[发明专利]基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法

说明书

本发明涉及基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，属于目标跟踪技术领域。该方法包括：联合多示例学习预测的遮挡程度和基于核相关滤波器构建的遮挡检测机制共同判断目标是否发生遮挡。当目标发生遮挡时，激活重检测机制重新搜索目标，同时暂停更新跟踪器，防止跟踪器被遮挡物所干扰。最后构建尺度滤波器确定目标的尺度。实施本发明，能够使跟踪方法在遮挡场景下表现优异并且满足实时性要求。

技术领域

本发明属于目标跟踪技术领域，涉及基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法。

背景技术

目标跟踪融合了机器学习、概率统计、图像处理、自动控制、甚至是最近火热的神经网络及深度学习等多门学科理论，其本质是在给定图像或是视频初始帧中感兴趣目标的位置和尺度信息的条件下，依次预测出后续帧中目标的位置和尺度。在此基础上，可对跟踪结果进行分析，从而实现目标的运动姿态识别、趋势预测及异常行为检测等多种高级视觉任务。

目前目标跟踪技术在视频监控、人机交互、军事、医学等领域都起着重要的作用，是计算机视觉领域最重要的研究之一。在实际场景中，遮挡是目标跟踪过程中的常见问题，对目标跟踪方法的跟踪性能是一个严重挑战。因此，研究如何实现遮挡环境下对运动目标的鲁棒跟踪就成为一个重要的课题。

现阶段，核相关滤波器通过引入循环矩阵和核技巧，在获得高跟踪精度的同时满足了实时性要求。但是，当发生遮挡时，核相关滤波器往往会引入干扰特征导致跟踪器无法准确定位目标。

发明内容

有鉴于此，本发明的目的在于提供基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法。

为达到上述目的，本发明提供如下技术方案：

基于多示例学习和核相关滤波器的抗遮挡目标跟踪方法，该方法包括以下步骤：

步骤S1、通过多示例学习获取最优候选样本的遮挡程度；

步骤S2、核相关滤波器的最强响应值对目标的遮挡敏感，根据此特点，构造一个遮挡检测机制，同时联合多示例学习获取的遮挡程度共同判断目标是否发生遮挡；

步骤S3、当目标发生遮挡时，扩大搜索范围进行目标搜索恢复跟踪；

步骤S4、对mi-SVM分类器进行合理的更新。

可选的，所述步骤S1具体包括以下步骤：

在第一帧中手动标记目标并使用核相关滤波器方法跟踪第二帧至第n帧的目标；将目标区域均匀分割成M个重叠的局部图像块，并使用这n帧跟踪结果训练初始mi-SVM分类器；接着使用mi-SVM分类器预测目标区域每一个局部图像块的遮挡情况，用σ_k表示局部块的遮挡情况，即：

目标通常位于边界框的中间，包含更多的目标信息和较少的背景信息，位于不同位置的局部图像块对目标遮挡程度的贡献存在差异；因此目标的遮挡程度表示为：：

其中，ω_k表示第k个局部图像块对目标遮挡程度的贡献权重，遮挡程度D_occ越小表示遮挡越严重。

可选的，在所述步骤S2中，核相关滤波器方法中，跟踪器的最强响应值易受遮挡的影响；计算核相关滤波器方法当前帧的最强响应值f和最强响应值的期望

其中ξ₀为最强响应值期望的学习率；当满足下式时，判断目标发生遮挡；

其中λ₀和λ₁为遮挡判断阈值，为前t帧遮挡程度的均值，更新方式如下：