[发明专利]基于显著部位的目标抗遮挡跟踪方法

说明书

本发明公开了一种基于显著部位的抗遮挡目标跟踪方法，其特征在于计算目标的协同显著性得到协同显著性特征图，并基于协同显著性特征图对目标进行分块，再对健壮的旧分块之间重叠度较高的新分块进行剔除，通过设定尺度梯度，计算分块的位移变化，比较分块位移变化与尺度梯度的欧氏距离，选择距离最小的尺度作为目标尺度变化的候选尺度。该方法针对遮挡场景下目标跟踪失败的问题，利用注意力机制将跟踪重点放在目标显著性最高的分块上，本专利算法可以较好地完成目标跟踪任务，具备较强的抗遮挡能力。

技术领域

本发明涉及计算机视觉领域，具体地说，是一种目标跟踪方法。

背景技术

目标跟踪是视频监视工作中不可或缺的组成部分，扮演了连接目标检测任务与行为分析等高阶任务的重要角色。

目标跟踪是对对第一帧给定的矩形框内的目标进行持续的跟踪，在后续帧中给出目标的位置和尺寸大小。

虽然当前目标跟踪算法已经应用于安防、监控等领域，但是由于监视中存在目标特征较弱、易受遮挡等难点，导致目标跟踪仍然面临着不少的挑战。

目标跟踪算法主要分成生成类模型方法和判别类模型方法。生成类模型利用当前帧建立区域模型，并在下一帧寻找与区域模型最接近的区域。判别类方法则是训练一个目标识别器，以一种类似于目标分类的方法将目标与背景信息区分开。随着机器学习领域的不断进步，以相关滤波算法和深度学习算法作为代表的判别类模型成为了目标跟踪算法的主流。

当前绝大部分跟踪方法都是基于目标全局外形特征的跟踪算法，这类算法在面对目标受遮挡或目标变形的时候可能表现并不好。为了解决这个问题，基于分块的目标跟踪算法被提了出来。分块跟踪算法根据目标受遮挡或目标变形时部分块的特征仍保留了目标的信息的原理，对保留目标局部信息的块进行持续跟踪，并对各个块进行综合评估以确定目标的位置和尺寸。

现存的分块算法存在着分块粗糙，块跟踪器性能不够先进，尺度变化不准确等缺点。

发明内容

提出一种更具针对性的分块方法：利用目标的协同显著性指导目标分块。这种方法借鉴了人眼的注意力机制，保证了分块的特征显著性和完整性。

提出一种全新的分块更新策略：基于协同显著性对目标进行分块，并对于健壮的旧分块之间重叠度较高的新分块进行剔除，该策略平衡了目标分块的显著性和片面性。

引入特征提取能力更强的滤波器，一方面提高了分块跟踪的准确率，另一方面抑制了由于显著性检测错误造成的干扰，在较少的跟踪器数量情况下保证了较高的准确度和鲁棒性。

借鉴粒子滤波和相关滤波处理目标尺度变化的思想，提出一种新颖的尺度变化方法，该方法既能反映目标尺寸的变化，又能解决以前分块方法导致的尺度变化较为剧烈的问题。

附图说明

图1为本发明实施流程图。

具体实施方式

使用ECO-HC作为分块跟踪器。相对于基础的相关滤波算法，ECO-HC 算法对提取的特征进行降维，采用高斯混合模型对相似样本进行融合，并对滤波器的更新策略进行了调整，使得相关滤波器的准确率更高。最后检测目标的得分是：

S＝Pf*J

这里S表示检测目标得分，J代表插值后的特征图，f表示滤波器。P是一个特征降维矩阵。经过特征映射后的最小化平方和误差函数的频域表示如下式所示：