[发明专利]一种基于相关滤波与目标检测的鲁棒性长期跟踪方法

说明书

本发明提供一种基于相关滤波与目标检测的鲁棒性长期跟踪方法，属于目标跟踪领域。该方法利用了深度特征向量来获得跟踪结果可信度，并使用一个预设的置信度阈值来决定是否激活检测器。当检测器被激活时，它将选择当前帧中的所有目标。利用一个多级筛选机制来获得所有候选结果中最可靠的那个结果。一旦获得新的目标，置信度模板将被更新。本方法能够通过定时更新跟踪中的模板解决跟踪中环境物体的干扰。

技术领域

本发明属于目标跟踪领域，具体涉及一种基于相关滤波与目标检测的鲁棒性长期跟踪方法。

背景技术

目前，研究者利用循环矩阵的性质，在频域上解决了脊回归问题，大大加快了相关滤波的速度。但这些滤波算法更倾向于采用HOG特征和灰度特征等人工特征提取算法。这种特征提取算子手动设置描述图像的能力是有限的，这就导致了跟踪算法速度快，但一般精度不是很好。深度特征的自适应解决了图像特征描述不足的问题。FCNT算法详细分析了不同卷积层的特征，高层语义特征适合定位。低层次的细节特征适合于区分物体。因此，在KCF相关滤波跟踪中，为了提高目标跟踪的精度，增加了深度特征。

现有的相关滤波算法，一般的工作框架可以总结如下：

1)相关滤波器是根据从视频的第一帧中目标位置提取的图像块中训练、学习得到的；

2)对于随后的每一帧，从上一帧目标位置的区域提取图像块用来检测；

3)可以从原始的输入数据中提取大量特征，通常会上一个余弦函数对结果进行平滑；

4)利用余弦傅里叶变换类替代卷积操作，会使计算效率大幅提升；

5)通过傅里叶变换之后可得到响应图谱，具有最大响应值的位置就是要预测的目标的位置；

6)提取估计位置的目标的外观，用来训练和更新相关滤波器。

在跟踪过程中，如果某一帧的跟踪位置发生了偏移，接下来的一帧会在该位置的基础上进行采样。随着帧数增加，就有可能导致偏移的加大甚至脱离目标，影响算法的精度和稳定性。在长期跟踪中，这种问题尤为严重。

为了要解决这个问题，需要在跟踪发生偏移时及时更新模板，从而消除偏移对之后的影响。因此，在采用了深度特征的KCF中加入一个检测器，在提高精度的同时消除偏移的影响。本发明引入了YOLO检测算法，相比传统的Faster R-CNN等算法，YOLO在精度略有优势的情况下实现了速度的极大提升。其核心是在特征图上采用卷积核来预测一系列类别分数、偏移量。

在跟踪中，本发明利用相关归一化算法计算当前帧的跟踪目标与给定模板的相似度，确定跟踪目标当前帧的置信度并设定一个置信度较低的范围。如果当前帧的置信度进入此范围，就认为目前的跟踪出现了偏移。然后，开始调用YOLO对当前帧进行检测，之后将YOLO的检测结果作为新的模板，对原模板进行更新，完成了模型的自我调整。

发明内容

本发明旨在解决现有技术存在的问题，提供一种基于相关滤波与目标检测的鲁棒性长期跟踪方法。

本发明的技术方案：

一种基于相关滤波与目标检测的鲁棒性长期跟踪方法，利用了深度特征向量来获得跟踪结果可信度，并使用一个预设的置信度阈值来决定是否激活检测器。当YOLO被激活时，它将选择当前帧中的所有目标。利用一个多级筛选机制来获得所有候选结果中最可靠的那个结果。当获得新的目标时，置信度模板将被更新。具体步骤如下：

步骤一、获得当前帧的图像，从图像中提取HOG特征和CNN特征；

步骤二、将步骤一得到的HOG特征和CNN特征输入基于RLS(最小二乘)分类器的相关滤波器中，对相关滤波器进行训练；具体步骤如下：

(一)构建RLS分类器