[发明专利]一种基于前景条件概率优化尺度和角度的视觉跟踪方法

说明书

本发明揭示了一种基于前景条件概率优化尺度和角度的视觉跟踪方法，属于计算机视觉领域。实现步骤如下：1)读取视频帧序列，利用SiamMask方法计算该帧回归框、分割掩码(前景)以及最小外接框；2)计算最小外接框内前景区域所占的比例；3)当比例小于设定阈值时，计算该帧最小外接框的可靠性；4)根据可靠性的大小选择不同策略优化最小外接框尺度；5)针对尺度优化后的跟踪框的角度进行偏移设置；6)计算各偏移角度旋转框与前景的IoU值；7)跟踪器自适应输出与前景IoU值最大的旋转框。所述视觉跟踪方法，在目标发生运动、旋转、尺度变化等复杂条件下有效提高了目标跟踪的整体性能。

技术领域

本发明涉及计算机视觉领域，具体为一种基于前景条件概率优化尺度和角度的视觉跟踪方法。

背景技术

目标跟踪是计算机视觉的热点问题，是完成更高层次的图像理解的前提和基础，被广泛的应用在智能视频监控，人机交互，视觉导航，医学诊断等领域。在对目标进行跟踪的过程中，往往会遇到背景干扰(遮挡，光照变化等)和目标本身变化(旋转，尺度变化，形变等)的干扰，在后续帧中导致跟踪偏移的问题，从而目标跟踪是计算机视觉领域极具挑战的难题。

近年来，跟踪的方法逐渐由生成式转向判别式，判别式跟踪方法以相关滤波和深度学习为代表。目前，基于深度学习的孪生网络系列结合了相关滤波和深度学习的优点，在近几年取得了优异的成绩。孪生网络是一种特殊的神经网络结构，由模板图像和搜索图像两个分支共享一个神经网络的权值，对两分支的特征图互相关后确定目标位置。

Bertinetto等提出的SiamFC网络被称为孪生网络的开山之作，在跟踪速度上非常快，但需要进行多尺度检测，因此跟踪精度很不理想。Li等提出的SiamRPN加入了区域建议网络，相比SiamFC，该网络使用边界框回归来替代多尺度检测，得到的跟踪框更准确。但是，以上网络得到的跟踪框都是水平的，在目标发生旋转时会产生较大损失。Wang等提出的SiamMask在SiamRPN的基础上添加了一个分割分支，实现了图像分割与目标跟踪的结合。该网络首先对目标进行分割，然后计算分割掩码的最小外接框，以此框作为跟踪框。但是，该计算方式存在较大缺陷，当目标发生运动时跟踪框内会包含较多的背景，并且直接计算最小外接框角度会产生很大偏差，导致精度下降以及跟踪漂移。

针对上述问题，本发明提出一种基于前景条件概率优化尺度和角度的视觉跟踪方法，分别从尺度和角度两方面对跟踪框进行优化，提升跟踪框内的前景比例，抑制背景干扰。

发明内容

本发明是针对跟踪框尺度和角度不准确的一种基于前景条件概率优化尺度和角度的视觉跟踪方法，旨在解决目标发生运动、旋转、尺度变化等复杂场景下导致的跟踪框尺度和角度的不稳定性与不准确性。

本发明的技术方案如下：

一种基于前景条件概率优化尺度和角度的视觉跟踪方法，包括如下步骤：

(1)读取视频帧序列，利用SiamMask方法计算该帧回归框、分割掩码(前景)以及最小外接框；

(2)计算最小外接框内前景区域所占的比例；

(3)当比例小于设定阈值时，计算该帧最小外接框的可靠性；

(4)根据可靠性的大小选择不同策略优化最小外接框尺度；

(5)针对尺度优化后的跟踪框的角度进行偏移设置；

(6)计算各偏移角度旋转框与前景的IoU(Intersection over Union，交并比)值；

(7)跟踪器自适应输出与前景IoU值最大的旋转框。

在步骤1中，首先获取最小外接框M的顶点坐标，记为：