[发明专利]基于上下文感知和自适应响应的相关滤波目标跟踪方法

说明书

本发明公开了一种基于上下文感知和自适应响应的相关滤波目标跟踪方法，针对目标视频序列，在第一帧中给定目标初始状态的情况下，在后面的视频序列中估计目标的状态；本发明首先针对第t帧，根据上一帧的区域位置在当前帧中计算特征信息；然后计算目标区域背景信息，计算响应目标，合并训练分类器；接着根据上一帧确定的目标位置，计算当前帧的目标位置；更新滤波模型；最后对序列中的所有帧，重复上述步骤1至步骤6，得到t+1帧目标的位置；本发明通过充分利用目标区域的上下文信息减少边界效应和自适应地改变目标响应减少因循环矩阵生成样本数据时出现的位置漂移，有效地减少因遮挡、形变、运动模糊导致的跟踪漂移。

技术领域

本发明属于计算机视觉技术领域，具体涉及数字图像的目标跟踪技术领域中的一种基于上下文感知和自适应响应的相关滤波目标跟踪方法。

背景技术

目标跟踪一直以来都是计算机视觉领域中一个经典的研究问题(文献1、2)，广泛地应用于人机交互、智能监控、视觉导航、精确制导等领域。随着学者们对目标跟踪技术的广泛关注，目标跟踪技术在过去的几年里已经取得了重大的进展，学者们提出了很多非常优秀的目标跟踪算法。但受遮挡、光照、快速运动、运动模糊、旋转、形变等因素的影响，目标跟踪领域仍存在着较大的挑战，算法的鲁棒性和准确性也一定程度上受到了影响。

为了解决上述难题，实现鲁棒的跟踪算法，研究者们提出了很多解决办法，这些方法主要分为基于生成模式的跟踪算法和基于判别模式的跟踪算法。在基于判别模式的跟踪算法中基于相关滤波的跟踪算法因为结构简单、计算效率高的特点并且引起了许多研究者的关注。D.S.Bolme等人(文献3)首先提出了基于最小平方误差和(Minimum Output Sum ofSquared Error,MOSSE)的相关滤波算法，其主要思想是通过在线方式训练一个滤波器模板，在对目标定位时，利用该滤波模板作用于采样图像样本，以响应值最大的元素坐标作为目标的位置。P.Martins等人(文献4)基于MOSSE提出了一种基于循环矩阵的核跟踪方法(Exploiting the Circulant Structure of tracking-by-detection with Kernels,CSK)，通过循环矩阵来实现密集采样的过程并结合傅里叶变换快速的进行分类器的训练。基于CSK算法，原文作者利用方向梯度直方图(Histogram of Oriented Gradient,HOG)特征取代原始的像素值特征，通过核函数对多通道的Hog特征进行融合提出了基于核化的相关滤波(Kernelized Correlation Filters，KCF)的跟踪算法(文献5)。近年来有越来越多的基于相关滤波的改进算法，在颜色方面，Li等人(文献6)提出联合颜色特征(Color Name)和灰度特征描述目标的CN算法、Bertinetto等人(文献7)提出颜色色直方图的staple、Possegger H等人(文献8)提出统计颜色特征方法DAT等；在适应尺度变化层面，Li等人(文献9)采用平移滤波器在多尺度缩放的图像块上进行目标检测的SAMF、Martin Danelljan等人(文献10)提出了平移滤波结合尺度滤波方式的DSST等；在适应性反应方面，AdelBibi等人(文献11)当循环移位样本不可靠的时候选择相信更可靠的位置的CF_AT、Zhang等人(文献12)通过建模相关反应的分布贝叶斯优化框架的OCT-KCF等；在边界效应方面，MatthiasMueller等人(文献13)加入学习全局背景信息特征的CF_CA、Danelljan等人(文献14)通过空间正则化组件来增大特征学习的区域进而训练更有识别力的分类器的SRDCF、KianiGaloogahi H等人(文献15)基于灰度特征采用较大尺寸检测图像块和较小尺寸滤波器来提高真实样本比例的CFLB等。还有其他学者提出了很多的基于相关滤波的跟踪算法(文献16、17、18)，以及近三年来快速发展的基于深度学习的跟踪算法。比如Martin.D等人(文献19)将SRDCF中的HOG特征替换为CNN中单层卷积层的深度特征的DeepSRDCF、Ma C等人(文献20)结合多层卷积特征的HCF、Jack Valmadre等人(文献21)在CNN中用end-to-end方式训练相关滤波的CFNet等等。通过卷积输出得到的特征表达，理论上更优于HOG或CN特征，但同时也带来了计算量的增加。