[发明专利]一种融合多特征的自适应运动目标跟踪方法

说明书

本发明涉及一种融合多特征的自适应运动目标跟踪方法，属于视觉运动目标跟踪领域。该方法首先从图像目标区域提取方向梯度直方图(Histogram of Oriented Gradient，HOG)特征，同时利用预训练好的卷积神经网络提取卷积特征，然后采用自适应方式融合HOG特征和卷积特征。基于融合后的特征响应图估计出目标位置，并采用尺度估计方法解决目标尺度变化问题，最后采用稀疏模型更新策略进行模型更新。本发明能够有效处理复杂环境下仅使用单一图像特征跟踪精度和鲁棒性差的问题。

技术领域

本发明属于视觉运动目标跟踪领域，具体涉及一种融合多特征的自适应运动目标跟踪方法。

背景技术

在计算机视觉领域中，目标跟踪一直都是一个重要课题，包含了统计学、图像处理、机器学习、深度学习、信号处理等相关知识。目标跟踪技术在军事和民用方面都有广阔的应用前景，主要包括人机交互、军事制导、视频监控、智能交通等。虽然近年来目标跟踪问题已经取得了很大的突破，但由于跟踪环境的复杂多样性，如尺度变化、光照变化、目标遮挡等因素，实现鲁棒的目标跟踪仍是一个极具挑战的难题。

目标跟踪方法按照目标外观模型建立的方式不同可分为生成式模型和判别式模型。近几年，基于相关滤波的判别式目标跟踪算法由于具有较好的实时性和鲁棒性，引起了相关学者的广泛关注。Bolme等首次将相关滤波思想应用到目标跟踪领域，提出了最小化输出平方误差和(Minimum Output Sum of Square Error，MOSSE)的目标跟踪算法。Henriques等在相关滤波基础上引入核函数，提出核相关滤波器的目标跟踪算法(KernelCorrelation Filter，KCF)，并结合循环矩阵理论和快速傅里叶变换。

目标跟踪中目标的特征提取和表示是实现目标鲁棒跟踪的关键因素之一。早期MOSSE和KCF算法分别提取目标的灰度特征和HOG特征进行目标跟踪，取得了实时跟踪效果，但跟踪精度有待提高。随后，Danelljan等分别使用融合HOG特征和灰度特征表征目标的方法，以及颜色属性(Color Name，CN)表征目标的方法进行目标跟踪，其算法跟踪精度都有所提升。Li等提出融合HOG和CN特征的目标跟踪算法，很大程度上提高了跟踪精度。Bertinetto等提取目标的HOG特征和颜色直方图特征对目标进行描述，实现了目标的鲁棒跟踪。由于在复杂环境下使用单一的特征融合策略鲁棒性不强，跟踪算法易受跟踪环境变化的干扰，无法准确跟踪目标。另外手工设计的传统特征具有一定的局限性，不能有效捕捉目标物体的语义信息，难以处理复杂的目标表观变化。为进一步提高目标跟踪的鲁棒性，本发明拟提出了一种融合多特征的自适应运动目标跟踪方法。

发明内容

本发明的目的是提供了一种融合多特征的自适应运动目标跟踪方法，用以解决在复杂环境下仅使用单一图像特征跟踪精度和鲁棒性差的问题。

为了解决上述问题，本发明所实现的技术方案是提供了一种融合多特征的自适应运动目标跟踪方法，包括如下步骤：

第一步：获取目标的初始位置信息；

第二步：根据第一步获取的初始位置信息提取候选目标样本的HOG特征和卷积特征；

第三步：根据第二步提取的HOG特征和卷积特征分别训练相关滤波器，然后分别利用各自相关滤波器计算得到不同特征下的响应图。

第四步：根据第三步得到的HOG特征响应图和卷积特征响应图，采用自适应权重融合的方式得到最终相关滤波响应图；

第五步：根据第四步得到的最终相关滤波响应图，预测目标位置；

第六步：根据第五步预测的目标位置信息，在此基础上对目标提取HOG特征建立尺度滤波器，利用尺度滤波器计算得到目标最佳尺度；

第七步：通过计算相关滤波响应图的平均峰值相关能量(Average Peak-to-Correlation Energy，APCE)，实现模型的稀疏更新。