[发明专利]一种基于自适应深度特征滤波器的多场景下目标跟踪方法

摘要

一种基于自适应深度特征滤波器的多场景下目标跟踪方法，将原始图像的目标区域从RGB空间转换到颜色命名空间当中，减小颜色变化的干扰，然后计算目标区域的前景概率图，根据前景概率图使用前景区域提取到的特征进行训练，以缓解边界效应，有效抑制背景中的噪声，使得本发明能够自适应地提取目标特征。本发明使用多层深度特征分别在相应的相关滤波器中进行训练，并且自适应地根据跟踪效果、滤波器稳定性、历史响应等信息更新相应深度特征滤波器的权重，在不同场景中引导跟踪模型自适应地选择有用的深度特征，能够在多种复杂场景中鲁棒地跟踪目标。相比于现有技术，本发明具有鲁棒性高的优点，能够在多种复杂场景中准确地进行目标跟踪。

主权项

1.一种基于自适应深度特征滤波器的多场景下目标跟踪方法，其特征是在视频目标跟踪过程中对视频帧进行处理，实现目标跟踪，包括以下步骤：1)生成训练样例：第一帧的训练样例为手工标注的跟踪目标区域，后续帧的训练样例是预测出的目标区域，在训练样例上使用循环矩阵生成正样例和负样例，用于训练深度特征滤波器；2)自适应地提取前景目标：先将原始视频帧图像的RGB颜色空间转换到颜色命名空间当中，然后在颜色命名空间当中计算颜色命名分布直方图，每个像素的前景概率使用颜色命名分布直方图近似计算，由贝叶斯准则推导出来，通过对先验概率进行近似化表示，通过对每个像素计算前景概率生成前景概率图，确定前景目标区域；3)深度特征滤波器的训练和目标区域的位置计算：使用VGGNet‑19的第3、4、5层卷积层分别对训练样例进行特征提取，仅选取前景目标区域提取到的深度特征训练对应的相关滤波器，每一层的深度特征分别有一个对应的相关滤波器，针对各层深度特征，分别使用训练好的滤波器在当前处理的视频帧中计算响应图，各个响应图加权融合后生成最终响应图，最终响应图中响应最大的位置为目标区域的预测位置；4)自适应地更新深度特征滤波器权重：根据深度特征滤波器产生的响应计算对应的损失函数，用一段时间周期内各个滤波器损失的均值和标准差建立高斯分布，以此来估计这段时间周期内各个滤波器的稳定性，并使用滤波器的稳定性因子来构建遗失函数，通过最小化遗失函数来自适应地确定新的滤波器权重；5)自适应地更新学习模型；分别计算前景概率模型和深度特征滤波器模型的置信度，根据置信度的高低自适应地调整相应模型的学习速率；6)对目标区域进行尺度估计：由于目标区域的大小会发生改变，单独使用一维尺度相关滤波器来估计目标区域的尺度，在预测的目标区域处采用不同的尺度变换，将采集到的不同尺度块送入尺度滤波器，使用响应最大的尺度作为目标区域的预测尺度，预测位置和预测尺度作为目标区域的预测结果。