[发明专利]相关滤波器组集成的目标跟踪方法

说明书

本发明公开了一种相关滤波器组集成的目标跟踪方法，包括如下步骤：步骤1：每一帧视频中单个相关滤波器的学习；步骤2：相关滤波器组的构建；步骤3：基于相关滤波器组的目标图像确定。本发明设置一个相关滤波器组W用于存储各帧视频中所学习到的相关滤波器，每当在当前帧中学习到新的相关滤波器后，将其加入相关滤波器组中；每次加入一个新相关滤波器时，都要对W中已有的相关滤波器进行更新检查，以便淘汰出相关性较高的相关滤波器，保留判别能力差异性较大的相关滤波器。本发明的目标跟踪方法在保持较快跟踪速度的同时，其有着较高的跟踪精度，尤其对于目标外观突变情况有着相对较高的鲁棒性。

技术领域

本发明涉及一种相关滤波器组集成的目标跟踪方法，属于计算机视觉技术领域。

背景技术

2017年，Galoogahi等在题为《Learning Background-Aware CorrelationFilters for Visual Tracking》的论文中提出了一种高判别性相关滤波器构建方法，用于完成视频中的目标跟踪任务。该方法通过对包含目标的大尺寸图像区域进行裁剪获得用于相关滤波器学习的训练样本，即将大尺寸图像区域作循环平移，在循环平移后的图像区域上按照目标的尺寸裁剪出图像区域作为训练样本，随后使用增广拉格朗日乘子算法计算得到相关滤波器。相比于传统的基于相关滤波器跟踪方法，该跟踪方法可在更为复杂的场景下对特定目标进行跟踪。但是该方法在构建新相关滤波器时仍然采用了线性插值的方式来更新相关滤波器，这很容易使得相关滤波器模型对于当前目标与背景过拟合，当目标外观变化较大时，相关滤波器无法准确跟踪目标。

基于相关滤波器的目标跟踪方法通常以目标为中心的图像区域作循环平移来采集训练样本，这种方式往往会产生伪像，导致背景样本往往并不能真实地反映背景。另外，因为围绕目标采集的样本中背景数量往往远大于目标，所以样本类别的不平衡性也比较严重。在此训练样本上学习所得的相关滤波器对于目标与背景的判别能力也比较弱。最后，由于相关滤波器的更新往往采用线性插值的方式，相关滤波器很容易对当前目标外观形成过拟合，鲁棒性较差。

发明内容

针对现有技术中存在的上述问题，本发明提供一种相关滤波器组集成的目标跟踪方法。

本发明的技术方案如下：

相关滤波器组集成的目标跟踪方法，包括如下步骤：

步骤1：每一帧视频中单个相关滤波器的学习；

步骤2：相关滤波器组的构建；

步骤3：基于相关滤波器组的目标图像确定。

进一步地，所述步骤1包括如下步骤：

步骤1-1：在第一帧视频中确定所要跟踪的目标；

步骤1-2：围绕当前帧中目标中心确定长宽为目标图像5倍的训练样本采集区域，将其缩放至第一帧视频中目标图像区域长和宽5倍的图像；

步骤1-3：确定相关滤波器w为：

进一步地，所述步骤1-3，