[发明专利]一种基于融合的长期目标跟踪方法

说明书

本发明实施例提供了一种基于融合的长期目标跟踪方法。该基于融合的长期目标跟踪方法首先给定初始帧中目标的位置及尺寸信息，通过提取特征分别训练核相关滤波器与贝叶斯分类器，融合两个分类器获得短期跟踪方法，并使用短期跟踪方法和支持向量机构成重检测模块；根据短期跟踪方法响应图的平均峰值相关能量与最大响应值与对应的历史均值的关系，控制重检测模块的工作和模型的更新。本发明实施例的基于融合的长期目标跟踪方法利用响应峰值以及平均峰值相关能量对更新模板进行优化，自适应选择是否更新模型；并且提出一种重检测方法，解决了目标跟踪检测范围被贝叶斯分类器限制与目标丢失的问题，增强了目标跟踪的鲁棒性。

技术领域

本发明涉及计算机图像处理的技术领域，具体涉及一种基于融合的长期 目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域中一个基础的研究问题，目标跟踪在机器人、 视频监控、无人机等领域内广泛应用。目标跟踪主要是根据目标在视频中第 一帧的位置，估计目标在后续视频序列帧中出现的轨迹。

目前，目标跟踪的方法主要包括两大类：判别类与生成类。生成类的目 标跟踪方法主要是运用生成模型描述目标的表观特征，在后序序列中找到与 目标外观最相似的特征，从而完成目标跟踪。由于生成类的目标跟踪方法的 性能较差，已经逐步被淘汰使用了。判别类的目标跟踪方法主要是运用机器 学习在线训练一个二分类器，然后在后序序列视频帧中运用该分类器进行目 标检测，从而完成目标跟踪。由于判别类的目标跟踪方法需要大量的训练样 本以增强判别能力，因此，判别类的目标跟踪方法无法同时兼顾实时性和准确性。

近年来，核相关滤波器的引入有效地解决判决类的目标跟踪方法的实时 性问题。2010年科罗拉多州立大学的Bolme等提出了MOSSE方法，首先在 目标跟踪领域应用核相关滤波器。2012年科英布拉大学的Henriques等人提的 CSK方法通过循环矩阵进行密集采样，并采用傅里叶变换进行快速计算。为 了增强相关滤波器的判别能力，2014年Henriques等人将CSK的单通道灰度 特征扩展到KCF/DCF的多通道方向梯度直方图特征(HOG)。考虑到颜色信 息在视频图像中的重要性，林雪平大学的Denelljan等人使用颜色属性(CN) 作为特征提出CN方法。同年，Danelljan等人通过训练一个尺度相关滤波器 以检测目标的尺度变化提出了DSST方法。2016年，毛宁等人通过结合多尺 度多模板核相关滤波与在线CUR滤波器提出多特征融合的多模板协同相关滤 波跟踪方法。2017年李雪晴等人在多模板核相关滤波器的基础上，使用深度 图分割方法处理尺度变化，并通过重叠率处理目标被遮挡的情形，提出了基 于多模板的深度核相关滤波跟踪方法。2017年，Mueller等人在相关滤波器DCF的基础上，引入背景信息，提出背景感知的相关滤波器，一定程度上缓 解了相关滤波的边界效应。目前虽然已经存在上述较多优秀的目标跟踪方法， 但是上述方法在面对一些特殊情况时仍然难以准确地跟踪目标，如目标发生 严重遮挡的情况、目标快速变形的情况、目标快速运动的情况、图像出现运 动模糊的情况、目标移出视野的情况、目标发生平面外旋转的情况。

因此，针对现有的采用核相关滤波器的目标跟踪方法存在无法跟踪特殊 情况下目标的问题，需要提供一种在特殊情况下也能够有效地长期跟踪目标 的长期目标跟踪方法。

发明内容