一种针对遮挡的相关滤波目标跟踪方法技术

本发明专利技术涉及一种针对遮挡的相关滤波目标跟踪方法，步骤1：对于一段跟踪的视频序列，给出第t帧的跟踪目标位置和大小，确定搜索区域，计算特征，计算出第t帧的权重图；步骤2：基于得到的第t帧的权重图，训练出第t帧的相关滤波器；步骤3：根据训练出的相关滤波器，计算出第t+1帧的目标响应图，计算第t+1帧目标位置；步骤4：基于第t+1帧目标位置，求得高置信度的APSR策略，决定第t帧的相关滤波器是否被更新。

A Relevant Filtering Target Tracking Method for Occlusion

The invention relates to a target tracking method of correlation filtering for occlusion. Step 1: For a tracking video sequence, the location and size of the tracking target in the T frame are given, the search area is determined, the features are calculated, and the weight map of the T frame is calculated. Step 2: The correlation filter of the T frame is trained based on the obtained weight map of the t frame; Step 3: According to the trained correlation filter. The waveform calculates the target response graph of frame t+1 and the target position of frame t+1. Step 4: Based on the target position of frame t+1, the APSR strategy with high confidence is obtained to determine whether the correlation filter of frame t is updated.

【技术实现步骤摘要】
一种针对遮挡的相关滤波目标跟踪方法
本专利技术涉及一种针对遮挡的相关滤波目标跟踪方法，属于模式识别、计算机视觉领域。
技术介绍
随着计算机视觉的日益发展，视觉跟踪已经广泛应用于许多计算机视觉任务，例如视频监控，人机交互和无人感知系统。给出第一帧目标的真实位置，跟踪器就可以在整个视频序列中定位感兴趣的目标。虽然视觉跟踪方法取得了很大进展，但仍存在许多挑战，例如变形，遮挡，视野外，尺度变化，平面内旋转等[1]。近年来，判别类跟踪方法引起了极大的关注。判别方法将目标跟踪视为二分类，即目标和视频中的背景区域。很多判别类方法是基于机器学习方法，其中，相关滤波(KCF)[2]由于其具备高计算效率和出色的跟踪性能，最受欢迎。但是，标准的相关滤波受制于边界效应，会生成不真实的训练负样本，可能训练出过度拟合的过滤器，不能很好的应对变形遮挡等挑战，因此增加了跟踪失败的风险。目前有很多工作旨在改进相关滤波产生的边界效应，SRDCF[3](空间正则化判别相关滤波器)引入了一个空间正则化窗口，该窗口是目标的5倍大小，它惩罚目标矩形框范围之外的滤波器值，这使得许多背景样本被抑制，因此它比KCF有更强的跟踪能力。然而，SRDCF在跟踪过程中整个参数是固定的，因此该方法不能很好地适应目标的形状变化。除此之外，CSR-DCF[4]，它利用颜色直方图模型来构造二分类分割矩阵，赋予真实目标区域更多的权重，同时背景像素被抑制，这样训练出的相关滤波跟踪器就更多地关注在真实的目标区域。然而，通过颜色直方图得到的二分类分割矩阵不可能一直准确，特别是发生遮挡和光照变化时，此时低置信度的二值分割矩阵极大程度地干扰跟踪器，导致跟踪失败。文章[2]提出传统的KCF跟踪算法流程，利用到流行的tracking–by-detection[5]思想，KCF的总体思路为：对给定的一个训练正样本，利用周期矩阵的性质，生成大量的其余负样本并用于训练相关滤波器。根据循环矩阵的性质，DCF方法将耗时的空间相关转换为快速的傅里叶域中的元素操作。文章[6]提出HOG(HistogramofOrientedGradient)描述子，HOG的生成方式是根据这样的思想：它通过计算和统计图像局部区域的梯度方向直方图来构成特征。目标的梯度或边缘的方向密度分布很好地描述目标的表象和形状，因此HOG特征被广泛地运用在目标检测和跟踪领域。