[发明专利]一种多特征融合相关滤波目标跟踪方法及计算机设备

说明书

本申请适用于图像处理领域，提供了一种多特征融合相关滤波目标跟踪方法、计算机可读存储介质及计算机设备。所述方法包括以下步骤：接收视频，在当前视频帧中获取待跟踪目标图像和待跟踪目标的跟踪框；分别计算待跟踪目标图像的深度特征和三个手工特征，首先对三个手工特征进行串行融合，得到一个单通道的手工特征图，然后对待跟踪目标图像进行深度特征提取，得到一个单通道的深度特征图，将手工特征图与深度特征图并行融合调整为相同尺寸再进行对应像素相加，得到最终的融合特征；基于树形结构尺度自适应的目标跟踪算法对待跟踪目标的跟踪框中的目标进行尺度缩放判断，得到目标的最佳尺度响应值；在相关滤波模型KCF中，根据最终的融合特征和目标的最佳尺度响应值确定待跟踪目标。本申请能增加目标的外观模型的可区分性。

技术领域

本申请属于图像处理领域，尤其涉及一种多特征融合相关滤波目标跟踪方法、计算机可读存储介质及计算机设备。

背景技术

视觉跟踪作为计算机视觉领域中的热点问题，主要任务是估计视频中目标的运动轨迹。近年来目标跟踪算法取得了显著的效果，但是由于光照变化、运动模糊、快速移动等造成的目标丢失问题，目标跟踪的研究一直存在困难。

现有技术的目标跟踪方法主要是基于相关滤波和基于深度学习的方法，其中基于深度学习的方法凭借其优秀的特征提取能力和完善的训练模型抢占眼球，但其算法速度过慢，大都在0.1-5帧每秒之间，不能达到实时跟踪；而基于相关滤波的方法由于其在频域的快速计算特性拥有着几百帧的速度优势，如何将深度学习方法引入到相关滤波当中成为当前目标跟踪领域的研究热点之一。众所周知，强大的特征是良好跟踪的基础，在相关滤波方法中，最早的MOSSE使用的是灰度特征，跟踪速度快，为669帧每秒，但跟踪精度低；CSK在MOSSE基础上增加了循环矩阵和核函数进行估计，仍使用的是灰度特征跟踪速度320帧每秒；CN在CSK的基础上采用的是颜色特征并进行降维处理；KCF是对CSK的进一步完善，使用的是HOG特征，目标的表面纹理特征和轮廓形状能够很好地被HOG特征来描述。

传统的目标跟踪算法大多使用单一的特征，使得跟踪器在面对各类复杂情况下无法进行精确地跟踪，例如HOG特征在目标背景颜色干扰，背景混乱复杂等情况下都具有一定的鲁棒性，但是图像模糊时其适应性差；CN对于运动模糊，图像低分辨率，光照强度变化跟踪效果好，但是对于相似颜色的干扰表现性能较差；GRAY特征由于计算复杂度低，运算速度快，导致了其在各类条件下都无法实现准确地跟踪；CNN特征由于使用了复杂的卷积神经网络提取特征，其跟踪精度跟踪更高，但是实时性差。

发明内容

本申请的目的在于提供一种多特征融合相关滤波目标跟踪方法、计算机可读存储介质及计算机设备，旨在解决传统的使用单一的特征的目标跟踪算法使得跟踪器在面对各类复杂情况下无法进行精确地跟踪的问题。

第一方面，本申请提供了一种多特征融合相关滤波目标跟踪方法，所述方法包括以下步骤：

S101、接收视频，在当前视频帧中获取待跟踪目标的跟踪框；

S102、分别计算待跟踪目标图像的深度特征和三个手工特征，首先对三个手工特征进行串行融合，得到一个单通道的手工特征图，然后对待跟踪目标图像进行深度特征提取，得到一个单通道的深度特征图，最后将手工特征图与深度特征图并行融合调整为相同尺寸再进行对应像素相加，得到最终的融合特征；

S103、基于树形结构尺度自适应的目标跟踪算法对待跟踪目标的跟踪框中的目标进行尺度缩放判断，得到目标的最佳尺度响应值；

S104、在相关滤波模型KCF中，根据最终的融合特征和目标的最佳尺度响应值确定待跟踪目标。

进一步地，S104之后，所述方法还包括以下步骤：

S105、利用相似性检测方法来更新目标模型，对于满足要求的图像进行模型的更新，对于不满足要求的图像则判定目标丢失；