[发明专利]一种可靠的局部目标跟踪方法及跟踪器

说明书

本发明可靠的局部目标跟踪方法及跟踪器，包括：利用随机分块方法和人工分块方法来划分目标，得到第一类粒子和第二类粒子；结合第一类粒子和第二类粒子来估计目标位置；利用重采样规则来剔除第一类粒子中的不可靠粒子；计算探测分数r来判断第二类粒子是否被遮挡；若目标从全遮挡状态转变为部分遮挡或无遮挡状态，由第二类粒子确定最终的目标位置，否则，由第一类粒子中的可靠粒子来确定；S60，对于第一类粒子，其跟踪器的位置滤波器在每一帧都进行更新，而对于第二类粒子，只有当某个粒子的探测分数r大于设定阈值时，其跟踪器的位置滤波器才进行更新；利用可靠粒子之间的距离来估计目标的宽度与高度变化，得到目标的尺度。

技术领域

本发明涉及计算机视觉领域，特别指一种可靠的局部目标跟踪方法及跟踪器。

背景技术

目标跟踪是计算机视觉与人工智能领域的关键问题，其在场景监控、行为分析、自动驾驶、机器人等方面有着重要应用。虽然目标跟踪近年来已经取得了显著的提升，但在实际工程应用中，目标跟踪仍然面临遮挡、形态变化、光照变化、旋转、尺度变化和运动模糊等诸多挑战。因此，设计一种稳健的目标跟踪器一直是一个面临挑战性的课题。

根据目标表观模型所使用的表达策略不同，目标跟踪方法可以分成两大类：生成式模型与判别式模型。作为经典的生成式模型跟踪方法之一，基于粒子滤波的跟踪方法由于具有容易实现、并行结构、实用性强等优点，受到众多研究者的青睐。而作为性能最为突出的判别式模型跟踪方法之一，基于相关滤波的跟踪方法由于其在运算效率、准确性方面的优势，成为了当前主流的一种跟踪方法。本文将粒子滤波与相关滤波相结合，提出了一种可靠的局部目标跟踪器，提高了目标跟踪技术在面对部分遮挡、尺度变化、旋转等挑战的鲁棒性。

RPT(Reliable Patch Trackers)是一种有效的基于目标分块的跟踪器，它将粒子滤波与相关滤波相结合充分发挥了两种跟踪器的优势。RPT先对目标进行随机分块，利用相互独立的KCF(Kernelized Correlation Filters)来分别跟踪每个目标块，最后根据跟踪结果的置信度(PSR,Peak-to-Sidelobe Ratio)来估计目标的状态。该方法通过挖掘最可靠的目标块并利用运动轨迹规律来区分目标与背景，取得了很好的跟踪效果。但是，为了适应跟踪过程中的目标形变，RPT在每一帧都更新KCF的位置滤波器，当目标在连续的多帧被全遮挡再重新出现的时候，这将导致RPT跟踪失败。

发明内容

本发明要解决的技术问题，在于提供一种可靠的局部目标跟踪方法及跟踪器，以实现提升RPT跟踪器的准确性和鲁棒性。

本发明采用如下技术方案：

一方面，一种可靠的局部目标跟踪方法，包括如下步骤：

S10，利用随机分块方法和人工分块方法来划分目标，分别得到第一类粒子和第二类粒子；

S20，结合第一类粒子和第二类粒子来估计目标位置；

S30，利用重采样规则来剔除第一类粒子中的不可靠粒子，如果某个粒子满足重采样规则，则将其判定为不可靠的粒子并删除，反之则将其判定为可靠的粒子并保留；

S40，计算探测分数r来判断第二类粒子是否被遮挡，如果某个粒子对应的r大于设定阈值，则判定该粒子未被遮挡，反之则判定该粒子出现了某种程度的遮挡；

S50，若目标从全遮挡状态转变为部分遮挡或无遮挡状态，由第二类粒子确定最终的目标位置，否则，均由第一类粒子中的可靠粒子来确定最终的目标位置；

S60，对于第一类粒子，其跟踪器的位置滤波器在每一帧都进行更新，而对于第二类粒子，只有当某个粒子的探测分数r大于设定阈值时，其跟踪器的位置滤波器才进行更新；

S70，利用可靠粒子之间的距离来估计目标的宽度与高度变化，得到目标的尺度。

优选的，所述S10具体包括：