[发明专利]一种基于改进Staple的长期目标跟踪方法及系统

说明书

本发明公开了一种基于改进Staple的长期目标跟踪方法及系统，先根据提取的当前图像中的目标的颜色特征和方向梯度直方图特征训练获得颜色滤波器H_color、梯度滤波器H_hog、尺度相关滤波器H_scale和最小均方误差和滤波器H_MOSSE，之后通过特征融合获取目标位置，根据尺度相关滤波器H_scale获得最佳尺度的目标跟踪框即锁定跟踪范围，之后判断目标是否发生遮挡，如果没有发生遮挡，则采用线性方式更新所述颜色滤波器H_color、梯度滤波器H_hog和最小均方误差和滤波器H_MOSSE，进入下一帧图像；若目标受到遮挡，则利用粒子滤波重新搜索目标并跟踪，进入下一帧图像。之后重复上述过程，直至最后一帧图像完成目标跟踪。

技术领域

本发明涉及目标跟踪技术领域，具体涉及一种基于改进Staple的长期目标跟踪方法及系统。

背景技术

视觉目标跟踪技术作为计算机视觉中重点研究方向之一，已被广泛应用于智能交通、人机交互、航空航天、医疗诊断等各个领域。跟踪算法的主要任务是根据第一帧中选定的目标，在后续帧中自动给出目标位置等信息。在实际跟踪任务中，受复杂环境影响，算法往往面临运动模糊、目标旋转变化、目标受遮挡等挑战，这都是目标跟踪领域需要解决的难题。

当前目标跟踪领域的算法主要可以分为基于相关滤波和基于深度学习两大类。相比于低帧率的基于深度学习类目标跟踪算法，基于相关滤波的目标跟踪算法由于出色的综合性能表现被国内外学者广泛研究。相关滤波算法通过滤波模板与搜索区域特征间的相关运算逼近期望响应，来学习用于分类目标和背景的相关滤波器，由于将运算过程映射到了频域，所以该算法能够以很低的计算复杂度在不断检测和更新。比较出名的算法有MOSSE(Minimum Output Sum of Squared Error最小均方误差和)、CSK、KCF(核化相关滤波器)和Staple(Sum of Template And Pixel-wise Learners互补学习模型)。

Staple采用互补学习的方法提高算法对场景的适应性，在基于相关滤波的目标跟踪方法中有着出色的表现，不断吸引着后人对其进一步的研究，但最近的研究往往从响应融合角度来增强Staple算法的判别能力，有研究提出使用局部敏感直方图和基于相对置信度的融合方法，有研究提出基于最大响应峰和平均峰值相关能量的自适应融合方法。但在长期跟踪任务场景下原算法仍存在以下问题：(1)Staple使用的基于颜色特征的模型在提取目标特征时容易引入部分背景信息。(2)Staple在目标发生遮挡时模型容易漂移至目标消失处造成跟踪失败。因此，需要有针对性的对Staple算法进行改进，提高算法在长期跟踪任务中的稳定性。

发明内容

有鉴于此，本发明提供了一种基于改进Staple的长期目标跟踪方法及系统，能够高稳定性地长期跟踪目标，解决了目标在长期遮挡情况下容易跟踪失败的问题。

本发明采用的具体技术方案如下：

一种基于改进Staple的长期目标跟踪方法，包括：

步骤一、获取当前帧图像的颜色滤波器H_color、梯度滤波器H_hog、最小均方误差和滤波器H_MOSSE；

步骤二、提取下一帧图像中目标的颜色特征和方向梯度直方图特征，将方向梯度直方图特征的响应和颜色特征的响应进行融合，根据融合结果获得目标位置；

步骤三、根据步骤二所述的方向梯度直方图特征的响应的峰值max_hog和颜色特征的响应的峰值max_color，结合步骤一所述的最小均方误差和滤波器H_MOSSE对目标进行二次检测，判断目标是否受到遮挡；