一种针对复杂背景的尺度自适应目标跟踪方法技术

一种针对复杂背景的尺度自适应目标跟踪方法，包括以下步骤：1)给定初始帧待跟踪的目标前景区域Rt，在目标周围选择一定大小区域作为目标的背景区域；2)在目标背景区域采用随机扰动的方法选择一定量的目标背景候选区域Rb；3)计算目标背景候选区域的距离矩阵S，该矩阵的任一元素S(i,k)表示第i个背景候选区域和第k个背景候选区域的距离，然后通过AP聚类算法选择n背景候选区域的中心作为目标的背景区域；4)将步骤3)选的目标背景候选区域和目标前景特征提取；5)构建训练样本；6)构建相关滤波器；7)目标跟踪，利用6)中求解的w实现目标跟踪。本发明专利技术精确度较高且鲁棒性较好。

A scale adaptive target tracking method for complex background

A scale adaptive target tracking method for complex background, including the following steps: 1) given the target foreground area Rt for the initial frame to be tracked, select a certain area as the target background area around the target; 2) select a certain amount of target background candidate region in the target background area. 3) the distance matrix S of the target background candidate area is calculated, and any element S (I, K) of the matrix represents the distance between the I background candidate region and the K background candidate region, and then selects the center of the N background candidate region as the target background area through the AP clustering algorithm; and 4) the target background candidate area and target are selected by step 3). Foreground feature extraction; 5) building training samples; 6) constructing correlation filters; 7) target tracking, using 6 w to achieve target tracking. The invention has high accuracy and good robustness.

