基于背景抑制和前景抗干扰的多尺度目标跟踪方法技术

本发明专利技术公开了一种基于背景抑制和前景抗干扰的多尺度目标跟踪方法，涉及目标跟踪技术领域，包括步骤：构建并初始化颜色概率模型及DCF跟踪模型；利用自适应高斯窗函数对前一帧图像进行背景抑制，计算出前一帧图像基于FHOG特征的目标位置的滤波响应图，同时计算前一帧图像的颜色概率分布，得到目标位置的颜色响应图，并线性融合所述滤波响应图和颜色响应图，预测出下一帧图像的目标位置；根据预测的下一帧图像的目标位置及基于尺度金字塔模型，更新下一帧图像中目标的尺度信息；结合下一帧图像的目标位置和尺度信息，进行自适应密集采样，计算下一帧图像的FHOG特征和颜色直方图，完成DCF跟踪模型和颜色概率模型的更新。

【技术实现步骤摘要】
基于背景抑制和前景抗干扰的多尺度目标跟踪方法
本专利技术涉及目标跟踪
，具体涉及一种基于背景抑制和前景抗干扰的多尺度目标跟踪方法。
技术介绍
目标跟踪是计算机视觉领域的一个重要分支，广泛应用于人流量统计、视频监控、机器人及无人驾驶等领域。目标跟踪方法主要分为生成式和判别式两种，前者在当前帧对目标区域建模，下一帧寻找与模型最相似的区域就是预测位置，比较著名的有卡尔曼滤波，粒子滤波，mean-shift等，而后者在当前帧以目标区域为正样本，背景区域为负样本，利用机器学习方法训练分类器，下一帧用训练好的分类器找最优区域，由于该方法利用了前景和背景信息，这样分类器可以更专注于区分前景和背景，因而提高了跟踪效果，判别式方法也被广泛应用。近年来基于相关滤波的判别跟踪方法取得了重要的突破，吸引了诸多研究者的目光，在CVPR、ICCV、ECCV及TPAMI等视觉领域顶级会议期刊上出现了很多基于相关滤波的跟踪方法，如SAMF方法。最小输出平方误差和(MOSSE)目标跟踪方法将相关滤波的思想引入了目标跟踪领域，该思想主要是将目标与候选区域间的相似性的复杂卷积运算利用傅里叶变换转换为频域内的点乘运算，从而大大提高了跟踪速度，可以达到615fps。而后CSK跟踪方法，引入核函数，并将岭回归和循环矩阵应用到其中，并提出密集采样的思想，极大优化跟踪效率，并且在CSK的基础上进行扩展，得到的著名的KCF跟踪方法，使用了FHOG特征，增加了跟踪鲁棒性。同时，研究者在CSK方法基础上提出自适应颜色属性的实时跟踪方法，有效解决了目标形变的问题。但以上方法均忽略了尺度问题，使得尺度变化鲁棒性变差。DSST跟踪方法，引入尺度金字塔模型，解决了目标尺度变化问题。且在2016年由牛津大学的L.Bertinetto等人提出了一种模板和逐像素融合学习器(SumofTemplateAndPixel-wiseLeaners，简称Staple)。然而，现有技术中的跟踪方法存在以下4个不足：(1)尺度变化，当目标尺度变小时，相关滤波器就会学习到大量的背景信息，而当目标尺度变大时，相关滤波器没有完全学习目标信息，使得跟踪效果较差；(2)边界效应，以上所有方法在提取完特征后均使用余弦窗来去除边界效应，然而，当目标尺度过小时，经过余弦窗后仍然有大量的背景信息，当目标尺度过大时，目标信息会被余弦窗过滤；(3)背景干扰，每一帧跟踪时选取的候选ROI区域总会包含背景信息，使得前景和背景容易形成干扰；(4)目标形变，跟踪目标存在形变时，容易引入背景干扰。
技术实现思路
针对现有技术中存在的缺陷，本专利技术的目的在于提供一种基于背景抑制和前景抗干扰的多尺度目标跟踪方法，不仅跟踪效果好，可有效抑制背景的影响，抗变形干扰能力强，而且可解决跟踪过程中多尺度的问题。为达到以上目的，本专利技术采取的技术方案是：一种基于背景抑制和前景抗干扰的多尺度目标跟踪方法，包括步骤：S1：构建并初始化颜色概率模型及DCF跟踪模型；S2：以前一帧图像为基准，利用自适应高斯窗函数对前一帧图像进行背景抑制，计算出前一帧图像基于FHOG特征的目标位置的滤波响应图，同时计算前一帧图像的颜色概率分布，根据颜色概率分布得到积分图像，根据积分图像计算得到目标位置的颜色响应图，并线性融合所述滤波响应图和颜色响应图，进而预测出下一帧图像的目标位置；S3：根据预测的下一帧图像的目标位置及基于尺度金字塔模型，更新下一帧图像中目标的尺度信息；S4：结合下一帧图像的目标位置和尺度信息，进行自适应密集采样，计算下一帧图像的FHOG特征和颜色直方图，完成DCF跟踪模型和颜色概率模型的更新。