[发明专利]一种基于深度特征与平均峰值相关能量的目标跟踪方法

说明书

本发明提出一种基于深度特征与平均峰值相关能量的目标跟踪方法,包括：提取目标的颜色直方图特征、深度特征以及目标上下左右四个图像块的三层深度特征，并计算颜色直方图判别模型和深度特征模型；计算当前帧目标的颜色直方图特征响应和深度特征响应，并预测下帧的目标位置；计算当前帧目标响应的平均峰值相关能量；当前帧目标响应的平均峰值相关能量大于当前帧之前所有帧平均峰值相关能量均值，则判断此帧响应置信度较高，使用分层模型更新方案更新颜色直方图判别模型和深度特征模型，否则不更新；重复上述步骤直到视频序列结束。本发明将深度特征和平均峰值相关能量进行有效融合，并且采用分层的模型更新方案进一步有效的提高跟踪性能。

技术领域

本发明属于图像处理领域，具体涉及一种基于深度特征与平均峰值相关能量的目标跟踪方法。

背景技术

视觉跟踪的主要任务就是估计视频中目标运动的轨迹，这是计算机视觉的基本问题之一。近年来，目标跟踪方法取得了较大的进展，但是由于跟踪过程中存在背景扰动，快速运动等问题的干扰，目标跟踪的研究依然具有一定的难度。目前的目标跟踪方法主要由两大类组成：生成类方法和判别类方法。生成类方法首先提取当前帧目标特征，生成目标的外观模型，通过此模型在新一帧图像进行匹配，在图像中与此模型最匹配的就是目标。常见的生成类方法有卡尔曼滤波，mean-shift方法等。而判别式方法采用机器学习和图像特征结合的方式，提取当前帧的正样本和负样本的图像特征，并使用机器学习方法训练分类器，在下一帧中通过此分类器找到目标所在的最优位置。

基于相关滤波的跟踪方法属于判别类方法。Bolme等在相关滤波的基础上提出在灰度图像上学习一个最小输出平方误差和相关滤波器，将时域上的卷积转换到频域上的乘积，提高目标跟踪速度，达到669FPS。但是采用灰度特征不能够很好的描述目标外观，Henriques等提出使用HOG特征，并采用循环结构和核函数提高跟踪性能的方法，它通过密集采样得到具有周期性循环结构的样本，一方面增加样本数量提高跟踪精度，另一方面利用循环结构和核函数提高跟踪速度，但HOG对非刚性物体跟踪较差。而颜色特征可更好跟踪非刚性物体，MartinDanelljan等在CSK的基础上通过多通道颜色特征进行了扩展。由于HOG特征和颜色特征相互之间可以很好的弥补，LucaBertinetto提出了STAPLE方法，此方法通过将HOG特征的检测响应和颜色直方图的检测响应线性相加，但当遇到背景扰动等问题跟踪较差。Matthias Mueller等提出STAPLE_CA方法，在STAPLE方法的基础上采用上下文感知的方式，将采集到的背景信息引入到岭回归公式中作为正则化项进行约束优化，进一步提高了跟踪的性能。随着深度学习的日益发展，已有采用深度特征进行目标跟踪的方式，ChaoMa等采用卷积神经网络模型提取多层卷积特征用于目标跟踪，相比上述人工特征，性能有所提升，但当发生背景扰动，快速运动时不能很好的跟踪。

发明内容

鉴于以上所述现有技术的缺点，本发明的目的在于提供一种基于深度特征与平均峰值相关能量的目标跟踪方法，其目的在于将深度特征和平均峰值相关能量进行有效融合，并且采用分层的模型更新方案进一步有效的提高跟踪性能。

为实现上述目的及其他相关目的，本发明提供一种基于深度特征与平均峰值相关能量的目标跟踪方法，该方法包括以下步骤：

步骤(1).读取视频序列第一帧图像，提取目标的颜色直方图特征、深度特征以及目标上下左右四个图像块的三层深度特征，并分别计算颜色直方图判别模型和深度特征模型；

步骤(2).读取下一帧图像，在上一帧预测的目标位置提取目标的深度特征和颜色直方图特征，并且依据上一帧计算的颜色直方图特征和深度特征模型计算当前帧目标的颜色直方图特征响应和深度特征响应，并将颜色直方图特征响应和深度特征响应线性相加，依据线性相加的颜色直方图特征响应和深度特征响应预测下帧的目标位置；

步骤(3).依据深度特征响应计算当前帧目标响应的平均峰值相关能量APCE；