[发明专利]长期目标跟踪方法

说明书

本发明公开了一种长期目标跟踪方法，通过一个自适应更新策略，判断相关滤波器的跟踪质量，决定当前帧相关滤波是否被更新；当某一种跟踪结果不可靠时，极有可能受到背景像素污染，可能已经跟丢目标，因而，通过再检测模块生成一个疑似真实目标的候选者，来寻找丢失的目标，极大的提高了抗干扰能力，增强了目标跟踪效果。

技术领域

本发明涉及计算机视觉技术领域，尤其涉及一种长期目标跟踪方法。

背景技术

随着计算机视觉的日益发展，视觉跟踪已经广泛应用于许多计算机视觉任务，例如视频监控，视频检索和无人车感知系统。给出初始帧待跟踪目标的位置，跟踪器就可以在整个视频序列中一直跟踪该目标。虽然视觉跟踪方法取得了很大进展，但仍存在许多挑战，例如变形，遮挡，视野外，尺度变化，平面内旋转等。

近年来，基于相关滤波(KCF)的方法(J.F.Henriques,R.Caseiro,P.Martins,andJ.Batista,High-speed tracking with kernelized correlation filters,IEEETransactions on Pattern Analysis and Machine Intelligence,vol.37,no.3,pp.583-596,2015)，由于其具备高计算效率和出色的跟踪性能，在跟踪领域最受欢迎。

文章[1](J.F.Henriques,R.Caseiro,P.Martins,and J.Batista,High-speedtracking with kernelized correlation filters,IEEE Transactions on PatternAnalysis and Machine Intelligence,vol.37,no.3,pp.583-596,2015)提出传统的KCF跟踪算法流程，利用到流行的tracking–by-detection(Z.Kalal,K.Mikolajczyk,andJ.Matas,Tracking-learning-detection,IEEE transactions on pattern analysisand machine intelligence,vol.34,no.7,p.1409,2012)思想，KCF的总体思路为：对给定的一个训练正样本，利用周期矩阵的性质，生成大量的其余负样本并用于训练相关滤波器。根据循环矩阵的性质，DCF方法将耗时的空间相关转换为快速的傅里叶域中的元素操作。

文章[2](M.Danelljan,G.Hager,F.Khan,and M.Felsberg,“Accurate scaleesti-¨mation for robust visual tracking,”in British Machine VisionConference,Nottingham,September 1-5,2014.BMVA Press,2014)在原有KCF的基础上，加上尺寸预测，以应对目标跟踪过程中的尺寸变换。文章[3](L.Bertinetto,J.Valmadre,S.Golodetz,O.Miksik,and P.H.Torr,“Staple:Complementary learners for real-timetracking,”in Proceedings of the IEEE Conference on Computer Vision andPattern Recognition,2016,pp.1401–1409)利用颜色直方图生成一个模型，与文章[2]的提出的方法结合，因此文章[3]提出的跟踪器优势互补，既拥有KCF方法强大的前景背景识别能力，也因为颜色直方图的抗旋转干扰特性，可实现更加鲁棒的跟踪。

但是，上述基于相关滤波的方法都是在线学习，如果在跟踪过程的某一帧中，跟踪结果出现偏差(目标变形，遭受遮挡等因素)，这样跟踪器可能会学习到受到背景污染的样本，累积几帧后，跟踪器可能会彻底跟丢目标。由于基于相关滤波的跟踪器都是在基于目标上一帧位置附近，确定一个感兴趣区域，在当前帧寻找目标位置，而一旦目标跟丢且目标已经不在当前感兴趣区域内的时候，跟踪器是无法找回跟丢的目标的。

发明内容