[发明专利]基于均值偏移与核相关滤波的尺度自适应目标跟踪系统

说明书

本发明涉及视觉和目标跟踪技术领域，具体涉及一种基于均值偏移与核相关滤波的尺度自适应目标跟踪系统。本发明提出基于均值偏移与核相关滤波的尺度自适应目标跟踪系统很好地解决目标跟踪中的一些难题，如快速运动，运动模糊以及尺度变化下的目标跟踪等，通过对动态视频的每一帧用MS算法模型对目标进行初步判定获得目标的初始位置，然后KCF算法模型以此位置为输入进行采样，找出具有最大响应值的尺度大小，确定最终的目标位置，本发明中的方法计算速度快，能快速得到确定最终的目标位置，并对确定最终的目标位置进行跟踪，算法实现简单，可以实现实时的尺度自适应目标跟踪，具有更强的可靠性和鲁棒性。

技术领域

本发明涉及视觉和目标跟踪技术领域，具体涉及一种基于均值偏移与核相关滤波的尺度自适应目标跟踪系统。

背景技术

视觉是人类与外界交流的窗口，是取外界信息的重要途径，为人类提供大量丰富的外界信息。然而，人的精力与视野都非常有限，所以人的视觉在各个领域中的应用具有一定的局限性。随着计算机技术的飞速发展，一大批学者加入能让计算机处理视觉信息、完善人类视觉上诸多短板的课题研究之中，也因此推动了计算机视觉的产生和发展。计算视觉是在了解人类视觉基础上，用成像系统代替人类视觉器官，用计算级代替人脑完成对输入图像的处理与理解。目标跟踪作为计算机视觉领域的热门课题之一，是对连续的图像序列进行运动目标检测、提取特征、分类识别、跟踪、行为识别，以获得目标准确的运动信息参数(如位置、速度等)，并对其进行相应的处理分析，实现对目标行为的理解，以完成更高一级的检测任务。因此，目标跟踪在科研和工程实践中有着重要的研究价值和广泛的应用前景。

目标跟踪是典型的不确定性问题，并随着监视与反监视技术的发展和目标机动性的提高，使得目标跟踪问题的不确定性更加严重。这些不确定性主要表现为目标运动状态的不确定性、信息源的不确定性，背景杂波造成的数据模糊等。目标跟踪的本质则是通过滤波，对目标运动状态进行估计和预测，来消除这些不确定性，一般采用以下两种方式：

(1)相关滤波类跟踪算法是模板类方法，对快速变形和快速运动情况的跟踪效果不好。尤其是KCF算法是基于固定的学习率来更新目标模型，这就导致当学习率太大时，部分或者短暂的遮挡会检测不准确，模型会学到背景信息，随着时间的积累将导致目标的漂移；当学习率太小时，如果目标发生变形，而学习到的模板还是上一帧中的目标模板，就会导致跟踪器检测不到目标，从而将目标丢失。

(2)基于生成模型的均值偏移算法采用目标的颜色直方图作为搜索特征，通过不断迭代均值偏移向量使得算法收敛于目标的真实位置，从而达到跟踪的目的。均值偏移算法作为一种经典的跟踪算法，具有计算量不大，在目标区域已知的情况下完全可以做到实时跟踪的优点。然而，均值偏移算法对相似性较高的目标具有较差的跟踪效果，这是因为它仅仅只做了颜色相似度匹配。举个例子，从当前帧知道了目标区域80％是红色，20％是绿色，然后在下一帧，搜索算法去找最符合这个颜色比例的区域，所以当有相似物体出现时，均值偏移算法容易偏移到相似物体上。

上述两种方式都使用固定模版来跟踪目标的，目标的尺度变化对跟踪效果也有着巨大的影响，在目标跟踪过程中，目标尺寸发生变化时，用固定模板跟踪目标就会导致目标过小时增加背景杂波，而目标过大时减少目标特征的提取。

发明内容

本发明要解决的技术问题是提供一种计算速度快，能快速得到确定最终的目标位置，并对确定最终的目标位置进行跟踪，具有更强的可靠性和鲁棒性的基于均值偏移与核相关滤波的尺度自适应目标跟踪系统。

为了解决上述技术问题，本发明解决其技术问题所采用的技术方案是：

一种基于均值偏移与核相关滤波的尺度自适应目标跟踪系统，包括以下步骤：

步骤一：对动态视频框选图像帧数区域，在图像帧序列的首帧图像中获得要跟踪目标的初始位置信息和大小；

步骤二：将获取首帧图像的彩色图像信息输入至预设的MS算法模型进行训练；