[发明专利]基于自适应特征融合的目标跟踪

说明书

技术领域

本发明属于图像处理和计算机视觉领域，具体涉及一种自适应特征融合的目标跟踪方法。

技术背景

在计算机视觉中，目标跟踪是一个热门的研究领域，可以应用到视频监控、自动监测等多个人机交互领域。虽然近几年研究人员提出了许多跟踪算法，但面临目标外观变化、快速运动、尺度变换、遮挡等问题，很难达到实时高效稳定的跟踪。

传统的跟踪方法通过构建复杂的外观模型，抽取大量的学习样本，产生庞大的计算量，很难达到实时跟踪。相关滤波类方法绕过构建复杂的外观模型与大量学习样本，仅通过前一帧的跟踪结果作为学习样本就可以跟踪，不仅可以达到实时跟踪，也能保证跟踪精度。

相关滤波类方法如果利用有效的样本特征可以显著的提高跟踪精度，近些年不断涌现大量优秀的特征(HOG特征、CN特征、深度特征等)使跟踪效果不断提高，不同优秀特征的融合也能形成优势互补，提高跟踪精度。

发明内容

本发明提出了一种自适应特征融合的跟踪方法，可以显著提高跟踪精度。并且融入了遮挡判断机制，对遮挡的目标达到准确跟踪。

本发明技术解决方案如下：

基于自适应特征融合的目标跟踪，其特征在于：包括如下步骤：

步骤1：初始化目标并选取目标区域；

步骤2：在目标区域选取样本，计算HOG特征以及CN特征，构造位置高斯滤波器、尺度滤波器；

步骤3：计算检测样本的HOG特征以及CN特征，并进行加余弦窗处理；

步骤4：多通道特征求和，分别得到不同特征的高斯响应值；

步骤5：分别根据响应值计算特征权重。归一化权重系数，融合特征响应值；

步骤6：对求得响应值进行排序，选取最大值对应的样本区域作即为目标位置；

步骤7：在目标周围提取尺度样本，计算特征后，通过尺度滤波器，获取尺度响应；

步骤8：求得尺度响应最大值即目标尺度，更新目标尺度；

步骤9：更新尺度滤波器模型；

步骤10：根据目标位置相应判断是否出现遮挡，如果是重复步骤3至步骤9，如果没出现遮挡进入步骤11；

步骤11：更新位置滤波器模型；

步骤12：重复步骤3至11直至跟踪结束。

所述步骤1为：

根据所述第一帧被跟踪目标的初始化位置为p＝[x,y,w,h]。

其中x,y表示目标中心点的横坐标和纵坐标，w,h分别表示目标框的宽和高。

目标区域选取以目标中心点为中心，2倍目标大小的矩形区域为目标区域P_t。

所述步骤2为：

计算目标区域P_t的HOG特征和CN特征作为滤波器的输入F。

其中M和N表示目标区域P_t的大小，L表示特征通道的个数。

第一帧选取标准偏差构造位置滤波器输出，即

其中(x,y)表示目标位置,(x',y')∈{0,…,M-1}×{0,…,N-1}表示每个像素位置。

选取标准差作为尺度滤波器输出，即：

其中s表示目标当前的尺度，s'表示样本尺度：

其中，P,R分别为目标在前一帧的宽和高，a＝1.02为尺度因子，S＝33为尺度的数量。

根据建立最小化代价函数构造滤波器h，如下：

其中，h表示滤波器，f表示滤波器输入，g表示滤波器输出，l表示特征的某一维度，λ是正则项系数。

作用是消除f频谱中的零频分量的影响，避免上式解的分子为零，通过最优化求解，并转化为频域，则滤波器表示为：

其中H^l表示我们构造的滤波器，表示滤波器输出的频域共轭，F^l表示滤波器的频域输入的某一维度。

d表示输入样本的像素个数，Fk表示输入的某一像素值的频域，是它的频域共轭，A^l和B表示构造滤波器的分子和分母。

完成滤波器的构造。

所述步骤3为：

计算HOG特征初始化单元大小为1×1，根据标准化HOG特征计算函数得到检测样本M×N大小的27维梯度特征，加上一维的灰度特征构成M×N×L₁的HOG特征，其中L₁＝28。

CN特征根据标准的计算函数可以得到M×N×L₂的CN特征，其中L₂＝10。