大分类间隔相关滤波目标跟踪方法，解决滤波器学习的边界效应。

2、本发明所采用的技术方案。

本发明一种背景感知的大分类间隔相关滤波目标跟踪方法：

步骤1：在视频的当前帧中确定目标图像区域，如果是第一帧，手工标定出目标图像区域，如果非首帧，则为算法检测出的目标图像区域，并围绕目标中心选择3倍目标尺寸大小的矩形框作为样本采集图像区域；

步骤2：支持相关滤波器的学习

在矩形框区域内提取梯度直方图HOG特征图x，将x每个通道上的特征图作循环平移产生训练样本；

步骤2.1根据平移量赋予样本类别标签；

步骤2.2迭代计算向量；其中在计算的过程中，其中为支持相关滤波器w扩展所得支持相关滤波器的傅里叶变换结果，在处理裁剪矩阵乘积的作用时，先构造出与大小一致的全零矩阵，随后将该矩阵中心块用同样大小的支持相关滤波器的权值矩阵w傅里叶变换结果替换；

步骤3：如果当前帧不是第一帧，则更新支持相关滤波器；

步骤4：在下一帧中，围绕上一帧的目标中心位置裁剪出目标尺寸3倍大小的区域作为目标搜索区域，同样先构造出与大小一致的全零矩阵，随后将该矩阵中心块用同样大小的支持相关滤波器的权值矩阵替换，计算频域形式的响应图将其作傅里叶反变换得到空域上的响应图，最后取相应图上最大值所对应的坐标值与中心位置的偏移量作为目标位置相对上一帧中位置的偏移量，最终，目标在当前帧中的位置就为上一帧中目标位置加上偏移量可得。

更进一步，所述的步骤2.1根据平移量赋予样本类别标签按照如下步骤进行：