【技术实现步骤摘要】
一种针对复杂背景的尺度自适应目标跟踪方法
本专利技术属于视觉目标跟踪
，尤其是一种针对复杂背景的尺度自适应目标跟踪方法。
技术介绍
基于视觉的目标跟踪是计算机领域的一个基础问题，近年来随着硬件计算性能的提高和图像特征提取技术的进步，越来越多的优秀目标跟踪算法被提出。但是由于目标跟踪场景的不确定性和被跟踪目标的随机性，当前的目标跟踪算法仍然面临巨大挑战。如目标遮挡、光照变化、复杂背景、目标快速移动以及噪声干扰等。视频目标跟踪方法自20世纪70年代起一直受到人们的高度重视，虽然研究人员针对各种问题提出了许多方法，但迄今为止仍然不存在一个普遍适用的理论和方法，最近几年又出现了许多新思路、新方法或改进算法。视频目标跟踪方法由四个基本模块组成：目标表观特征建模，目标状态搜索，多目标状态关联以及跟踪模型更新。其中目标表观特征建模是根据初始帧的目标区域和后续帧中目标候选区域提取有用的目标特征，然后通过统计学习的方法构造目标观测模型。从一般意义上来说，目标表观特征建模包括两个子模块，即目标特征提取和模型学习。其中特征提取方法的优劣会直接影响到跟踪模型的可靠性和稳定性，而特征模型是整个跟踪算法的核心。目标状态搜索首先根据目标的运动状态进行模型构建，然后通过此运动模型对下一帧的目标状态进行预测。目标状态关联主要是针对多目标跟踪算法，当被跟踪目标存在两个或者两个以上的时候，跟踪算法需要对被跟踪目标进行时空匹配，即保证前后两帧图像中的目标为同一个体。目标模型的更新主要是由于目标在跟踪过程中表观模型(姿态，光照变化等)会发生变化，为了保证跟踪模型能够应这些，因此需要对跟踪模型进行更新。当前目标表观特征建模主要是根据初始帧中的目标区域提取有用目标表观特征，如HOG，SIFT，ColorNames，以及卷积神经网络(CNN)特征等，然后利用统计学习算法(逻辑回归，相关滤波器，支持向量机，决策树等)对目标特征建模。但是这些方法主要是根据目标本身的特征进行目标跟踪的，而忽略了目标背景信息对跟踪算法的影响。因为缺乏目标背景信息的监督，而导致训练的目标表观模型判别性不够，在复杂背景和信噪比较低的情况下会出现目标漂移和跟踪失败的情况。
技术实现思路
为了克服现有的目标跟踪算法存在的精确度较低、鲁棒性较差的不足，被专利技术在相关滤波器和卷积神经网络特征的基础上，本专利技术提出了一种针对复杂背景的目标跟踪方法，该方法充分利用了目标前景和目标背景信息构建一种更加的鲁邦的目标跟踪方法，且该方法能够自适应估计目标的尺度变化，从而实现一种精确度较高且鲁棒性较好的视觉跟踪方法。本专利技术解决其技术问题所采用的技术方案是：一种针对复杂背景的尺度自适应目标跟踪方法，所述的跟踪方法包括以下步骤：1)给定初始帧待跟踪的目标前景区域Rt，在目标周围选择一定大小区域作为目标的背景区域；2)在目标背景区域采用随机扰动的方法选择一定量的目标背景候选区域Rb，目标背景候选区域的尺度与被跟踪目标尺度保持一致；选定的背景候选的框的中心应该位于Rb中，且目标前景区域的后目标背景候选框的重叠率overlap要小于等于预设阈值，overlap定义为3)计算目标背景候选区域的距离矩阵S，该矩阵的任一元素S(i,k)表示第i个背景候选区域和第k个背景候选区域的距离，该距离定义为负欧式距离如式(1)所示：然后通过AP聚类算法选择n背景候选区域的中心作为目标的背景区域；4)将步骤3)选的目标背景候选区域和目标前景特征提取，过程如下：4.1)将目标前景区域和被选择的目标背景区域通过高速模糊的方法降低噪声影响；4.2)将目标前景区域和被选择的目标背景通过差值的方法调整为(224*224)的分辨率；4.3)将差值后的目标的前景和背景区域输入VGG-16模型，将VGG第一个Relu层输出的卷积特征作为目标背景特征表达，然后生成对应样本的循环矩阵(B1,B2,...,Bn)；5)构建训练样本，过程如下：5.1)以初始帧标定的目标前景Rt为基样本，构建Rt的循环矩阵A0和对应的样本标签矩阵y0，y0服从Gaussian分布，y0的峰值为1,该峰值位于y0的中心位置；5.2)以目标前景Rt的中心为中心，目标的初始化尺度为基准，根据预设的比例从原始图像中选取新的目标前景，表示为其对应的循环矩阵表示为(A1,A2,A3,A4)，并以此作为退化的正样本，并生成退化正样本的服从Gaussian分布的标签矩阵(y1,y2,y3,y4)，且(y1,y2,y3,y4)的中心峰值均为设定值；5.3)以选择的背景区域作为负样本，并生成这些目标背景区域的循环矩阵，记为(B1,B2,...,Bn)；6)构建相关滤波器，利用5.1)和5.2)步骤中生成的样本和标签矩阵构建相关滤波器，如式(2)：其中，T表示表示目标前景Rt的循环矩阵，T＝[A0,A1,A2,A3,A4]T，Bi表示第i被选择的目标背景区域的循环矩阵，w表示待求解的相关滤波器参数，y表示服从Gaussian分部的样本标签矩阵，y＝[y0,y1,y2,y3,y4]T，n表示被选择的目标背景区域数量，λ1和λ2分辨表示对应的项的正则化系数；7)目标跟踪，利用6)中求解的w实现目标跟踪，过程如下：收到新一帧图像时，首先选取的该图像的一个矩形兴趣区域Iroi，Iroi的中心与上一帧跟踪到的目标中心位置相同，Iroi的长和宽均为上一帧目标的长和宽的2倍，利用式(3)计算目标响应图：其中，Iroi是Iroi的循环矩阵形式，表示逆傅里叶变换运算，R表示得到的图像响应图，然后把R相应最大的位置p作为目标中心位置，为了进一步确定目标的尺度大小，以p为中心，前一帧目标的尺度大小为基准，根据1:1.2，1:0.8，0.8:1，1.2:1的比例生成新的目标候选区域T＝{T1，T2，T3，T4}，然后计算每个候选区域的响应图的最大值{r1，r2，r3，r4}，把值最大的ri,i∈{1,2,3,4}，对应的目标候选区域Ti作为跟踪结果。本专利技术的有益效果主要表现在：提出一种同时利用目标前景和背景信息共同构建目标表观模型的方法。该方法在传统基于相关滤波器跟踪器的基础上，通过选择具有代表性的目标背景信息并以此作为训练样本求解相关滤波器，将目标前景和背景之间的距离拉大。同时本专利技术将与目标真实尺度不同的正样本作为退化样本，使本方法的相关滤波器对目标尺度更加敏感，从而实现在复杂背景下精确目标跟踪。附图说明图1是目标前景和目标背景选择区域示意图。图2是利用目标前景和目标背景信息训练相关滤波器。图3是利用退化正的正样本训练尺度自适应相关滤波器。具体实施方式下面结合附图对本专利技术作进一步描述。参照图1～图3，一种针对复杂背景的尺度自适应目标跟踪算法，包括以下步骤：1)给定初始帧待跟踪的目标前景区域Rt，在目标周围选择一定大小区域作为目标的背景区域；2)在目标背景区域采用随机扰动的方法选择一定量的目标背景候选区域Rb，目标背景候选区域的尺度与被跟踪目标尺度保持一致；选定的背景候选的框的中心应该位于Rb中，且目标前景区域的后目标背景候选框的重叠率overlap要小于等于预设阈值0.3，overlap定义为3)目标背景信息挖掘，过程如下：3.1)在Rb区域通过随机扰动的方式生成与目标Rt尺度相同的目标背景候选区域；本文档来自技高网...

