[发明专利]一种基于ICA-R多特征融合与自适应更新的视觉目标跟踪方法

摘要

本发明请求保护一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，该方法首先利用微调后的VGG‑m网络得到深度调整，并结合参考独立成分分析的方法(Independent Component Analysis with Reference,ICA‑R)，将其与传统手工特征信息融合，得到更具判别性的特征。其次，在模型更新阶段，提出一种基于图像块中心移位欧式距离的自适应更新策略。最后在OTB‑2015，VOT‑2016两个标准跟踪数据集上进行测试，实验结果表明，利用深度特征与传统手工特征融合的方法能够很好地区分背景与目标，提出的视觉目标跟踪算法在应对目标超出视野、运动模糊、遮挡等因素的干扰下均表现出很好的鲁棒性与准确性，其中在OTB‑2015中的成功率达到65.2％,准确率达到86.3％，在VOT‑2016中的准确率排在第一。

主权项

1.一种基于ICA‑R多特征融合与自适应更新的视觉目标跟踪方法，其特征在于，包括以下步骤：S1，跟踪目标初始化，选定需要跟踪的目标，并采用高斯滤波将视频序列进行预处理，将预处理后的视频序列通过二维仿射变换得到多视角的信息，用k表示其中的一个视角；S2，选定深度卷积神经网络VGG‑m网络模型提取目标的深度特征，采用梯度直方图特征HOG提取目标的形状特征，采用颜色特征提取目标的颜色特征，通过VGG‑m网络模型中的第一个卷积层Conv1和最后一个卷积层Conv5分别提取深度特征和HOG提取形状特征F_H，CN提取颜色特征F_C，并进行初步融合得到初步融合后的单一视角特征为S3，将S2中单一视角的融合特征作为本一步中的混合信号，作为参考信号，利用一单元快速参考独立成分分析ICA‑R算法将深度特征和和S2中单一视角融合后的特征进行再次融合得到期望信号S4，利用拉格朗日数乘法将多个视角融合得到特征图谱其中V_k表示第k个视角中融合后得到的期望信号；S5，采用相关核滤波KCF跟踪框架进行模型训练，得到当前帧的训练模型为：其中z为与F_final大小相同的候选图像块，表示相关核，α表示正负样本移位过程中产生的样本，表示样本α的傅里叶变换，F_final是S4中融合多个视角后得到的特征图谱；S6，利用训练得到的目标表观模型对当前帧中的目标进行定位并跟踪；S7，预估当前帧中跟踪目标的位置，输出当前帧中跟踪目标的位置。