[发明专利]基于深度卷积特征自适应集成的目标跟踪方法

说明书

本发明公开一种基于深度卷积特征自适应集成的目标跟踪方法，其步骤如下：提取深度卷积特征；计算核相关滤波器；使用集成矢量更新公式更新当前帧的集成矢量；利用自适应集成计算公式预测当前帧图像的目标位置；使用深度卷积特征更新公式，更新当前帧的深度卷积特征；将选完含有待跟踪目标视频图像序列迭代终止时当前帧的目标中心位置作为待跟踪目标的中心位置。本发明通过集成特征，克服了现有技术存在的跟踪器不能充分利用不同通道目标特征包含的信息，使得本发明在目标跟踪过程中更加准确地获取待跟踪目标位置，增强了目标跟踪的准确性和可靠性。

技术领域

本发明属于图像处理技术领域，更进一步涉及计算机视觉图像处理技术领域中的一种基于深度卷积特征和自适应集成的目标跟踪方法。本发明采用一种基于深度卷积特征自适应集成相关滤波器的方法，实现视频监控、医疗保健、智能交通、机器人导航、人机交互、虚拟现实等领域的运动目标跟踪。

背景技术

目标跟踪的主要任务是估计视频中目标的轨迹，即从视频图像序列中检测出待跟踪的运动目标，进而在每一帧图像中确定出运动目标的位置。目标跟踪最流行的方法之一是检测跟踪，检测跟踪通常根据判别式学习模型，在线学习一个二进制分类器将目标和背景分离。这类方法的目标是设计一个鲁棒的分类器，动态捕捉目标和背景的差异性特征，适应跟踪过程中的视角、光照、姿态等变化。

西安电子科技大学在其拥有的专利技术“基于深度卷积特征分层响应融合的目标跟踪方法”(专利申请号201910341675.5，授权公告号CN 110084836 A)中公开了一种基于深度卷积特征分层响应融合的目标跟踪方法。该方法的步骤是，使用卷积神经网络提取多通道的目标特征，分别将不同通道的目标特征通过滤波器得到目标响应矩阵，使用所有通道响应矩阵两两点乘相加的方法融合响应矩阵，融合后响应矩阵最大元素的位置为目标中心位置，一定程度上缓解了当目标严重遮挡时跟踪失败的问题。但是，该方法仍然存在的不足在于，人为给定融合权重，导致相关滤波器不能充分利用不同通道目标特征包含的信息进行跟踪，从而当目标周围出现相似干扰物的时候很难做到稳定跟踪。

西安电子科技大学在其拥有的专利技术“基于深度特征自适应相关滤波的目标跟踪方法”(专利申请号201910473963.6，授权公告号CN 110223323 A)中公开一种基于深度特征自适应相关滤波的目标跟踪方法。该方法的步骤是，使用卷积神经网络提取目标区域不同通道的特征，分别在不同通道的目标特征上训练相关滤波器，将所有通道的跟踪器线性组合得到一个强跟踪器，得到效果更好的输出结果，防止目标丢失的发生。但是，该方法仍然存在的不足在于，跟踪器线性组合时的权重容易受到初始设置值的影响，同时该方法是根据上一帧的跟踪结果进行权重计算，未体现当前帧的目标特性，导致权重计算存在时间上的歧义，使构建的跟踪器在预测目标位置时产生一定的偏差。

发明内容

本发明的目的是针对上述现有技术的不足，提出一种基于深度卷积特征自适应集成的目标跟踪方法，用于解决当目标周围出现相似干扰物时跟踪器不能充分利用不同通道目标特征包含的信息导致跟踪不够稳定，而且得到的目标位置不够准确的问题。

实现本发明目的的思路是，利用卷积神经网络VGG-19，提取目标区域多通道的深度卷积特征，通过核相关滤波器和集成矢量计算公式得到核相关滤波器和集成矢量，使用集成矢量对深度卷积特征加权求和，得到一个集成特征，并计算核相关滤波器在该集成特征上产生的响应矩阵，最后，响应矩阵最大元素的位置为目标的中心位置。

为实现上述目的，本发明的具体步骤如下：

(1)提取深度卷积特征：

(1a)从含有待跟踪目标视频图像序列中选取一帧未选过的图像作为当前帧；

(1b)将当前帧中含有目标的区域内所有像素输入到卷积神经网络VGG-19中，将该网络的第10层、第28层、第37层输出的3个通道特征拼接为一个目标区域多通道的深度卷积特征；

(2)计算核相关滤波器：