[发明专利]一种基于相关滤波的目标长时跟踪方法

说明书

本发明公开了一种基于相关滤波的目标长时跟踪方法，属于计算机视觉技术的目标跟踪领域。首先在视频第一帧提取目标的梯度方向直方图特征和局部强度直方图特征作为目标的特征表示，并且用于训练平移相关滤波器和长时相关滤波器，利用梯度方向直方图特征训练一个尺度相关滤波器。然后，在跟踪过程中，利用长时相关滤波器与目标产生的最大响应值与检测阈值来判断目标跟踪是否发生失败，若发生跟目标跟踪失败，激活在线检测器对目标重新定位；最后，更新在线检测器。同时，使用动态的学习率对目标特征模型和滤波器系数进行更新，以及检测阈值自适应更新。本发明用于运动目标跟踪能适应更加复杂的运动场景，可以明显提高目标跟踪的精确度和成功率。

技术领域

本发明涉及计算机视觉领域以及目标跟踪领域，尤其涉及一种基于相关滤波的目标长时跟踪方法。

背景技术

目标跟踪是计算机视觉领域中的一项基本研究任务，在计算机视觉领域中应用广泛，如：行为识别、安全检测、人机交互等。在实际应用中，由于目标所处的周围环境不同，以及目标自身会发生形变、快速运动、平面外旋转、平面内旋转等情况，以及目标容易受光照、遮挡等影响，目标跟踪成为计算机视觉领域的难点和热点问题。

近年来，基于判别式的目标跟踪方法备受人们关注，尤其是基于相关滤波的目标跟踪方法。

一)：基于相关滤波的目标跟踪方法。Blome首次在目标跟踪领域中应用相关滤波理论，提出一种最小均方误差相关滤波算法，提高了跟踪速度。详见文献“Bolme D S,Beveridge J R,Draper B A,et al.Visual object tracking using adaptivecorrelation filters[C]//The Twenty-Third IEEE Conference on Computer Visionand Pattern Recognition,CVPR 2010,San Francisco,CA,USA,13-18June2010.IEEE,2010.”Henriques首次将多通道方向梯度直方图(Histogram of Oriented Gradients,HOG)特征引入至相关滤波跟踪框架中，提出核化相关滤波跟踪算法，提高了跟踪精度，详见文献“Henriques J F,Caseiro R,Martins P,et al.High-Speed Tracking withKernelized Correlation Filters[J].IEEE Transactions on Pattern Analysis andMachine Intelligence,2015,37(3):583-596.”，Danelljan针对目标尺度变化，提出判别式多尺度相关滤波跟踪算法，详见文献“Danelljan M,Hager G,Khan F S,etal.Discriminative Scale Space Tracking[J].IEEE Transactions on PatternAnalysisMachine Intelligence,2017,39(8):1561-1575.”，Ma提出一种具有目标长短时记忆的相关滤波跟踪算法，该算法在对目标进行表观建模的过程中考虑了目标上下文信息，增强了目标的特征表达，并且在跟踪过程中引入在线检测模型，在目标发生跟踪失败或漂移时，可以重新定位目标，进行持续跟踪。详见文献“Ma C,Huang J B,Yang X,etal.Adaptive Correlation Filters with Long-Term and Short-Term Memory forObject Tracking[J].International Journal of Computer Vision,2017(2):1-26.”

从这些方法中，可以得出模型学习率都采用固定的经验值，以及在判断目标是否发生跟踪失败的阈值设置为固定值。

发明内容

本发明的本发明旨在解决以上现有技术的问题。提出了一种跟踪更具有广适性、明显提高跟踪精度和成功率的基于相关滤波的目标长时跟踪方法。本发明动态调整模型学习率和采用自适应阈值。本发明用于目标跟踪可以提高目标跟踪的广适性，可以明显提高目标跟踪的精确度和成功率。