[发明专利]一种结合粒子滤波的相关滤波目标跟踪方法

说明书

本发明公开了一种结合粒子滤波的相关滤波目标跟踪方法，结合相关滤波和粒子滤波，首先用转移模型生成粒子，并对粒子进行初始化；然后从重要性概率密度函数中随机采样粒子；之后对粒子的权值进行更新并对粒子进行重采样；对重采样得到的每个粒子进行相关滤波，根据相关滤波器的响应对每个粒子的权重进行修正，实现对粒子的选择；最后进行加权平均得到粒子的状态。利用相关滤波可以引导粒子向目标分布状态模式移动，一定程度上减少了粒子的个数，降低计算的复杂度。同时，粒子滤波能解决尺度变化问题，因此算法对目标发生尺度变化也具有一定的鲁棒性。

技术领域

本发明属于计算机视觉领域，研究的是该领域中的目标跟踪技术，具体涉及一种结合粒子滤波的相关滤波目标跟踪方法。

背景技术

目标跟踪技术被广泛地应用在智能监控，医疗卫生，军事制导，无人驾驶，人机交互和航空航天领域。除了上述应用外，它还应用在增强现实、智能机器人、虚拟现实、可穿戴设备等方方面面。目标跟踪技术的研究是一项具有重要意义的研究课题，国内外大量学者和专业的比赛都在为研究跟踪技术做各种各样的努力。然而影响跟踪性能的因素有很多，提升跟踪性能，提高跟踪系统的鲁棒性仍然面临严峻的挑战。

目标跟踪技术的发展，大体经历了三个阶段，第一个阶段是比较早的，也是经典的目标跟踪算法，比如基于粒子滤波的算法，基于均值漂移的算法，基于特征点光流法等，第二个阶段是近五年来比较火热的基于相关滤波的目标跟踪算法，这类方法的主要特点是跟踪速度快，非常具有实用价值，因此也衍生出了很多改进算法。第三个阶段是近三年的基于深度学习的目标跟踪算法，这类算法跟踪的精度和成功率比较好，但实时性相对差一些。这些大部分跟踪算法都可以分为运动模型、特征提取器、外观模型、模型更新这四个主要部分。对于目标跟踪的改进算法，也通常提出这几个部分做有针对性的改进方案，以获得更好的跟踪效果。经过不断的研究和改进，目标跟踪已经得到良好的发展，但要得到一种全优的跟踪算法仍然是一项具有挑战性的工作。

基于相关滤波的跟踪算法是继经典的跟踪算法之后一种新兴的跟踪算法，近几年，基于相关滤波类的目标跟踪算法的研究一直层出不穷。2010年，Blome等提出了MOSSE(Minimum Output Sum of Squared Error,MOSSE)算法，首次将信号处理领域的相关滤波应用在目标跟踪领域。相比于当时的跟踪算法，该算法具有较高的速度优势，可以在具体的生产或生活的场景中得到应用。2012年，Henriques等在MOSSE算法的基础上提出了CSK算法，CSK算法改进了MOSSE算法中的稀疏采样策略，提出了密集采样的方案，通过学习相关滤波器从而判断目标的位置。CSK算法也具有较快的跟踪速度，但由于最初采用的是灰度特征，只能处理灰度图像。2014年，Henriques等在CSK的基础上提出了KCF算法，对特征进行扩展，并对多尺度和核变换进行优化。KCF算法依然具有较强的速度优势，在简单场景下能取得非常好的跟踪性能。Danelljan等人提出了DSST算法，该算法构建了两个滤波器分别用于位置预测和尺度估计，为解决多尺度问题提供了一个全新的思路。然而，虽然这些跟踪器也取得比较不错的跟踪效果，尤其是速度方面具有绝对优势，但它们都只在先前目标状态附近来搜索当前目标的状态，在目标发生遮挡，尺度变化，快速运动时，有可能达不到理想的跟踪效果。

另一方面，粒子滤波属于统计学方法，它是利用基于概率密度的“粒子”递归地推断系统的模型参数，从而估计出目标的当前状态，推广了传统的卡尔曼滤波方法，可应用于任何状态空间模型。粒子滤波需要用采样大量的粒子逼近目标的状态，这种方法能处理遮挡和尺度变化问题，但预测的目标状态受采样粒子数量的影响。如果采样粒子数少，则计算量低，预测的目标状态可能不正确；反之，如果采样粒子数多，则计算代价高。为了解决这个问题，可以将粒子滤和相关滤波进行结合，以粒子滤波为主进行跟踪，以相关滤波为辅进行粒子的选择，引导粒子向目标分布状态模式移动，一定程度上减少粒子的个数，降低计算成本。

发明内容