[发明专利]一种高实时性的多尺度目标跟踪方法

说明书

本发明公开了一种具有高度实时性的多尺度目标跟踪方法。该方法包括对目标及其周围背景区域提取快速梯度方向直方图(fhog)特征，通过循环移位模拟生成正负样本，二维高斯函数作为样本标签，岭回归方法训练相关滤波器；后续帧利用滤波器响应特性得到目标位置，采用基于尺度预测与尺度池相结合的方法计算目标尺度；重复训练过程，对相关滤波器进行插值更新。本发明利用目标历史运动信息，实现对频域运算及尺度估计方式的优化，在保障跟踪精度的同时，可将核相关滤波器(KCF)方法运行效率优化约43％，高度的实时性为相关滤波类目标跟踪方法向嵌入式系统等低运算能力的开发板移植提供保障，可应用于智能监控、航天航空、无人驾驶等领域。

技术领域

本发明属于计算机视觉的单目标跟踪领域，特别提出一种高实时性的多尺度目标跟踪方法。

背景技术

目标跟踪是在图像处理的基础上，融入了自动控制以及信息科学等技术，它能够在每一帧图像中定位目标，并且获得目标的尺寸大小等信息，从而将目标区域从背景区域中分割出来，进而完成在整个视频序列图像中对目标进行跟踪的任务。

近些年，判别式跟踪领域研究的热点主要集中基于相关滤波器的跟踪方法改进上。相关滤波原本是一种信号处理方法，通过输入信号经过滤波器后的输出响应，来判断输入信号的相关性。在目标跟踪上，可以通过寻找最大响应，来确定跟踪目标的中心位置。为了实现有效的更新目标模型，快速而准确的尺度估计方法是十分必要的。目前解决尺度计算的方法主要是通过尺度池的方式，即使用平移滤波器在多尺度缩放的图像块上进行目标检测，取响应最大的平移位置及所在尺度。这种方法简单，易于理解，但过于粗糙，导致方法整体复杂度会随所检尺度个数的增加而呈倍数级增长，破坏了核相关滤波跟踪方法本身的高速性能的优越性，从而在嵌入式处理器等一些低运算能力的开发板上运行时不能完成实时性的要求，无法满足跟踪技术的真正落地需求。

为了优化上述基于尺度池的目标尺度估计方法，减少其所存在的冗余，提高跟踪方法运行效率。因为计算尺度的增加具有强大的破坏力，故考虑如何降低尺度计算的次数，通过将尺度预测的机制结合到其中，能够在既保障跟踪方法高精确度的同时，提升速度优势。

发明内容

本发明为了解决目标跟踪过程中，尺度估计效率不高的问题，提出一种高实时性的多尺度目标跟踪方法，保证跟踪高精度的同时提高相关滤波类跟踪目标方法的跟踪速度。

为实现上述技术目的，本发明采用的技术方案主要包括以下步骤：

步骤1，确定感兴趣区域。在初始图像帧中用矩形框选取待跟踪目标，处理目标周围的2.5倍像素区域，将长边尺寸调整至96，较短边按长边改变的比例进行放缩；

步骤2，提取特征。对感兴趣区域提取31维快速梯度方向直方图(fhog)特征；

步骤3，训练相关滤波跟踪器。将特征向量与二维高斯峰函数转换到频域计算，得到相关滤波器；

步骤4，检测目标位置。在下一帧图像中同样如步骤1提取感兴趣区域，利用训练得到的相关滤波跟踪器，响应值最大即为目标所在位置；

步骤5，尺度估计。将尺度预测与尺度池相结合，确定目标尺度。

尺度估计中，要首先为尺度池内的尺度计算划分优先级。可以将每帧目标尺度的变化分为三种情况：0.95,1,1.05，即小尺度，正常，大尺度。以此分别表示目标变小，不变以及变大的情况。