[发明专利]一种基于多相关滤波模型的长时目标跟踪方法

说明书

本发明涉及一种基于多相关滤波模型的长时目标跟踪方法，属于计算机视觉领域。该方法包括：S1：提取视频图像的HOG和HOI特征，训练长时相关滤波器；S2：跟踪过程中，利用长时相关滤波器与目标产生的最大响应值与检测阈值来判断目标跟踪是否发生失败，若目标跟踪成功，则采用MCCT算法中最优位移相关滤波器对目标的平移进行估计并得到目标的位置信息，若目标跟踪失败，激活在线检测器对目标重新定位并采用在线分类器SVM的检测结果作为目标的位置信息；S3：确定目标的平移位置后，再利用尺度相关滤波器确定该帧中目标的尺度；S4：最后在满足目标更新条件下对滤波器模型进行更新。本发明降低了时间开销，其性能具有优越性。

技术领域

本发明属于计算机视觉领域，涉及一种基于多相关滤波模型的长时目标跟踪方法。

背景技术

目标跟踪是根据已知的感兴趣的目标位置预测确定下一帧目标位置，从而不断的跟踪实现对目标信息的更新。

早期的研究主要集中在生成式方法的学习，但是生成式的方法没有考虑背景因素，当面临一些复杂场景的因素干扰时跟踪会失败。之后研究人员通过判别分类的角度考虑到目标的背景信息，基于判别式的跟踪方法以其出色的表现得到了广泛的研究。其中基于相关滤波的跟踪，它兼具准确性和速度的双重优势，从而取得快速的发展。2010年，Bolme等人首次将相关滤波方法引入到目标跟踪领域，提出了MOSSE算法，利用自适应训练框架，MOSSE算法实现了高效鲁棒的跟踪。2012年，Henriques等人提出了CSK跟踪器，通过循环移位密集采样训练出了核化分类器，训练过程在傅里叶域中进行，大大的降低了计算量，提高了计算速度。2014年，Henriques等在CSK算法单一的灰度特征基础之上扩展成了多通道的HOG特征，提出了KCF算法，HOG特征的引入提升了滤波器的判别能力。前面的分析都是在灰度空间进行的，缺乏颜色信息，同年，Danelljan等在CSK算法基础上将灰度特征更替为CN特征，提升了前者的跟踪效果。

但是，当前目标跟踪技术主要存在的以下问题：

1)使用单一特征训练的滤波器对目标外观的辨别能力不强，使得滤波器在面对复杂的场景时无法准确跟踪目标。

2)传统的滤波器每帧都更新滤波器，而不考虑目标的遮挡。当目标发生遮挡时，继续更新滤波器，滤波模板就会被污染，最终就会导致目标完全丢失。

3)上述跟踪算法未对跟踪结果进行置信度检测，当跟踪结果的置信度过低时，说明目标可能丢失，这种未对跟踪结果进行置信度检测的跟踪方法只适合短时跟踪。

发明内容

有鉴于此，本发明的目的在于提供一种基于多相关滤波模型的长时目标跟踪方法，1)改进单一特征训练的外观模型跟踪效果不佳的问题，改进后训练模型提高了跟踪的准确性；2)改进传统滤波器的每帧都更新滤波器的问题，改进后的更新机制，当目标在遇到遮挡情况时避免了模型被污染；3)改进未对跟踪结果进行置信度检测仅能进行短时跟踪的问题，改进后跟踪算法能够进行长时目标跟踪，并且提高跟踪的精度和成功率。最终，本方法加入一个根据相关滤波响应值变化而设计的遮挡判断依据来控制模型更新问题和一个检测置信结果的长时相关滤波器，不仅时间开销小，其性能也有一定的优越性。

为达到上述目的，本发明提供如下技术方案：

一种基于多相关滤波模型的长时目标跟踪方法，具体包括以下步骤：

S1：对于某个视频序列中的每一帧图像，提取每一帧图像目标区域的梯度方向直方图特征(Histogram of Oriented Gradient,HOG)和局部强度直方图特征(Histogram ofIntensity,HOI)作为目标的特征表示，并且用于训练长时相关滤波器；