[发明专利]一种基于联合模型的相关滤波目标跟踪方法

说明书

本发明公开了一种基于联合模型的相关滤波目标跟踪算法，属于机器视觉领域。与传统的相关滤波算法不同，本发明采用置信度权重来将KCF模型和CN模型融合，发挥各自模型的特点进行目标跟踪。为了应对跟踪过程中尺度变化的问题，本发明引入了一个单独的尺度滤波器对尺度进行估计。为了应对遮挡，本发明对图像进行分块并计算图像块之间的相似性，以相似性作为判断遮挡的依据。同时采用了分类器池的方法，进一步提高了算法的鲁棒性。

技术领域

本发明属于机器视觉领域，特别涉及一种基于联合模型的相关滤波目标跟踪方法。

背景技术

机器视觉是人工智能正在快速发展的一个分支，是一个非常具有潜力的研究方向。目标跟踪在机器视觉中是一个非常重要的研究课题。目标跟踪的目的是对视频序列中的特定目标状态进行持续的推断，并确定目标在连续视频序列中的位置以及在任何时刻都能提供完整的目标区域。另外还可以根据要求获取跟踪目标的速度，运动轨迹等，从而可以为更高一级的任务要求提供必要的信息。近些年来，国内外众多学者提出了许多新颖的算法，在该领域取得了十分明显的进展。但令人遗憾的是，目标跟踪的实现一直面临着诸多干扰。这些干扰主要在于视觉信息的各种内在变化和外在变化，通常包含尺度变化、部分遮挡、背景杂乱、光照变化、运动模糊等。除此之外，目标跟踪技术在准确率和处理速度上的矛盾也对其提出了极大挑战。

正是由于目标跟踪的广泛应用以及诸多挑战，目标跟踪技术吸引了众多国内外学者及研究机构对其进行不断的研究。基于判别式跟踪模型的相关滤波算法因其优秀的计算速度和定位性能，成为了近年来视觉跟踪领域的热门。但在光照变化、背景杂乱、目标形变等复杂情况下，传统的基于相关滤波的跟踪算法常常在跟踪过程中因为环境因素导致非目标像素的逐渐累积，最终跟踪结果发生漂移而失败。

因而，本发明针对实际的复杂场景下，在构建相关滤波模型的同时，引入分块和局部加权距离的方法来抑制遮挡问题，同时，为了应对光照变化和尺度变化引入了颜色模型和尺度计算方法。

发明内容

本发明的主要目的是提出一种基于联合模型的相关滤波目标跟踪方法，在目标形变，光照变换，目标遮挡等干扰影响下，准确定位目标区域。

为了实现上述目的，本发明提供如下技术方案：

步骤一、读入图像，确定跟踪目标：读入第一帧图像Image₁，设定跟踪目标，并将跟踪目标所在区域作为第一帧的候选区域；

步骤二、基于KCF和CN模型构建训练样本集合，训练位置滤波器：针对位置滤波器，在相关滤波的框架下，围绕第一帧跟踪目标的中心点位置，基于核化相关滤波器(Kernelized Correlation Filters，KCF)跟踪模型得到位置滤波器训练样本集合X_1p；针对颜色模型，围绕第一帧跟踪目标的中心点位置，基于自适应的颜色特征(Adaptive colorattributes，CN)模型得到颜色模型训练样本集合X_1c；

步骤三、基于DSST模型训练初始尺度相关滤波器F_scale：针对尺度相关滤波器，在相关滤波框架下，围绕第一帧的候选区域，基于尺度空间判别跟踪(DiscriminativeScaleSpaceTracker，DSST)模型中的尺度相关滤波器计算尺度模型训练样本集合X_1s，训练初始尺度相关滤波器F_scale；

步骤四、创建初始的分类器池：分类器池中包含CN，KCF，DSST和KCF-CN四个分类器模型，将每一个分类器与第一帧图像Image₁中带有跟踪目标的候选区域分别组合放入分类器池，完成初始分类器池构建，并计算第一帧的遮挡阈值Th₁。

步骤五、读入下一帧图像：读入下一帧图像Image_t(t＞1)，以第t-1帧确定的最优候选区域为第t帧候选区域。