[发明专利]一种复杂红外地面环境下的稳定目标跟踪方法

说明书

本发明公开了一种复杂红外地面环境下的稳定目标跟踪方法，包括：获取红外视频中初始帧的目标信息以及周边背景信息初始化相关滤波器、分类器和检测器；根据上一帧的目标位置在下一帧搜索区域进行相关响应置信度以及遮挡阈值的计算，返回目标的粗定位；如果阈值满足遮挡条件，则重新计算缩减区域后的相关响应置信度，再对背景区域响应置信度进行惩罚，并返回该帧的目标最大响应值的目标位置和尺度，完成目标的精定位；更新全部模型参数；如果目标丢失，则使用检测器进行全局检索，找到目标更新全部模型参数返回目标位置。本发明能有效解决红外地面环境下对目标的长期稳定跟踪难题，具有较高的跟踪准确性和鲁棒性。

技术领域

本发明涉及目标跟踪技术领域，具体涉及一种复杂红外地面环境下的稳定目标跟踪方法。

背景技术

红外成像系统主要运用相关光电技术去检测物体热辐射的相关定波段信号，不仅仅应用于安防监控、机器人以及人机交互等领域，还广泛应用于军事领域中。目标跟踪技术在近些年取得极大的进步，但还存在着红外地面图像的低信噪比问题，以及目标跟踪过程中的外观形变、强相似背景干扰以及遮挡等因素造成的跟踪鲁棒性差问题，这些都是目标跟踪技术进一步发展所需要解决的关键问题。

目前目标跟踪模式主要分为：生成模式、判别模式和基于深度学习三种。生成类算法是对当前帧目标区域图像建模，在下一帧图像中寻找与模型最相似的区域作为预测目标位置，比较典型的有卡尔曼滤波，粒子滤波，mean-shift滤波等。判别类算法则是以目标区域图像作为正样本，背景区域图像作为负样本，训练得到分类器模型，在下一帧图像中根据训练得到的分类器计算最优区域作为预测目标位置，比较典型的有多示例学习方法(multiple instance learning)和结构SVM(structured SVM)等。与生成类算法的主要区别在于，判别类算法在训练分类器中增加了背景信息，因此判别类算法普遍优于生成类算法；比较经典的有TLD(Tracking-Learning-Dectection)算法和LCT(Long-termCorrelation Tracking)算法等。

近年来，比较主流的算法一类是基于相关滤波的跟踪算法(Correlation Filterbased Tracking,CFT)，它们具有精度高、速度快、鲁棒性好等特点。CFT算法通过将输入特征回归为目标高斯分布来训练滤波分类器，在下一帧图像中利用相关滤波计算响应矩阵，将其中响应最大值的位置返回为预测的目标位置。由于利用循环矩阵和快速傅里叶变换的特性，实现计算速度的大幅提升，其中早期CF算法中的单通道灰度特征的相关滤波MOSSE(Minimum Output Sum of Squared Error)算法速度达到了615FPS，后续的KCF(Kernelized Correlation Filters)算法在MOSSE的基础上引入了多通道梯度的HOG特征和核函数，DSST(Discriminative Scale Space Tracking)算法则在MOSSE基础上增加了尺度计算估计，利用两个相对独立的相关滤波器可以分别实现目标的跟踪和尺度变换。然而，基于相关滤波的目标跟踪算法由于只返回响应矩阵最大值位置和固定的学习率，因而在应对长期跟踪过程中发生的外观快速变形、相似背景干扰和目标遮挡等情况时，容易导致漂移。基于深度学习的目标跟踪算法，因其稳定的目标特征和CFT层的整合，带来堪比相关滤波的性能，近些年发展迅速，典型的算法有CFCF等。

但这些算法都还存在一些缺点，比如说：TLD算法虽然能够一定程度上解决跟踪器的模型漂移问题，但当目标被严重遮挡时，检测器和跟踪器跟踪目标均丢失，进而造成检测器全局检索巨大耗时；同时基于光流法的跟踪器，在目标运动幅度过大或发生大尺度形变时，也易丢失目标。KCF算法也存在着不足：目标快速运动边界效应造成的目标无法跟踪，只返回响应矩阵最大值位置，当响应矩阵出现多峰值时，真实跟踪目标位置可能在非全局最大值外的极大值处；跟踪目标的尺度变化适应性差；采用固定学习率，目标发生形变或者遮挡时会发生跟踪漂移。

发明内容