在上述技术方案的基础上，在步骤S4之后，还包括步骤S5：判断步骤S4中的下一帧图像是否为最后一帧图像，若是，则结束，否则，将步骤S4的下一帧图像作为前一帧图像，转至步骤S2。在上述技术方案的基础上，构建并初始化颜色概率模型及DCF跟踪模型的步骤为：S101：读入第一帧图像，将其作为初始图像；S102：在初始图像中选择初始目标区域z0，所述初始目标区域的边界为目标框；S103：初始化DCF跟踪模型：在区域z0内提取FHOG特征X0l；根据初始尺度，计算满足高斯分布的标签值Y0；利用高斯窗对z0背景进行抑制；根据计算得到DCF跟踪模型的初始模型参数式中，p为特征维数，l代表特征空间的索引，λ为正则化参数；S104：初始化颜色概率模型：在第一帧图像内选取比目标框小的区域的作为前景，比目标框大的区域作为背景；分别计算前景与背景的32bins颜色直方图HistO、HistB；计算颜色概率模型初始参数和式中，O、B分别代表前景和背景。在上述技术方案的基础上，步骤S2的具体步骤为：S201：将前一帧图像记为第t-1帧图像，第t-1帧图像中的目标位置记为pt-1，第t-1帧图像中的尺素因子记为st-1，后一帧图像记为第t帧图像，根据pt-1和st-1，提取第t帧图像中的待跟踪ROI区域zt，并在待跟踪ROI区域zt内提取FHOG特征Xt；S202：根据公式Xdcf＝G(m,n,σw,σh)⊙Xt，对Xt进行基于高斯窗的背景抑制，得到抑制后的ROI区域特征Xdcf，式中，G(m,n,σw,σh)＝g(m,σw)*g(n,σw)，g为高斯函数，m，n分别为区域zt的宽和高，σw,σh分别为区域zt的宽对应的高斯窗的带宽、区域zt的高对应的高斯窗的带宽；S203：根据第t-1帧图像的DCF模型Bt-1以及在待跟踪ROI区域zt内提取FHOG特征Xt，计算DCF响应值yDCF，DCF响应值即为滤波响应值：式中，F-1代表傅里叶逆变换，p为特征维数，l代表特征空间的索引，λ为正则化参数；S204：根据t-1帧图像的颜色概率模型计算颜色概率响应ycolor，具体步骤为：利用贝叶斯准则，计算区域zt内每个像素的目标似然概率图；其中，代表输入图像I中区域O的第jx个颜色直方图区间的像素个数，代表输入图像I中区域B的第jx个颜色直方图区间的像素个数；计算目标似然概率图的积分图像Pinterimage；利用积分图像，计算每一个候选框区域的目标颜色响应值ycolor，最大响应的位置即为待预测位置：式中，z1为zt内的任意候选框区域；S205：对yDCF和ycolor进行线性融合，得到最终响应值ysum，最大响应值位置即为第t帧图像的目标位置pt。在上述技术方案的基础上，步骤S3的具体步骤为：S301根据第t帧图像及目标位置pt，提取尺度金字塔的采样样本zscale；S302计算尺度响应yscale，最大响应值对应的尺度即为目标跟踪尺度st。在上述技术方案的基础上，步骤S4的具体步骤为：S401：根据第t帧预测位置pt和尺度st，提取ROI区域zupdate；S402：进行自适应密集采样，根据st、pt、γ及跟踪目标大小w×h计算新的标签值y，其中，γ为标签因子，x,y表示样本离目标中心的水平及垂直距离；S403：在区域zupdate内提取FHOG特征，重新计算前景和背景的颜色直方图HO和HB，并进行基于自适应高斯窗的背景抑制，得到抑制后的特征S404：根据如下公式，更新DCF跟踪模型的参数，其中η为学习率；S405：根据如下公式，更新颜色概率模型的参数，其中，ηhist同样为本文档来自技高网...

