[发明专利]一种基于ASMS算法的目标跟踪方法及装置

说明书

本发明提供一种基于ASMS算法的目标跟踪方法及装置，所述方法利用ASMS算法跟踪视频中的目标位置，并利用候选目标区域与模板区域之间的特征点匹配对的数目判断模板是否需要更新以及目标是否丢失，若目标丢失，开启目标再检测机制，扩大原有的搜索区域，进行匹配检测。本方法使用模板更新策略，采用提取目标区域特征点的方式，根据特征点匹配对的数目变化，决定是否更新模板，其次，添加再检测机制，在目标丢失时重新匹配检测，进一步提高跟踪精度。

技术领域

本发明属于计算机视觉领域，尤其涉及一种基于ASMS算法的目标跟踪方法及装置。

背景技术

目标跟踪技术是计算机视觉重要的组成部分，已经广泛的应用于人机交互、智能交通、无人驾驶等领域。目标跟踪技术的主要任务就是在图像序列中估计目标轨迹，并能够准确地在各种外界或内部的干扰中稳定地锁定目标的位置。

传统视觉目标跟一般由四个环节组成：目标初始化、外观建模、运动估计和目标定位。在此过程中面临诸多挑战，例如：1)需要较高成像质量的图片，但现实中存在低帧率、低分辨率、低位深度、颜色失真的情况；2)跟踪任务复杂，例如需要进行非刚体目标跟踪、小尺寸目标识别，数量变化的目标的识别，复杂姿态估计；3)实时跟踪需求；4)目标外观存在变化，例如外观变形、环境光照变化、快速运动及运动模糊、相似背景干扰、完全遮挡，噪声干扰，平面外旋转和姿态变化、尺度变化等。

近几年，目标跟踪技术涌现出了很多性能和速度都很优秀的算法。目标跟踪发展到现在，从时间上可划分为两个阶段，第一阶段生成式模型通过在线学习方式建立目标模型，然后使用模型搜索重建误差最小的图像区域，完成目标定位，典型模型有粒子滤波、相关匹配、Meanshift和Camshift等。第二阶段：判别式模型，经典解决方案是图像特征结合机器学习，例如，当前帧以目标区域为正样本，背景区域为负样本，使用机器学习方法训练分类器，下一帧图像使用训练好的分类器寻找最优区域。典型模型有MIL、TLD、SVM、随机森林等。判别类方法最新发展就是相关滤波(Correlation Filter)和深度学习(Deep ConvNetbased)，相关滤波也可以叫做模板类方法，所用的特征叫做模板类特征。2014年，KCF的出现轰动一时。从VOT2014到VOT2018，相关滤波跟踪效果一直处于领先地位。深度学习的应用起于2013年DLT的提出，在2019年，SiamMask和SiamRPN++的产生真正意义超过了相关滤波，性能达到了state of the art。

根据近年来目标跟踪最新算法也不难发现，深度学习已经成为目标跟踪的趋势。但深度学习仍很多缺点亟待解决，1)训练数据问题；2)实时跟踪问题；3)长程目标跟踪中目标严重遮挡和消失视野问题。若在硬件平台上实时性要求较高，对算法简便性要求较高，原有生成式算法仍具有一定的优势。故本文选用简便的生成式算法实现跟踪。

生成式算法中，ASMS算法是VOT2015官方推荐的实时算法，平均帧率125FPS，是基于Mean-shift算法原理实现，复杂度低，易于实现，便于应用在实际工程中；ASMS算法提出尺度自适应机制，使得跟踪窗口能随着目标尺寸大小的改变而改变，有效的应对目标尺度变化，提高了跟踪鲁棒性；目标模型采用颜色直方图特征，对目标形变不敏感，使得算法能够更好的区分背景和目标，有效的应对背景变化，增加了跟踪算法的鲁棒性；但是实际应用中，ASMS算法由于模板始终采用第一帧模板，在目标遮挡、光线变化、成像形变等实际场景中，跟踪准确性较差，会造成跟踪失败，无法实现长期目标跟踪。

ASMS算法是基于Mean-shift实现的，采用自适应尺度估计策略以应对目标尺寸的变化，同时利用背景比例加权(BRW)和前向-后向尺度一致性检查方法，提高跟踪鲁棒性能。ASMS算法当环境变化较大，例如光照变化较大、背景变化明显时、自身成像形变时，容易丢失目标。

发明内容

为解决上述技术问题，本发明提出了一种基于ASMS算法的目标跟踪方法及装置，所述方法及装置，用于解决现有技术的跟踪准确性较差，会造成跟踪失败，无法实现长期目标跟踪，以及当环境变化较大时容易丢失目标的技术问题。