[发明专利]融合深度信息的长期目标跟踪方法及系统

说明书

本发明公开了一种融合深度信息的长期目标跟踪方法及系统，该方法包括采用激光测距仪测量当前帧目标深度信息；基于CA模型预测下一帧目标深度；根据输入的新一帧图像，利用位置相关滤波器、尺度相关滤波器对目标位置和目标尺度进行预估；利用预测深度信息，构建目标置信度判别式，对位置滤波器的输出进行判别，确定如何确定目标位置；利用预测深度，构造自适应尺度因子，确定目标尺度；将估计的目标位置和尺度输入硬件跟踪系统，使云台对准目标，获取新一帧图像；重复以上过程；直至完成目标跟踪。本发明将目标的深度信息，融入整个跟踪过程，利用目标与背景在深度方向上的差别，有效降低由于遮挡和背景混叠带来不良影响，实现目标长期有效跟踪。

技术领域

本发明涉及长期目标跟踪技术领域，具体涉及融合深度信息的长期目标跟踪方法及系统。

背景技术

判别式相关滤波(Discriminative Correlation Filter,DCF)跟踪将相关滤波器理论应用于目标跟踪，可在频域进行分类器学习和跟踪，极大地加快了目标跟踪速度，具有很强的鲁棒性，是目前视觉目标跟踪研究的重点方向之一。后续提出了多种算法，从算法框架、所采用的特征、构建尺度金字塔等多个方面进行改进。

如图1所示，为现有的典型的DCF类跟踪算法，其基本原理为，在训练阶段，即在当前帧，分别进行二维位置滤波器和一维尺度滤波器的学习和训练，两个滤波器单独训练，单独更新，彼此互不影响。在目标跟踪阶段，即在下一帧，先利用二维的位置相关滤波器来确定目标的新位置，再利用一维的尺度相关滤波器以当前中心位置为中心点，获取不同尺度的候选图像，从而找到最匹配的尺度。之后重新训练和更新相关滤波器，并用新的滤波器进行目标跟踪，之后不断重复该过程，即可实现对目标的跟踪。

但无论是DSST算法，还是ECO算法，DCF类算法在跟踪过程中，都会在线不断地更新位置和尺度滤波器，虽然跟踪模型在不断更新，但由于缺少跟踪结果置信度评估模块，一旦跟踪结果出现偏差，将导致新的一帧所训练的模型出现偏差，随着时间的增长，跟踪模型的误差将不断累积，最终导致所训练的相关滤波器无法反映目标的真实状态，最终跟踪失败。

基于DCF的视觉目标跟踪算法整体架构日益完善，但算法复杂度日益加大，算法运行速度无法满足实时性需求。特别是复杂环境下，存在背景混叠及目标遮挡等复杂情况，跟踪算法容易丢失目标，由于缺少目标跟踪结果置信度评估模块，基于DCF的视觉目标跟踪属于典型的短时目标跟踪。

有鉴于此，亟需提供一种基于DCF类跟踪算法，可以有效的降低由于遮挡和背景混叠所带来了不良影响，从而实现对目标的长期有效跟踪的方法。

发明内容

为了解决上述技术问题，本发明所采用的技术方案是提供了一种融合深度信息的长期目标跟踪方法，包括以下步骤：

步骤1、初始化位置相关滤波器、尺度相关滤波器和预测目标深度模型；

步骤2、采用激光测距仪测量当前帧目标深度信息；

步骤3、根据当前帧目标深度信息，基于CA模型，预测下一帧目标深度；

步骤4、根据输入的新一帧图像，利用位置相关滤波器、尺度相关滤波器对目标位置和目标尺度进行预估；

步骤5、根据步骤3预测到的目标深度，构建目标置信度判别式，对位置滤波器的输出进行判别，根据判别结果确定目标位置；

步骤6、基于预测到的目标深度，构建自适应尺度因子，确定目标尺度；

步骤7、将估计的目标位置和尺度输入硬件跟踪系统，云台对准目标，获取新一帧图像；

步骤8、重复步骤2至步骤7，直至完成目标跟踪。

在上述方法中，所述步骤3具体为：

设定激光测距仪量测频率高于目标运动状态变化频率，则在一个量测周期内，目标运动状态的三阶常加速CA模型为：