[发明专利]一种基于多级特征的双学习模型目标跟踪方法

说明书

本发明属于模式识别技术领域，尤其涉及一种基于多级特征的双学习模型目标跟踪方法。该方法具体如下：A1、读取目标视频序列，获得第t帧图像中的目标位置；A2、在第t+1帧图像中裁剪出包含有目标位置的候选区域并进行特征提取；A3、训练相关滤波器模型：A4、预测目标位置：A5、分类器模型重检测，得到第t+1帧图像中目标的最终位置；A6、双模型的更新，实时在线更新相关滤波器模型和分类器模型。该方法有效提高了跟踪的准确率和成功率，较好的适应了快速运动、遮挡、光照等干扰因素的影响。

技术领域

本发明属于模式识别技术领域，尤其涉及一种基于多级特征的双学习模型目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域中一个基础且重要的研究方向，其基本思想是通过序列图像的视频信息建立模型，根据时间及空间上的相关性，确定感兴趣的目标的姿态和运动轨迹。目前，目标跟踪技术在民用、军事上都有广泛的应用，如视频监控、人机交互、无人驾驶以及导弹的跟踪拦截等，但仍然存在着诸多无法克服的因素，如光照变化、尺度变化、遮挡、快速运动、复杂背景和旋转等。

近年来，目标跟踪取得了长足的进步，提出了许多具有竞争力的算法，根据表观模型的不同主要分为生成式和判别式。生成式跟踪算法主要是对前景进行建模，通过最小重构误差搜索候选区域，在当前帧中找到最佳的匹配位置，利用在线学习机制更新目标模型。判别式跟踪算法将跟踪问题转化为二分类的问题，通过在每一帧采集一组正、负样本，训练具有判别能力的分类器，从而最大化的区分目标和背景。判别式跟踪算法的性能主要依赖于特征提取的方法好坏，分类器的优劣以及在线更新分类器机制的健全性。为了克服目标外观的随着时间变化，利用合适的特征描述子来表示目标显得尤为重要，如颜色直方图，Haar-like，SURF，HOG，子空间表示，超像素等，甚至是多种特征的集合。

目前，计算机视觉领域掀起了深度学习的热潮。深度卷积神经网络(CNN)由于其强大的特征表示能力，在许多任务中显示了优异的性能，如图像分类，目标检测以及感兴趣区域的检测等。卷积神经网络中包含了多个卷积层，池化层和softmax层。其中这些卷积层具有很强的判别能力，同时保留了空间和结构化的信息。深度卷积特征结合相关滤波预测位置是目标跟踪的一个热点，高层的卷积特征包含着丰富的语义信息，而低层的卷积特征提供了更高的空间分辨率和边缘细节信息，对于准确的定位目标具有重要的作用。

判别式跟踪算法中，基于判别式相关滤波(DCF)的目标跟踪方法逐渐成为研究热点，在目标跟踪的标准数据集上取得了很好的结果。它训练一个相关滤波器进行预测，获得一个目标的分类分数，并利用离散傅里叶变换对所有的空间循环训练样本实现高效的计算，保证了跟踪的实时性。因此，近年来提出了多个基于CNN和DCF结合的跟踪算法。这些算法依靠依靠卷积特征强大的表示能力，取得了优异的跟踪效果，同时并不需要花费时间在线更新深度模型，大大提高了算法的实时性。

然而，在一个DCF框架里融合深度卷积特征依然存在着限制：

(1)在多层的特征融合阶段，高层的卷积特征往往具有更大的权重，因为高层的信息具有更丰富的语义信息，比起低层的特征，其发挥的作用更加明显，因此这是合理的。但是由于在跟踪过程容易受各种因素干扰，从而误导语义信息，并通过在线更新放大了误差造成目标漂移甚至丢失目标。因此，分层特征融合的方法并未完全探索特征之间的有效关系，同时多层的滤波器利用权重进行融合，并未有效地利用多个滤波器的响应图的信息，造成了信息浪费。

(2)目标在运动的过程中，处于被严重遮挡或者快速运动的情况下，相关滤波很难适应这样的挑战，因此跟踪器会将干扰信息引入到相关滤波器的连续更新中，造成误差的累积，同时引起跟踪漂移甚至失败。在这种情况下，单一的学习模型不能有效的胜任跟踪了，需要介入新的矫正机制。

发明内容

(一)要解决的技术问题

针对现有存在的技术问题，本发明提供一种基于多级特征的双学习模型目标跟踪方法，该方法有效提高了跟踪的准确率和成功率，较好的适应了快速运动、遮挡、光照等干扰因素的影响。