[发明专利]一种针对遮挡的相关滤波目标跟踪方法

说明书

本发明涉及一种针对遮挡的相关滤波目标跟踪方法，步骤1：对于一段跟踪的视频序列，给出第t帧的跟踪目标位置和大小，确定搜索区域，计算特征，计算出第t帧的权重图；步骤2：基于得到的第t帧的权重图，训练出第t帧的相关滤波器；步骤3：根据训练出的相关滤波器，计算出第t+1帧的目标响应图，计算第t+1帧目标位置；步骤4：基于第t+1帧目标位置，求得高置信度的APSR策略，决定第t帧的相关滤波器是否被更新。

技术领域

本发明涉及一种针对遮挡的相关滤波目标跟踪方法，属于模式识别、计算机视觉领域。

背景技术

随着计算机视觉的日益发展，视觉跟踪已经广泛应用于许多计算机视觉任务，例如视频监控，人机交互和无人感知系统。给出第一帧目标的真实位置，跟踪器就可以在整个视频序列中定位感兴趣的目标。虽然视觉跟踪方法取得了很大进展，但仍存在许多挑战，例如变形，遮挡，视野外，尺度变化，平面内旋转等[1]。

近年来，判别类跟踪方法引起了极大的关注。判别方法将目标跟踪视为二分类，即目标和视频中的背景区域。很多判别类方法是基于机器学习方法，其中，相关滤波(KCF)[2]由于其具备高计算效率和出色的跟踪性能，最受欢迎。但是，标准的相关滤波受制于边界效应，会生成不真实的训练负样本，可能训练出过度拟合的过滤器，不能很好的应对变形遮挡等挑战，因此增加了跟踪失败的风险。目前有很多工作旨在改进相关滤波产生的边界效应，SRDCF[3](空间正则化判别相关滤波器)引入了一个空间正则化窗口，该窗口是目标的5倍大小，它惩罚目标矩形框范围之外的滤波器值，这使得许多背景样本被抑制，因此它比KCF有更强的跟踪能力。然而，SRDCF在跟踪过程中整个参数是固定的，因此该方法不能很好地适应目标的形状变化。除此之外，CSR-DCF[4]，它利用颜色直方图模型来构造二分类分割矩阵，赋予真实目标区域更多的权重，同时背景像素被抑制，这样训练出的相关滤波跟踪器就更多地关注在真实的目标区域。然而，通过颜色直方图得到的二分类分割矩阵不可能一直准确，特别是发生遮挡和光照变化时，此时低置信度的二值分割矩阵极大程度地干扰跟踪器，导致跟踪失败。

文章[2]提出传统的KCF跟踪算法流程，利用到流行的tracking–by-detection[5]思想，KCF的总体思路为：对给定的一个训练正样本，利用周期矩阵的性质，生成大量的其余负样本并用于训练相关滤波器。根据循环矩阵的性质，DCF方法将耗时的空间相关转换为快速的傅里叶域中的元素操作。

文章[6]提出HOG(Histogram of Oriented Gradient)描述子，HOG的生成方式是根据这样的思想：它通过计算和统计图像局部区域的梯度方向直方图来构成特征。目标的梯度或边缘的方向密度分布很好地描述目标的表象和形状，因此HOG特征被广泛地运用在目标检测和跟踪领域。

文章[7]提出CN(Color Names)描述子，CN的生成方式是根据这样的思想：

它把目标可能出现的颜色分为11类：黑、蓝、棕、灰、绿、橙、粉、紫、红、白和黄共11种。通过自适应算法，利用PCA(主成分分析)的思想，选择目标区域中每个像素比较显著的颜色，将11维的颜色特征降为2维度。

文章[4]提出一种空间感知的相关滤波跟踪算法。它利用颜色直方图生成权重矩阵，判断跟踪目标区域内像素类别(目标或者背景)。算法首先对上一帧的跟踪结果(一般由矩形框)，提取目标特征和计算颜色直方图，然后将生成的权重矩阵融入传统的KCF跟踪算法中，然后得到训练好的滤波器，在当前帧的搜索区域中，定位到最合适的目标位置。

综上所述，想要设计一种既满足实时性，又能应对各种外界干扰，跟踪效果还能满足实际需求的跟踪算法，依然有很大难度。目前尚没有相关文献报导。

[1]王世峰,戴祥,徐宁,and张鹏飞,无人驾驶汽车环境感知技术综述,长春理工大学学报(自然科学版),vol.40,no.01,pp.1-6,2017.