[发明专利]一种融合时间序列信息的目标跟踪方法

说明书

本发明公开了一种融合时间序列信息的目标跟踪方法，包括以下步骤：步骤1，输入图像序列，根据第t‑1帧图像中的初始位置p_t和尺度s_t，提取目标的HOG特征和CN颜色特征；步骤2，将目标特征与余弦窗口进行点乘，然后进行傅里叶变换得到目标特征；步骤3，用第t‑1帧的响应图计算响应变量Π、参数及参数步骤4，将第1帧到第t‑1帧相关滤波器进行时序建模；步骤5，用最小二乘法求出相关滤波器时序模型的自回归参数步骤6，求解目标函数计算出相关滤波f_t、参数θ_t及λ_t；步骤7，在第t帧中的候选区域进行特征提取和预处理，并与相关滤波器进行点乘运算作得到响应图，通响应图确定当前帧的目标位置和尺度，该方法可以有效提高目标跟踪的精度和准确率。

技术领域

本发明涉及计算机视觉技术领域，特别是涉及一种融合时间序列信息的目标跟踪方法。

背景技术

计算机视觉是人工智能的主要分支，其主要任务是研究如何让机器可以像人一样理解及感知我们所处的物理世界，进而让机器人可以像人一样对物理世界的变化作出反应。随着诸如高性能图形处理器(GPU)及张量处理器的等硬件设备和并行计算等软件技术的出现，计算机视觉也得到了快速的发展。计算机视觉算法在很多任务上(如目标跟踪、检测)都达到了与人类相当的能力。视觉跟踪技术是计算机视觉领域中一项基础而关键的技术。在智能安防、交通监控、无人驾驶、人机交互及现代化军事等诸多实际问题中都有着广泛而重要的应用。

视觉目标跟踪技术的方法主要有三大类：第一类是基于生成模型的视觉跟踪方法。这种方法的主要思想是提取正样本特征构建表观模型，在图中搜索与模型最匹配的区域作为跟踪的结果。但是这种方法主要利用了目标的信息，没有使用到背景信息，因此在处理图像中出现与目标相似的物体时，效果很差。第二类是基于判别模型的视觉跟踪算法。与生成式模型不同的是，判别式模型同时考虑了目标和背景信息，它利用提取的目标和背景信息来训练分类器，在检测时，将分类器与候选样本进行操作得到响应图，将响应图中的最大值作为目标的位置，当确定新的目标位置时，采集新的样本，对分类器进行跟新。第三类是基于深度学习的目标跟踪方法主要是利用深度特征强大的表征能力来进行跟踪。按照利用深度特征的方式可分为基于预训练深度特征的跟踪和基于离线训练特征的跟踪。基于深度特征的视觉跟踪算法在精度上有很大的提升，但算法的实时性仍然有待提高。

现有的视觉跟踪技术虽然在跟踪的准确性和高效性都有很大的提高，但仍然存在许多具有挑战性的问题没有解决。这些问题包括如何利用视频序列在时间域的连续性提升表观模型的性能，如何更有效的利用正则项进行空间约束等。因此，针对以上这些问题，亟需提供一种准确性高，速度快的视觉目标跟踪方法。

名词解释：

HOG特征：是用于目标检测的特征描述器，它是用来计算局部图像梯度方向的统计值。

CN颜色特征：是将RGB颜色空间映射到11维颜色属性空间上得到的视觉特征。

ADMM算法：交替方向乘子法(ADMM)是一种解决可分解凸优化问题的简单方法，尤其在解决大规模问题上，利用ADMM算法可以将原问题的目标函数等价的分解成若干个可求解的子问题，然后并行求解每一个子问题，最后协调子问题的解就得到原问题的全局解。

发明内容

本发明的目的在于针对现有视觉跟踪技术的缺陷，提出了一种基于自回归建模和自适应空间约束的视觉跟踪方法，该方法在跟踪的精度和成功率上都有明显的提高。

本发明的目的通过以下技术方案实现：

提供了一种融合时间序列信息的目标跟踪方法，包括以下步骤：

步骤1，输入图像序列，根据第t-1帧图像中的初始位置p_t和尺度s_t，提取目标的HOG特征和CN颜色特征，将特征进行融合得到目标特征x；