[发明专利]一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法

说明书

本发明请求保护一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，该方法首先利用微调后的VGG‑m网络得到深度调整，并结合参考独立成分分析的方法(Independent Component Analysis with Reference,ICA‑R)，将其与传统手工特征信息融合，得到更具判别性的特征。其次，在模型更新阶段，提出一种基于图像块中心移位欧式距离的自适应更新策略。最后在OTB‑2015，VOT‑2016两个标准跟踪数据集上进行测试，实验结果表明，利用深度特征与传统手工特征融合的方法能够很好地区分背景与目标，提出的视觉目标跟踪算法在应对目标超出视野、运动模糊、遮挡等因素的干扰下均表现出很好的鲁棒性与准确性，其中在OTB‑2015中的成功率达到65.2％,准确率达到86.3％，在VOT‑2016中的准确率排在第一。

技术领域

本发明属于图像处理与模式识别领域，特别是一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法。

背景技术

视觉目标跟踪(Visual Object Tracking)要求在一段视频序列中给定跟踪目标初始状态的情况下，预估目标的运动轨迹并自动跟踪。其往往通过时间和空间上的相关性，确定其在每一帧图像中的位置，并记录下运动轨迹，从而获得目标的运动情况。视觉目标跟踪技术在视频监控、视频分析、无人驾驶、无人机及人机交互等众多领域有着十分广泛的应用。近年来，特别是在人机交互方面，视觉目标跟踪作为一种方式来辅助其它指令，并持续稳定地跟踪选定的目标，从而实现了智能港口、无人驾驶等，受到学术界的广泛关注。国内外对视觉目标跟踪的研究主要是针对视频序列，例如对一段视频序列中的某个物体进行持续地跟踪，可以直观的看到跟踪目标的位置及形态的变化，从而解放了人眼，不需要时刻去关注着跟踪的目标。而目前投入实际应用的场景都还是一些干扰物较少，比较单一的场景，随着人工智能的发展，基于视觉目标跟踪的技术将逐步提高，在一些干扰较大的场景中依旧能实现稳定且快速的跟踪，而实现目标的自动跟踪，这也是现在以及将来人工智能的一个发展趋势。因此，视觉目标跟踪不仅有很深的理论价值，也具有广阔的应用前景。

对于背景干扰物较多、跟踪目标变化复杂等因素影响时，当前的视觉目标跟踪算法依旧会丢失跟踪目标，存在准确率较低，鲁棒性较差的问题。

发明内容

本发明旨在解决以上现有技术的问题。提出了一种可以获得较高准确率与成功率，面对遮挡、形变、光照等变化时具有较好鲁棒性的基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法。本发明的技术方案如下：

一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法，其包括以下步骤：

S1，跟踪目标初始化，选定需要跟踪的目标，并采用高斯滤波将视频序列进行预处理，将预处理后的视频序列通过二维仿射变换得到多视角的信息，用k 表示其中的一个视角；

S2，选定深度卷积神经网络(VGG-m)网络模型提取目标的深度特征，采用梯度直方图特征(HOG)提取目标的形状特征，采用颜色特征(CN)提取目标的颜色特征，通过VGG-m网络模型中的第一个卷积层Conv1和最后一个卷积层Conv5分别提取深度特征和HOG提取形状特征F_H，CN提取颜色特征F_C，并进行初步融合得到初步融合后的单一视角特征为

S3，将S2中单一视角的融合特征作为本一步中的混合信号，作为参考信号，利用一单元快速参考独立成分分析(Independent Component Analysis withReference,ICA-R)算法将深度特征和和S2中单一视角融合后的特征进行再次融合得到期望信号

S4，利用拉格朗日数乘法将多个视角融合得到特征图谱其中V_k表示第k个视角中融合后得到的期望信号；