[发明专利]基于相关滤波的长时目标跟踪方法

说明书

本发明公开了一种基于相关滤波的长时目标跟踪方法，首先，基于相关滤波提取多层卷积特征作为深层特征，颜色直方图特征作为浅层特征，采用深浅层自适应融合策略来增强特征判别力，并对融合特征进行降维来提高目标跟踪的速度；然后，通过自适应尺度的相关滤波跟踪算法把目标的尺度变化转化为位移信号，对目标模板变换前后分别提取方向梯度直方图特征，建立位移与尺度的滤波模型，并在相关滤波框架下同步跟踪目标的位移和尺度因子，融合得到目标跟踪框；最后，自适应确定目标检测阈值，通过EdgeBoxs方法提取目标候选区域，利用结构化支持向量机重新检测目标位置达到长时跟踪的目的。

技术领域

本发明涉及图像处理技术领域，尤其涉及一种基于相关滤波的长时目标跟踪方法。

背景技术

随着计算机视觉技术的发展，视觉目标跟踪技术在视频监控、目标检测、视觉导航等领域的应用越来越广泛。但由于目标跟踪中存在目标形变、目标尺度变化、目标被遮挡等跟踪难点因素，目标跟踪容易发生漂移，导致不能对目标进行长时间跟踪。

发明内容

本发明的目的在于提供一种基于相关滤波的长时目标跟踪方法，旨在解决现有技术中的视觉目标跟踪技术不能对目标进行长时间跟踪的技术问题。

为实现上述目的，本发明采用一种基于相关滤波的长时目标跟踪方法，包括下列步骤：

步骤1、输入目标跟踪图像序列；

步骤2、采用自适应特征融合方法训练滤波器模板；

步骤3、根据目标图像位置和尺度大小训练结构化支持向量机；

步骤4、初步确定目标位置；

步骤5、目标位置重确定；

步骤6、自适应目标尺度估计；

步骤7、所述滤波器模板更新检测；

步骤8、模型更新；

步骤9、阈值更新；

步骤10、确定结果输出。

其中，所述目标跟踪图像序列为已知目标图像序列，输入时获取目标在首帧的中心位置与尺度大小。

其中，在采用自适应特征融合方法训练滤波器模板的过程中，提取目标融合特征，将融合特征降维处理，并训练目标融合特征的滤波器模板。

通过融合目标多种特征来获得目标更全面的特征表征，以此增强目标复杂情况下的特征辨别力，但快速傅里叶变换增加了操作时间。因此在融合目标的基础上，为加快目标跟踪的速度，通过对融合特征进行降维来实现快速稳健的目标跟踪。

其中，所述目标融合特征为多特征融合，基于相关滤波提取多层卷积特征作为深层特征，梯度直方图特征和颜色提名特征作为浅层特征。

其中，在初步确定目标位置的过程中，根据训练好的目标滤波器模板，计算目标响应，响应最大值处即为目标预测位置。

其中，在目标位置重确定的过程中，判断步骤4中的目标响应最大值是否满足目标检测阈值条件，如果大于阈值继续执行步骤6，如果小于阈值则进行目标检测重新确定目标位置。

其中，在自适应目标尺度估计的过程中，将LPT尺度估计法作为独立模块，再与常规相关滤波构成的位置滤波器并联，组成自适应尺度变化的快速相关滤波器。

其中，在所述滤波器模板更新检测的过程中，当图像序列为3的整数倍时对所述滤波器模板进行更新。

由于目标在图像序列中的变化在连续帧中较小，为提高目标跟踪的速度，降低滤波模板训练的过拟合程度，因此采用间隔2帧更新模板的方式。