[发明专利]基于多区域层卷积特征的目标跟踪方法

说明书

本发明公开一种基于多区域层卷积特征的目标跟踪方法，步骤包括：步骤1，第一帧时确定目标区域并划分为多个子区域，提取子区域的卷积特征；初始化每层卷积特征的相关滤波器；步骤2，第二帧使用多层相关滤波器递推和加权融合的方法确定目标区域的位置，更新相关滤波器并初始化目标运动模型；步骤3，从第三帧开始，使用多层相关滤波器递推和加权融合的方法确定目标区域的位置，更新相关滤波器并更新运动模型为下一帧做准备；更新运动模型是为了得到下一帧目标位置的加权平均数和协方差矩阵Σ_t+1，其作为在下一帧更新相关滤波器的重要参数。本发明基于多区域层卷积特征的目标跟踪方法解决了目标的部分遮挡和特征剧烈变化情况下跟踪精度低的问题。

技术领域

本发明属于视频图像跟踪技术领域，涉及一种基于多区域层卷积特征的目标跟踪方法。

背景技术

随着科技的发展和让社会的进步，人们对机器视觉技术的要求也不断的提高，在无人车驾驶、智能机器人、行为分析、无人飞行器、精确制导、空中预警等方面有着巨大的应用前景。

相关滤波目标跟踪方法具有处理速度快、跟踪精度高等优点,相关滤波目标跟踪方法使用在第一帧中人为选取的目标区域训练一个相关滤波器，在之后帧中使用训练好的滤波器对搜索区域进行相关操作，相关操作的结果中最大响应值点即为目标位置。当相关滤波目标跟踪方法使用从目标区域提取的卷积特征时，使用对多层相关滤波响应使用加权融合的方法推断目标位置。

对于相关滤波目标跟踪方法来说，针对目标区域提取的特征是其中关键，针对目标区域提取的特征分为以下两种：(1)手工特征，手工特征是人为设定的特征如图像的直方图特征、方向梯度直方图特征(HOG)、局部二值模式特征(LBP)；(2)卷积特征，卷积特征是使用深度卷积网络(CNNS)提取出的特征，深度卷积网络所提取的深层特征对目标的语义信息进行编码，这种特征对目标的外观变化具有较强的鲁棒性，但其空间解析度太低无法进行准确的定位，深度卷积网络所提取的浅层特征保留了大量空间信息有利于定位但其语义性不够强所以对目标的外观变化的鲁棒性较弱，且对于目标的部分遮挡和部分特征剧烈变化情况下跟踪精度低。

发明内容

本发明的目的是提供一种基于多区域层卷积特征的目标跟踪方法，解决了现有技术中存在的对于目标的部分遮挡和部分特征剧烈变化情况下鲁棒性差和跟踪精度低的问题。

本发明所采用的技术方案是，

基于多区域层卷积特征的目标跟踪方法，具体步骤为：

步骤1，输入待进行目标跟踪的视频序列并人为选取第一帧的目标区域p₁，将目标区域p₁划分为N+1个子区域，提取每个子区域的卷积特征；初始化每一层卷积特征所对应的相关滤波器；

步骤2，在第二帧时，计算每个子区域每一卷积层的相关滤波器在第二帧的搜索区域上的响应，用多层相关滤波器递推和加权融合的方法确定第二帧目标区域的位置，，更新每个子区域的相关滤波器，根据第二帧的目标位置和第一帧的目标位置初始化目标运动模型；

步骤3，从第三帧起，确定当前帧的目标搜索区域，提取目标搜索区域中的卷积特征及上一帧每个子区域的滤波器在卷积特征上的相关滤波响应通过逐层推断当前帧每个子区域的中心位置对所有子区域的中心位置进行加权融合，得到并输出目标位置p_t即为目标跟踪结果之后更新每个区域的相关滤波器和目标运动模型为下一帧的目标跟踪做准备；

其中更新运动模型的目的在于得到下一帧目标位置的加权平均数和协方差矩阵Σ_t+1，作为在下一帧更新相关滤波器的重要参数。

本发明的特点还在于，

步骤1的具体步骤为：

步骤1.1，设置当前帧为第一帧，即t＝1，人为选取目标跟踪的视频序列中第一帧的目标区域p₁；