[发明专利]基于多任务相关粒子滤波的视觉跟踪方法、装置

说明书

本发明涉及计算机视觉领域，提出了基于多任务相关粒子滤波的视觉跟踪方法、装置，旨在结合相关滤波和粒子滤波的优势，提高视觉跟踪方法的鲁棒性，该方法包括：S1，基于被测目标前一时刻每个粒子的目标状态生成被测目标当前时刻的粒子，对粒子在空间上进行划分，并对当前时刻的每一个粒子利用多任务相关滤波求解具有判别力的特征；S2，利用多任务相关滤波，对所述当前时刻的粒子进行移动并到达一个稳定的位置；S3，依据通过多任务相关滤波计算得到的所述当前时刻的粒子的响应分布的最大值，计算所述当前时刻的粒子的权重，并进一步计算当前时刻被测目标的跟踪状态的期望值。改善了追踪效果，解决了遮挡问题，提高视觉跟踪的鲁棒性。

技术领域

本发明属于计算机视觉领域，具体涉及基于多任务相关粒子滤波的视觉跟踪方法、装置。

背景技术

视觉跟踪是计算机视觉中最为重要的任务之一。其应用包括视频监控、行为分析、自动驾驶等。视觉跟踪主要的挑战是当目标物体的外形随时间发生较大的变化时，如何进行鲁棒视觉跟踪。尽管这些年取得了一些有意义的进展，但发展鲁棒算法仍存在很大的困难。当下急需在存在诸如光照变化，快速动作，姿势变化，局部遮挡和背景杂乱等因素影响下的跟踪场景中设计鲁棒的算法来进行目标状态估计。

最近，相关滤波被应用到了视觉跟踪中并已经被证明可以达到高速和鲁棒的效果。由于深度卷积神经网络(CNNs)在大规模的视觉识别任务中获得成功，因此基于相关滤波的CNN跟踪方法已经得到较大的发展。大量的跟踪基准数据集证明了这些基于CNN的跟踪方法比基于手工特征的方法效果要好。

尽管已经达到了最先进的效果，但现有的基于相关滤波的CNN跟踪方法仍有一些局限性。(1)这些跟踪方法学得的相关滤波的每一层都是相互独立的，没有考虑他们之间的关系。由于卷积神经网络不同层的特征可以互相补充，基于卷积神经网络特征的相关滤波方法取得了较好的跟踪效果。但是，这些方法假设相关滤波的不同特征之间是独立的。当目标物体的外形出现显著变化时，忽略相关滤波之间的关系使得易于出现跟踪漂移问题。(2)当前的很多相关滤波跟踪方法处理尺度变化效果不好。最近Danelljan等提出的一种带有适应多尺度相关滤波的DSST跟踪方法，其使用HOG特征来建模目标物体的尺度变化。然而，这种多尺度策略不能够改善现存的基于相关滤波的CNN跟踪方法。(3)许多当前的基于相关滤波的跟踪方法采用整体模型，而没有考虑基于部分的局部模型。

另一方面，粒子滤波可以被用来解决大尺度变化和局部遮挡。当采样更多的粒子和建立一个鲁棒的物体表观模型时，基于粒子滤波的跟踪算法在复杂的环境中的表现出更高的可信度。然而，基于粒子滤波的跟踪方法的计算代价将随着粒子数目的增多而线性增加。进一步来说，基于粒子滤波的跟踪方法是基于采样粒子来确定每个目标物体的状态。如果采样粒子不能很好地覆盖物体状态，则预测的目标物体状态将不正确。为了克服这个问题，最好是引导采样粒子中心朝向目标物体。

发明内容

为了解决现有技术中的上述问题，即为了结合相关滤波和粒子滤波的优势，提高视觉跟踪方法的鲁棒性，本发明的一方面，提出了一种基于多任务相关粒子滤波的视觉跟踪方法，包括以下步骤：

步骤S1，基于被测目标前一时刻每个粒子的目标状态生成被测目标当前时刻的粒子，对粒子在空间上进行划分，并对当前时刻的每一个粒子利用多任务相关滤波求解具有判别力的特征；

步骤S2，利用多任务相关滤波对所述当前时刻的粒子进行移动并到达一个稳定的位置；

步骤S3，依据通过多任务相关滤波计算得到的所述当前时刻的粒子的响应分布的最大值，计算所述当前时刻的粒子的权重，并进一步计算当前时刻被测目标的跟踪状态的期望值。

优选地，步骤S3中还包括所述多任务相关滤波的相关滤波器的参数的更新步骤：

利用所述当前时刻的粒子的权重中最大权重对应的粒子对所述相关滤波器的参数进行更新。