【技术保护点】
一种基于背景抑制和前景抗干扰的多尺度目标跟踪方法，其特征在于，包括步骤：S1：构建并初始化颜色概率模型及DCF跟踪模型；S2：以前一帧图像为基准，利用自适应高斯窗函数对前一帧图像进行背景抑制，计算出前一帧图像基于FHOG特征的目标位置的滤波响应图，同时计算前一帧图像的颜色概率分布，根据颜色概率分布得到积分图像，根据积分图像计算得到目标位置的颜色响应图，并线性融合所述滤波响应图和颜色响应图，进而预测出下一帧图像的目标位置；S3：根据预测的下一帧图像的目标位置及基于尺度金字塔模型，更新下一帧图像中目标的尺度信息；S4：结合下一帧图像的目标位置和尺度信息，进行自适应密集采样，计算下一帧图像的FHOG特征和颜色直方图，完成DCF跟踪模型和颜色概率模型的更新。

【技术特征摘要】
1.一种基于背景抑制和前景抗干扰的多尺度目标跟踪方法，其特征在于，包括步骤：S1：构建并初始化颜色概率模型及DCF跟踪模型；S2：以前一帧图像为基准，利用自适应高斯窗函数对前一帧图像进行背景抑制，计算出前一帧图像基于FHOG特征的目标位置的滤波响应图，同时计算前一帧图像的颜色概率分布，根据颜色概率分布得到积分图像，根据积分图像计算得到目标位置的颜色响应图，并线性融合所述滤波响应图和颜色响应图，进而预测出下一帧图像的目标位置；S3：根据预测的下一帧图像的目标位置及基于尺度金字塔模型，更新下一帧图像中目标的尺度信息；S4：结合下一帧图像的目标位置和尺度信息，进行自适应密集采样，计算下一帧图像的FHOG特征和颜色直方图，完成DCF跟踪模型和颜色概率模型的更新。2.如权利要求1所述的基于背景抑制和前景抗干扰的多尺度目标跟踪方法，其特征在于：在步骤S4之后，还包括步骤S5：判断步骤S4中的下一帧图像是否为最后一帧图像，若是，则结束，否则，将步骤S4的下一帧图像作为前一帧图像，转至步骤S2。3.如权利要求1所述的基于背景抑制和前景抗干扰的多尺度目标跟踪方法，其特征在于，构建并初始化颜色概率模型及DCF跟踪模型的步骤为：S101：读入第一帧图像，将其作为初始图像；S102：在初始图像中选择初始目标区域z0，所述初始目标区域的边界为目标框；S103：初始化DCF跟踪模型：在区域z0内提取FHOG特征根据初始尺度，计算满足高斯分布的标签值Y0；利用高斯窗对z0背景进行抑制；根据计算得到DCF跟踪模型的初始模型参数式中，p为特征维数，l代表特征空间的索引，λ为正则化参数；S104：初始化颜色概率模型：在第一帧图像内选取比目标框小的区域的作为前景，比目标框大的区域作为背景；分别计算前景与背景的32bins颜色直方图HistO、HistB；计算颜色概率模型初始参数和式中，O、B分别代表前景和背景。4.如权利要求3所述的基于背景抑制和前景抗干扰的多尺度目标跟踪方法，其特征在于，步骤S2的具体步骤为：S201：将前一帧图像记为第t-1帧图像，第t-1帧图像中的目标位置记为pt-1，第t-1帧图像中的尺素因子记为st-1，后一帧图像记为第t帧图像，根据pt-1和st-1，提取第t帧图像中的待跟踪ROI区域zt，并在待跟踪ROI区域zt内提取FHOG特征Xt；S202：根据公式Xdcf＝G(m,n,σw,σh)⊙Xt，对Xt进行基于高斯窗的背景抑制，得到抑制后的ROI区域特征Xdcf，式中，G(m,n,σw,σh)＝g(m,σw)*g(n,σw)，g为高斯函数，m，n分别为区域zt的宽和高，σw,σh分别为区域zt的宽对应的高斯窗的带宽、区域zt的高对应的高斯窗的带宽；S203：根据第t-1帧图像的DCF模型Bt-1以及在待跟踪ROI区域zt内提取FHOG特征Xt，计算DCF响应值yDCF，DCF响应值即为滤波响应值：

【专利技术属性】
技术研发人员：杜骁释，石英，王冠，诸健文，
申请(专利权)人：武汉蛋玩科技有限公司，
类型：发明
国别省市：湖北,42