【技术保护点】
1.一种针对复杂背景的尺度自适应目标跟踪方法，其特征在于：所述的跟踪方法包括以下步骤：1)给定初始帧待跟踪的目标前景区域Rt，在目标周围选择一定大小区域作为目标的背景区域；2)在目标背景区域采用随机扰动的方法选择一定量的目标背景候选区域Rb，目标背景候选区域的尺度与被跟踪目标尺度保持一致；选定的背景候选的框的中心应该位于Rb中，且目标前景区域的后目标背景候选框的重叠率overlap要小于等于预设阈值，overlap定义为

【技术特征摘要】
1.一种针对复杂背景的尺度自适应目标跟踪方法，其特征在于：所述的跟踪方法包括以下步骤：1)给定初始帧待跟踪的目标前景区域Rt，在目标周围选择一定大小区域作为目标的背景区域；2)在目标背景区域采用随机扰动的方法选择一定量的目标背景候选区域Rb，目标背景候选区域的尺度与被跟踪目标尺度保持一致；选定的背景候选的框的中心应该位于Rb中，且目标前景区域的后目标背景候选框的重叠率overlap要小于等于预设阈值，overlap定义为3)计算目标背景候选区域的距离矩阵S，该矩阵的任一元素S(i,k)表示第i个背景候选区域和第k个背景候选区域的距离，该距离定义为负欧式距离如式(1)所示：然后通过AP聚类算法选择n背景候选区域的中心作为目标的背景区域；4)将步骤3)选的目标背景候选区域和目标前景特征提取，过程如下：4.1)将目标前景区域和被选择的目标背景区域通过高速模糊的方法降低噪声影响；4.2)将目标前景区域和被选择的目标背景通过差值的方法调整为(224*224)的分辨率；4.3)将差值后的目标的前景和背景区域输入VGG-16模型，，将VGG第一个Relu层输出的卷积特征作为目标背景特征表达，然后生成对应样本的循环矩阵(B1,B2,...,Bn)；5)构建训练样本，过程如下：5.1)以初始帧标定的目标前景Rt为基样本，构建Rt的循环矩阵A0和对应的样本标签矩阵y0，y0服从Gaussian分布，y0的峰值为1,该峰值位于y0的中心位置；5.2)以目标前景Rt的中心为中心，目标的初始化尺度为基准，根据预设的比例从原始图像中选取新的目标前景，表示为其对应的循环矩阵表示为(A...

【专利技术属性】
技术研发人员：周小龙，李军伟，陈胜勇，邵展鹏，产思贤，
申请(专利权)人：浙江工业大学，
类型：发明
国别省市：浙江,33