[发明专利]基于联合感知的相关性滤波器目标跟踪方法及系统

说明书

本公开提出了一种基于联合感知的相关性滤波器目标跟踪方法及系统，首先提出了判别相关性框架下的目标函数，建立了上下文感知与回归目标自适应之间的关联，实现了鲁棒的目标跟踪。本公开提取了多个上下文样本，包含了丰富的上下文信息，有助于在复杂环境下对目标进行定位。在回归目标自适应方面，通过转换样本的滤波器响应对回归目标进行了构建，相比于通用的高斯形的回归目标，能够更好的反映目标当前的分布及运动趋势。最后，所提出的目标函数具有闭式解，闭式解表明在进行模型学习的过程中，所提出的方法能够以联合方式进行上下文感知与回归目标自适应。

技术领域

本公开涉及一种基于上下文与回归目标联合感知的相关性滤波器目标跟踪方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

对运动物体进行目标跟踪是计算机视觉和模式识别领域的基础课题。该课题涉及了多个应用领域，例如机器人学、生物视觉、智能交通、智能视频监控等，近年来引起了广泛的关注。然而，随着跟踪目标数据量的逐渐增加，对跟踪性能要求的逐渐提升，以及跟踪环境趋于复杂，目标跟踪中的许多技术问题仍需进一步的研究。

最近五年，基于判别相关性滤波器的目标跟踪方法成为了目标跟踪领域的一个主要研究分支。此类方法使用的判别相关性滤波器理论最早是在信号处理领域被提出的，之后研究学者将其应用于解决目标跟踪问题，并取得了显著的性能提升。其核心思想是将时域中图像样本的卷积转换为频域中图像样本乘积的形式，使用快速傅里叶变换，在实现稳定跟踪的同时，达到较高的处理速度。然而，发明人发现，在此类算法中，仅采用了包含少量上下文区域的图像样本，丢失了大量能够辅助算法在复杂环境中对目标进行定位的上下文信息。而且，此类算法中使用的用于防止边界效应的余弦窗进一步减弱了有效的上下文信息。

基于判别相关性滤波器的目标跟踪算法通常采用通用的高斯形的回归目标。然而，随着目标跟踪的进行，由于目标形变、跟踪漂移等问题，高斯形的回归目标不一定符合训练样本或测试样本中目标形态的分布。若一直采用高斯形的回归目标，则无法适应目标外形的不断变化，会对目标外观模型造成干扰，影响目标外观模型的准确性。

发明内容

本公开为了解决上述问题，提出了一种基于上下文与回归目标联合感知的相关性滤波器目标跟踪方法及系统。本公开提出了一种判别相关性滤波器下的目标函数，建立了上下文感知与回归目标自适应之间的联系，实现了以联合方式进行上下文的感知与回归目标的自适应。其次，与传统基于判别相关性滤波器的目标跟踪算法不同，本公开使用了目标相邻区域内的多个上下文样本，加大了上下文感知的区域，并将其融入到了所提出的目标函数，实现了上下文的感知。并且，通过转换样本的分类器响应构建出了自适应的回归目标，相比于通用的高斯形的回归目标，能够更好的反映目标最新的分布情况和运动趋势。此外，所提出的回归目标具有闭式解，闭式解中包含了上下文样本以及构建的回归目标，因此学习到的滤波器能够实现上下文与回归目标的联合感知，进而进行鲁棒的目标跟踪。

在一些实施方式中，本公开采用如下技术方案：

基于联合感知的相关性滤波器目标跟踪方法，包括：

在当前帧中，以上一帧目标位置为中心，提取测试样本；

根据目标外观模型参数，计算测试样本的滤波器响应，并与直方图响应进行融合，得到模型的整体响应，将模型整体响应最大值对应的位置作为目标在当前帧中的位置；

在当前帧中，根据目标在当前帧中的位置，分别提取训练样本、上下文样本和转换样本，并使用转换样本对约束矩阵进行构建；

学习训练样本、上下文样本，并使用构建的约束矩阵，对滤波器参数、模型参数进行更新；

对直方图参数进行更新。

作为进一步的限定，还包括：更新至下一帧图像，不断进行权利要求1中方法的迭代，直到所有图像处理完成。