[发明专利]基于多峰响应的抗遮挡相关滤波跟踪方法及系统/装置

说明书

本发明公开了一种基于多峰响应的抗遮挡相关滤波跟踪方法及系统/装置，当目标出现遮挡，大多数相关滤波跟踪算法会出现误跟踪，将挡住目标的物体认为是目标，进而进行模板的跟新，导致模型漂移，最终跟踪失败。所述抗遮挡相关滤波跟踪方法中，则首先检测当前帧目标是否被遮挡，早判断为被遮挡的情况下，停止当前帧的模板更新，这样就不会学习到错误的信息，防止了模型漂移；其次所述抗遮挡相关滤波跟踪方法中增加了遮挡处理机制，找出当前帧最佳的目标位置，当目标再次出现时，依然跟踪正确，从而进一步提高了跟踪算法的精确度和鲁棒性。

技术领域

本发明涉及计算机视觉跟踪领域领域，更具体地说，涉及一种基于多峰响应的抗遮挡相关滤波跟踪方法及系统/装置。

背景技术

目标跟踪算法是计算机视觉中用于处理视频图像信息的重要技术手段，并且有着广泛的应用场景，如机器人、视频监控、智能交通等。近几十年来，研究者提出了多种优秀的目标跟踪算法，在实际环境中的目标跟踪仍然面临着一系列的挑战。目标跟踪的过程中要面对目标快速移动、背景复杂、遮挡、光照变化等不定因素的挑战,常常导致跟踪失败，对跟踪算法鲁棒性要求很高。

一般来说，目标跟踪可以分成生成式模型和判别式模型，对于生成式模型，当目标处于复杂环境中，由于仅仅考虑如何准确的构建目标模型，而忽略了周围的目标背景信息，使得跟踪效果不理想。而判别式模型通过训练和更新分类器来获取目标和背景信息，此类算法表现出良好的跟踪性能。相关滤波跟踪-Correlation Filter Tracking作为判别式模型的一种，提出以来，其就出色的性能和速度优势，在跟踪领域引起很大关注。目前基于深度学习方法的目标跟踪方法和基于深度特征的相关滤波目标跟踪方法对目标的特征提取较好，因此在对抗复杂环境干扰时具有较好的鲁棒性，但是现有大多数该类方法速度非常慢，难以达到实时性，而极少数高速的该类方法跟踪效果比较差。因此传统的核化相关滤波跟踪方法在近几年使用较多。

基于核化相关滤波目标跟踪方法主要过程：

(1)初始化阶段：根据目标的初始化信息，在目标周围区域进行循环移位采样，根据移位样本的中心距离真实目标中心，形成高斯标签作为样本的标签值。提取样本特征，同时使用岭回归方法，训练学习得到滤波器。

(2)跟踪阶段：在待跟踪的搜索区域(上一帧的目标位置)进行特征提取，将学习到的滤波器与搜索区域进行卷积操作，得到响应图的最大值点即为目标中心位置。

(3)模型更新阶段：为了确保模型的鲁棒性，减少模型漂移，每一帧之间使用固定的学习率来进行模型更新。

相关滤波跟踪方法在各项跟踪性能指标均有良好的表现，但考虑跟踪场景中，目标难免存在被遮挡和目标丢失等问题。且相关滤波跟踪方法在采样过程中不能明确区分正负样本，而分类器只取置信图最大的点作为目标。当跟踪算法在处理目标被遮挡时，滤波器学习了不必要的噪音，导致模板随后每一帧都进行更新，使得错误不断累积，最终导致跟踪失败。通过大量的试验表明，当目标存在遮挡时，通过跟踪算法得到置信图，并进一步确定目标位置的方法会存在多峰响应问题。

发明内容

本发明要解决的技术问题在于，针对现有技术的通过相关滤波算法在跟踪目标中无法解决目标被遮挡和目标被丢失，导致跟踪失败的技术问题缺陷，本发明提供一种基于多峰响应的抗遮挡目标跟踪方法。

本发明解决其技术问题所采用的技术方案是：构造一种基于多峰响应的抗遮挡目标跟踪方法，其特征在于，具体包括如下步骤：

S1：读取t-1时刻的图像数据，从读取到的图像数据中，设定一跟踪目标α，并进一步确定目标α的中心位置，以及目标α的宽度w_t-1和高度h_t-1；

S2：在读取的t-1时刻的图像数据中，以目标α的中心位置为中心，划定宽度为w_t-1、高度为h_t-1的图像区域作为第一目标区域，进行HOG特征和CN特征提取；