[发明专利]一种基于时空约束相关滤波的目标跟踪方法

说明书

本发明公开了一种基于时空约束相关滤波的目标跟踪方法，属于计算机视觉处理技术领域，所述方法包括以下步骤：S1：针对当前帧，提取前一帧的图像块作为搜索区域，再提取搜索区域的FHOG特征；S2：根据FHOG特征与前一帧训练好的滤波器计算得到当前帧的响应图，以响应图的最大响应位置作为当前帧的预测目标位置；S3：基于时间约束项和空间约束项更新时空约束相关滤波模型；S4：基于ASPE系数判断是否需要更新空间参考掩模，得到当前帧采用的滤波器模型。本发明解决了现有目标跟踪方法在模板存在外观显著性变化时，存在滤波器突变的问题，以及丢失跟踪目标后，滤波器存在模板漂移的问题。

技术领域

本发明属于计算机视觉处理技术领域，涉及一种基于时空约束相关滤波的目标跟踪方法。

背景技术

目标跟踪一直是计算机视觉领域中一个重要的方向，其技术被广泛地运用于视频监控、精准制导、自动驾驶和人机交互等领域。近年来，通过众多学者的研究推进，目标跟踪技术取得了巨大的进步。但在真实场景中，受到光照变化、遮挡、旋转、快速形变等因素的影响，当前的目标跟踪算法仍旧不能够很好的完成跟踪，算法的鲁棒性和准确性都不能够保证。

针对上述问题的解决，研究者们想设计一个具备极强鲁棒性的强跟踪器，自适应调整适用场景，为此研究者们提出了很多方法，主要分为判别式跟踪方法和生成式跟踪方法。由于判别式跟踪方法效率高和受外界影响因素少的优点，引起了广大学者的注意。David S，Bolme J等人提出了基于最小平方误差和的相关滤波算法MOSSE，首次将相关滤波的思想引入跟踪领域，能够让学习到的相关滤波器与新的输入产生响应图，来估计当前跟踪目标的位置，但该方法仅使用图像本身作为特征输入，模板漂移问题仍时常发生；Henriques，F等人在相关滤波算法的基础上，通过设计结构简单又高效的循环矩阵来解决样本不足的缺陷，进一步提高了相关滤波算法的精度，但仍然没能提出新的特征减缓模板漂移的问题；Henriques，F等人又基于CSK提出了KCF算法，改变了相关滤波算法以原图为输入的策略，引入图像特征HOG，增强了跟踪目标描述的准确性，但该算法使用了理想高斯窗假设，而真实跟踪目标并不为理想高斯窗，因此无法有效分割出前景跟踪目标和背景信息；Danelljan，Martin等人针对尺度问题提出了DSST算法，该算法将跟踪问题看作位置估计和尺度估计两个子问题，并分别训练对应的相关滤波器，但仍然使用的是理想高斯窗假设；Danelljan，Martin等人还针对边界效应问题提出了SRDCF算法，该算法认为理想高斯窗无法表示各种大小的跟踪目标，因此根据目标大小调整高斯窗边界的衰减，然而该算法将理想高斯窗衰减之后仍然是高斯窗，仍旧无法精确提取目标，且无条件利用每一帧更新滤波器；Galoogahi H K等人同样针对边界效应问题提出了CFLB算法，其思想是引入尽可能多的背景冗余信息削弱目标循环出边界的概率，再通过掩模提出真实目标，该算法利用了掩模特性，但作用仅在于从大尺度图像中选取图像块，仍旧是每一帧都更新滤波器；Danelljan，Martin等人为了更高的跟踪精度和鲁棒性提出了C-COT算法，通过引入亚像素，将离散区域插值到连续域提高跟踪器精度，该算法牺牲了算法效率，在特征上得到了极高的精度，但是由于不能精确分割前景跟踪目标和不能约束相关滤波器，导致每帧更新，从而使得目标外观显著性变化时，滤波器突变产生漂移问题；Danelljan，Martin等人又针对C-COT算法的效率过于低下提出了ECO算法，改善了样本集中所有单个参与计算的策略，通过筛选留下贡献率更高的跟踪器，但仍没能解决模板漂移问题。

现有的跟踪方法中相关滤波类算法是基于模板的算法，当模板被遮挡、旋转或形变等外观具有显著性变化时，该类方法便无法很好地处理，无法在鲁棒性和准确性之间取得良好的平衡。而且，当跟踪器丢失跟踪目标后，仍然会持续不断的更新滤波器，最终使得滤波器将其他目标的模板作为跟踪对象，产生了模板漂移问题。

因此，本发明针对上述问题，提出了一种基于时空约束相关滤波的目标跟踪方法。

发明内容