[发明专利]一种响应置信度多特征融合的核相关滤波目标跟踪方法

说明书

一种响应置信度多特征融合的核相关滤波目标跟踪方法，针对传统核相关滤波在跟踪彩色视频序列不能有效利用颜色特征，以及处理目标遮挡和形变能力低等问题。该方法提取目标图像的方向直方图特征和颜色直方图特征，通过计算高响应值点在响应图上层的占比，来判断目标的跟踪情况，进而调整学习率的大小；用两种特征的平均峰相关能量和最大响应峰值的乘积来加权融合目标位置；通过对模型的跟踪情况和特征的有效性检测，采用分段式更新策略，避免了模型干扰，提高了位置融合的可靠性和复杂环境中跟踪的鲁棒性。该算法可满足视频实时性的要求，在信号采集、目标跟踪、特征分析、图像识别中具有一定的应用价值。

技术领域

本发明属于视频跟踪识别技术领域，涉及到跟踪算法与深度学习，以及人工神经网络技术。

背景技术

在视频监控、人机交互、智能交通等领域有着广泛应用的目标跟踪方法，按照处理方式的不同可以分为两类：一类是生成模型类，另一类是判别模型类。生成模型类是对跟踪的目标建立模型并识别，在下一帧图像中搜索与当前模型中最为相似的区域作为预测区域。比较经典的算法有卡尔曼滤波与粒子滤波等。这种通过单一数学模型描述待跟踪目标的方法，不能全面利用图像的背景信息，当受到光照变化，运动模糊，目标旋转等情况下，会对模型建立产生较大影响。判别模型类是将目标模型和背景信息同时考虑在内，提取图像中的特征值，根据两者的差异进行在线学习并对分类器做相应的训练，该方法可以较好的提高跟踪精度。

发明内容

本发明的目的是以核相关滤波算法(Kernel Correlation Filter，KCF)滤波器为基础模型，提出一种响应置信度多特征融合的核相关滤波目标跟踪方法。该方法可满足视频实时性的要求，在信号采集、目标跟踪、特征分析、图像识别中具有一定的应用价值。

本发明是通过以下技术方案实现的。

本发明所述的一种响应置信度多特征融合的核相关滤波目标跟踪方法，包括如下步骤：

(S01)利用平均峰相关能量(Average Peak-To-Correlation Energy,APCE)和输出的响应峰值作为跟踪置信度，结合方向梯度直方图(Histogram Of Oriented Gradient,HOG)特征与降维后的颜色特征(Color Naming，CN)融合机制进行特征权重分配。

假设视频目标跟踪区域的大小为M×N像素，则该区域第t帧图像的APCE值P_t计算如下：

其中，g_max,t，g_min,t和g_m,n,t分别是第t帧图像在跟踪区域内的最大响应值、最小响应值和位置(m,n)处的响应值。

将第t帧的特征权重公式写为：

式中ω_hog,t和ω_cn,t分别为HOG特征和CN特征在第t帧的权重。

(S02)基于响应置信度的大小设置学习率分段更新策略，以解决目标受干扰可能带来的误差。

为了避免学习模型更新而导致错误，结合响应图峰值变化的结果，计算大于0.5倍峰值的响应值个数F_med与大于0.28倍峰值的响应值个数F_major。设响应置信度：

F＝F_med/F_major(3)

当干扰比较少时，图像峰值高，高响应值点比较集中且占比小，没有多峰现象，所以F的值较小。当受到干扰时，响应图峰值变低，产生多峰现象，高响应值的点占比增加，F的值增大。

同时得出第t帧的分段更新模型策略为：