[发明专利]特征融合与学习率优化的核相关滤波水下目标跟踪方法

说明书

本发明公开了一种特征融合与学习率优化的核相关滤波水下目标跟踪方法，针对水下环境中单一目标特征无法进行准确目标建模的特点，采用将FHOG特征与颜色直方图特征或LBSP特征进行串联融合，并利用核相关计算将融合特征进行多通道扩展，在保证算法运算速度的前提下提高水下目标模型的准确性；通过遮挡检测自适应调整学习率进行水下目标模型的更新，提高了水下目标跟踪结果的准确性。本发明改进方法与传统KCF目标跟踪方法相比，在保证算法良好运算速度的前提下提高了水下目标跟踪结果的准确性，算法的跟踪性能得到提高。

技术领域

本发明属于目标跟踪技术领域，涉及一种核相关滤波水下目标跟踪方法，具 体涉及一种特征融合与学习率优化的核相关滤波水下目标跟踪方法。

背景技术

随着人类日益增长的物质需求，水下生物资源探测与开发已经成为各国经济 发展的重点战略规划，目标跟踪作为重要技术手段，得到国内外学者的广泛关注。 水下目标跟踪主要是指对水下视频图像中感兴趣的目标在连续视频序列中的位 置进行预测。水下环境特殊复杂，首先水下环境中光照分布不均匀，水下视频图 像通常分辨率较低，水下目标特征提取困难；其次水下目标运动自由度高，运动 速度较快且尺度变化明显，在运动过程中会面临着较为严重的遮挡问题，这些影 响因素严重影响到水下目标跟踪结果的准确性。在水下复杂环境下，找到一个具 有良好跟踪精度的目标跟踪方法是解决问题的关键。

核相关滤波(KCF)跟踪方法凭借着在复杂跟踪场景下优越的实时性和鲁棒 性表现，被国内外研究者广泛关注。KCF算法利用核化岭回归技巧提高目标检 测效率以提高跟踪速度，同时将FHOG特征从单个通道扩展到多个通道以提高 跟踪精度，但是KCF算法选取单一的FHOG特征进行水下目标建模，并且选用 固定学习率的线性加权进行目标模型更新，并不适用于复杂的水下目标跟踪场景。

发明内容

发明目的：本发明目的在于提出特征融合与学习率优化的核相关滤波水下目 标跟踪方法，以克服现有技术在水下环境中存在的缺陷，提高了水下目标的跟踪 结果的准确性。

技术方案：为了实现上述目的，本发明采用的技术方案是：

特征融合与学习率优化的核相关滤波水下目标跟踪方法，该方法包括如下步 骤：

(1)从水下图像中分别提取目标的FHOG特征以及颜色直方图特征或LBSP 特征，采用串联融合的方式融合FHOG特征与颜色直方图特征，或者FHOG特 征与LBSP特征，得到基于融合特征的水下目标模型；

(2)采用核相关运算将得到的基于融合特征的水下目标模型进行多通道扩 展，作为核相关滤波器的输入；

(3)在下一帧中采用遮挡检测判断水下目标是否发生遮挡，自适应调整学 习率进行水下目标模型的更新。

进一步地，所述步骤(1)中，两种不同类型的目标特征进行串联融合的过 程如下：

假设任意类型的m维特征向量a表示为a＝[a₁,a₂,…,a_m]，另一种类型n维特 征向量b表示为b＝[b₁,b₂,...,b_n]，则进行融合后的m+n维特征向量x表示为：

x＝[a₁,a₂,...,a_m,b₁,b₂,...,b_n]。

进一步地，所述步骤(2)中，将融合特征向量x进行多通道扩展的过程如 下：

首先选择一个高斯核函数表示为：

其中，x'表示x在高斯核函数映射下对应的向量，σ为高斯核函数带宽；