[发明专利]基于背景抑制和前景抗干扰的多尺度目标跟踪方法

说明书

本发明公开了一种基于背景抑制和前景抗干扰的多尺度目标跟踪方法，涉及目标跟踪技术领域，包括步骤：构建并初始化颜色概率模型及DCF跟踪模型；利用自适应高斯窗函数对前一帧图像进行背景抑制，计算出前一帧图像基于FHOG特征的目标位置的滤波响应图，同时计算前一帧图像的颜色概率分布，得到目标位置的颜色响应图，并线性融合所述滤波响应图和颜色响应图，预测出下一帧图像的目标位置；根据预测的下一帧图像的目标位置及基于尺度金字塔模型，更新下一帧图像中目标的尺度信息；结合下一帧图像的目标位置和尺度信息，进行自适应密集采样，计算下一帧图像的FHOG特征和颜色直方图，完成DCF跟踪模型和颜色概率模型的更新。

技术领域

本发明涉及目标跟踪技术领域，具体涉及一种基于背景抑制和前景抗干扰的多尺度目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域的一个重要分支，广泛应用于人流量统计、视频监控、机器人及无人驾驶等领域。目标跟踪方法主要分为生成式和判别式两种，前者在当前帧对目标区域建模，下一帧寻找与模型最相似的区域就是预测位置，比较著名的有卡尔曼滤波，粒子滤波，mean-shift等，而后者在当前帧以目标区域为正样本，背景区域为负样本，利用机器学习方法训练分类器，下一帧用训练好的分类器找最优区域，由于该方法利用了前景和背景信息，这样分类器可以更专注于区分前景和背景，因而提高了跟踪效果，判别式方法也被广泛应用。

近年来基于相关滤波的判别跟踪方法取得了重要的突破，吸引了诸多研究者的目光，在CVPR、ICCV、ECCV及TPAMI等视觉领域顶级会议期刊上出现了很多基于相关滤波的跟踪方法，如SAMF方法。

最小输出平方误差和(MOSSE)目标跟踪方法将相关滤波的思想引入了目标跟踪领域，该思想主要是将目标与候选区域间的相似性的复杂卷积运算利用傅里叶变换转换为频域内的点乘运算，从而大大提高了跟踪速度，可以达到615fps。而后CSK跟踪方法，引入核函数，并将岭回归和循环矩阵应用到其中，并提出密集采样的思想，极大优化跟踪效率，并且在CSK的基础上进行扩展，得到的著名的KCF跟踪方法，使用了FHOG特征，增加了跟踪鲁棒性。同时，研究者在CSK方法基础上提出自适应颜色属性的实时跟踪方法，有效解决了目标形变的问题。但以上方法均忽略了尺度问题，使得尺度变化鲁棒性变差。DSST跟踪方法，引入尺度金字塔模型，解决了目标尺度变化问题。且在2016年由牛津大学的L.Bertinetto等人提出了一种模板和逐像素融合学习器(Sum of Template And Pixel-wise Leaners，简称Staple)。

然而，现有技术中的跟踪方法存在以下4个不足：(1)尺度变化，当目标尺度变小时，相关滤波器就会学习到大量的背景信息，而当目标尺度变大时，相关滤波器没有完全学习目标信息，使得跟踪效果较差；(2)边界效应，以上所有方法在提取完特征后均使用余弦窗来去除边界效应，然而，当目标尺度过小时，经过余弦窗后仍然有大量的背景信息，当目标尺度过大时，目标信息会被余弦窗过滤；(3)背景干扰，每一帧跟踪时选取的候选ROI区域总会包含背景信息，使得前景和背景容易形成干扰；(4)目标形变，跟踪目标存在形变时，容易引入背景干扰。

发明内容

针对现有技术中存在的缺陷，本发明的目的在于提供一种基于背景抑制和前景抗干扰的多尺度目标跟踪方法，不仅跟踪效果好，可有效抑制背景的影响，抗变形干扰能力强，而且可解决跟踪过程中多尺度的问题。

为达到以上目的，本发明采取的技术方案是：

一种基于背景抑制和前景抗干扰的多尺度目标跟踪方法，包括步骤：

S1：构建并初始化颜色概率模型及DCF跟踪模型；