[发明专利]一种简单模拟时域正则化的目标跟踪模型更新方法

说明书

本发明涉及计算机视觉目标跟踪技术领域，公开了一种简单模拟时域正则化的目标跟踪模型更新方法，采用模拟时域正则化的方法，利用当前帧和上一帧训练的模型参数的变化程度决定更新速率。该方法不但达到了跟踪模型的自适应更新，而且克服了STRCF算法必须有解析解的限制，可以用于任何没有合适更新策略的跟踪方法；同时超参数个数少，能很方便地集成进其他基于外观模型的跟踪算法中，合理更新模型参数，减小了模型漂移，使得检测结果的精度进一步提高。

技术领域

本发明涉及计算机视觉目标跟踪技术领域，特别涉及一种简单模拟时域正则化的目标跟踪模型更新方法。

背景技术

目标跟踪是计算机视觉领域中具有挑战性的研究热点，其应用广泛，如自动驾驶、移动机器人、视频监控、异常行为分析等等。近年来，相关滤波器(Correlation Filters,简称CF)被引入目标跟踪的框架中，并同时在精度和速度上取得了显著效果。2010年，Bolme等提出一种新型相关滤波器MOSSE(Minimum Output Sum of Squared Error)，首次将CF应用于跟踪算法。MOSSE利用相关滤波器对目标外观建模，并在频域中进行运算，显著提升了跟踪速度。研究者们在MOSSE基础上提出了采用循环移位产生大量虚拟训练样本的CSK(Circulant Structure Kernels)跟踪方法；以及利用该技巧将单通道特征推广到多通道特征的KCF(Kernelized Correlation Filters)算法；在KCF的基础上加入了尺度估计的SAMF(Scale Adaptive with Multiple Features tracker)和DSST(DiscriminativeScale Space Tracker)算法。

目标外观会随着运动速度、背景干扰以及遮挡等情况而发生改变，外观模型必须能适应这种变化才能成功跟踪，因此，模型参数的适当更新非常关键。为此，前述跟踪器设定一个固定更新速率并采用线性插值法在新一帧来临之前进行模型更新，这种每一帧都进行更新的策略虽然简单，但对目标出现遮挡及背景杂乱等复杂情况难以适应，且容易导致模型漂移使跟踪失败。

文献[马晓虹.目标跟踪中增强梯度阈值的更新方法.激光与光电子学进展,2018]针对核相关滤波(KCF)算法在每一帧都更新的策略使其不能有效处理目标快速运动及干扰的问题，提出了一种基于增强阈值更新的核相关目标跟踪方法。其在平均峰值相关能量APCE的基础上，采用将APCE阈值与APCE梯度阈值相结合的方法来判断跟踪结果的可靠性，以决定模型是否更新。其中将APCE阈值反向加强，APCE梯度阈值正向加强，当APCE和APCE梯度都高于各自阈值时更新，否则停止更新。通过定量及定性实验表明，相对于KCF算法对目标快速运动及干扰等问题的处理，该算法更加有效，提出的以梯度检测跟踪性能及阈值增强的思想对跟踪算法的设计有很好的参考价值。

SRDCF[Martin Danelljan.Learning Spatially Regularized CorrelationFilters for Visual Tracking.In IEEE ICCV,2015]算法通过空域正则化方法解决了边界效应问题，但其模型更新方式依然采用传统的固定速率及线性插值方法。为此，文献[Feng Li.Learning Spatial-Temporal Regularized Correlation Filters for VisualTracking.In IEEE CVPR,2018]在SRDCF的基础上引入了一种时域正则化的SRDCF，并通过优化得到STRCF[Feng Li.Learning Spatial-Temporal Regularized CorrelationFilters for Visual Tracking.In IEEE CVPR,2018]跟踪器。STRCF通过同时引入时域和空域正则化，并求解出了该规划的解析解，这使其不但跟踪效果好，而且能自适应的达到在线更新模型的目的。