[发明专利]一种基于相关滤波的在线目标跟踪方法

说明书

本发明公开了一种基于相关滤波的在线目标跟踪方法，具有这样的特征，包括以下步骤：步骤1，输入需要跟踪的视频或切分完成的视频帧；步骤2，在需要跟踪的视频或切分完成的视频帧中给定目标位置和大小；步骤3，根据目标位置和大小，完成对于目标的实时在线跟踪，逐帧地保存预测结果。

技术领域

本发明涉及视觉跟踪技术领域，具体涉及一种基于相关滤波的在线目标跟踪方法。

背景技术

视觉对象跟踪是计算机视觉领域的一个基本问题，针对这一问题的研究在各领域有着广泛的应用，例如，自动驾驶汽车、机器人、道路场景监视、增强现实以及无人机跟踪等。在通用视觉跟踪中，目标可以是任何对象，由于该问题的一般性，它适用于各种计算机视觉任务。同时，视觉目标跟踪是计算机视觉领域的一个重要问题。尽管近年来受到了广泛研究，目标跟踪问题由于本身的高难度、高质量数据的稀少，研究热度比目标检测、语义分割等基本视觉任务略低一些。近年来，针对这一问题的突破性研究主要集中在两个方面：一方面，基于相关滤波的方法利用手工特征高效的获取目标的语义信息，拥有较高的跟踪速度、较好的跟踪效果以及极低得算力需求，大部分基于手工特征的相关滤波算法在CPU上即可完成对于单目标的实时跟踪任务(每秒的跟踪速度大于25帧)；另一方面，深度学习的发展和计算机算力的增强带来了视觉算法性能的突飞猛进，而目标跟踪领域中基于深度神经网络的方法只在近几年才初见端倪。

基于相关滤波的跟踪方法作为主流的跟踪方法之一。相关滤波的方法源自于度量两个信号间相似性的相关性(correlation)度量。误差最小平方和滤波器(MOSSE)作为相关滤波方法的开创者，首次引入了信号学中相关性的概念让目标跟踪的算法学习一个最优的相关滤波器(CF)。为了提升优化的速度，利用傅里叶变换将空域中的互相关运算在频域中变成了逐项相乘，大大提升了跟踪的速度。核相关滤波算法(KCF)使用带正则项的岭回归的优化方式，利用循环矩阵采集正负样本，同时依据循环矩阵在傅里叶空间可对角化的性质，将矩阵的运算转化为元素的点乘，从而降低了运算量，使得算法满足实时性要求。

同时，KCF使用多通道方向梯度直方图(HOG)特征代替单通道灰度特征，将特征扩展到多通道的非线性特征空间，达到了更高的鲁棒性。分辨尺度空间跟踪器(DSST)将关注点更多地放在物体的尺度估计上，将目标的中心平移和目标的尺度变化视作两个独立的问题，在使用HOG特征训练平移相关的CF之外，还使用MOSSE训练了另一个尺度相关的滤波器，用于预测目标尺度的变化。DSST在跟踪的精度和成功率上都有很大提升，只不过速度相对KCF等慢了一些。

连续卷积算子(C-COT)使用一种隐式的插值方式将模型的学习投射到一个连续的空间域中，提出了一种在连续空间域上的卷积算子。C-COT将多种分辨率的深度特征进行了高效的集成，使得模型在各个数据集上的性能都得到了很大的提升。有效卷积算子(ECO)则是在C-COT上的进一步提升。首先ECO降低了C-COT的参数量，对特征提取作了降维简化，提升效率、防止过拟合；第二，使用高斯混合模型生成不同样本组合，简化训练集的同时还增加了多样性；另外，提出了一种高效的模型更新策略，在提升速度的同时还提升了鲁棒性。

但目前大部分跟踪方法使用长宽比例固定的跟踪框跟踪目标，且使用单一特征导致其在跟踪时难以准确跟踪目标，且跟踪效果较差的帧还会污染跟踪器。

发明内容

本发明是为了解决问题而进行的，目的在于提供一种基于相关滤波的在线目标跟踪方法。

本发明提供了一种基于相关滤波的在线目标跟踪方法，具有这样的特征，包括以下步骤：步骤1，输入需要跟踪的视频或切分完成的视频帧；步骤2，在需要跟踪的视频或切分完成的视频帧中给定目标位置和大小；步骤3，根据目标位置和大小，完成对于目标的实时在线跟踪，逐帧地保存预测结果。

在本发明提供的基于相关滤波的在线目标跟踪方法中，还可以具有这样的特征：其中，步骤2中，给定的方式为系统选定或手工框定。