文章[7]提出CN(ColorNames)描述子，CN的生成方式是根据这样的思想：它把目标可能出现的颜色分为11类：黑、蓝、棕、灰、绿、橙、粉、紫、红、白和黄共11种。通过自适应算法，利用PCA(主成分分析)的思想，选择目标区域中每个像素比较显著的颜色，将11维的颜色特征降为2维度。文章[4]提出一种空间感知的相关滤波跟踪算法。它利用颜色直方图生成权重矩阵，判断跟踪目标区域内像素类别(目标或者背景)。算法首先对上一帧的跟踪结果(一般由矩形框)，提取目标特征和计算颜色直方图，然后将生成的权重矩阵融入传统的KCF跟踪算法中，然后得到训练好的滤波器，在当前帧的搜索区域中，定位到最合适的目标位置。综上所述，想要设计一种既满足实时性，又能应对各种外界干扰，跟踪效果还能满足实际需求的跟踪算法，依然有很大难度。目前尚没有相关文献报导。[1]王世峰,戴祥,徐宁,and张鹏飞,"无人驾驶汽车环境感知技术综述,"长春理工大学学报(自然科学版),vol.40,no.01,pp.1-6,2017.[2]J.F.Henriques,R.Caseiro,P.Martins,andJ.Batista,"High-speedtrackingwithkernelizedcorrelationfilters,"IEEETransactionsonPatternAnalysisandMachineIntelligence,vol.37,no.3,pp.583-596,2015.[3]M.Danelljan,G.Hager,F.ShahbazKhan,andM.Felsberg,"Learningspatiallyregularizedcorrelationfiltersforvisualtracking,"inProceedingsoftheIEEEInternationalConferenceonComputerVision,2015,pp.4310-4318.[4]A.Lukezic,T.Vojir,L.C.Zajc,J.Matas,andM.Kristan,"DiscriminativeCorrelationFilterwithChannelandSpatialReliability,"inCVPR,2017,vol.1,no.2,p.3.[5]Z.Kalal,K.Mikolajczyk,andJ.Matas,"Tracking-learning-detection,"IEEEtransactionsonpatternanalysisandmachineintelligence,vol.34,no.7,p.1409,2012.[6]N.DalalandB.Triggs,"Histogramsoforientedgradientsforhumandetection,"inComputerVisionandPatternRecognition,2005.CVPR2005.IEEEComputerSocietyConferenceon,2005,vol.1,pp.886-893:IEEE.[7]J.VanDeWeijer,C.Schmid,J.Verbeek,andD.Larlus,"Learningcolornamesforreal-worldapplications,"IEEETransactionsonImageProcessing,vol.18,no.7,pp.1512-1523,2009.[8]S.Boyd,N.Parikh,E.Chu,B.Peleato,andJ.Eckstein,"Distributedoptimizationandstatisticallearningviathealternatingdirectionmethodofmultipliers,"FoundationsandinMachinelearning,vol.3,no.1,pp.1-122,2011.[9]Y.Wu,J.Lim,M.-H.Yang,Objecttrackingbenchmark,IEEETransactionsonPatternAnalysisandMachineIntelligence,vol.37,no.9,pp.1834–1848,2015.
技术实现思路
本专利技术技术决问题：克服现有技术的不足，提出一种针对遮挡的相关滤波目标跟踪方法，跟踪精度高，鲁棒性好，跟踪速度满足实时需求，可解决目标遮挡和变形等问题。本专利技术的原理：本专利技术提出的基于颜色直方图的加权的相关滤波跟踪器，大致思想如下。一方面，具有高权重值的像素应该被视为目标；另一方面，具有低权重值的像素,更有可能被认为是背景，应该抑制这些像素，防止其干扰训练相关滤波器(KCF)。与上述提到的CSR-DCF和SRDCF相比，本专利技术提出本文档来自技高网...

【技术保护点】
1.一种针对遮挡的相关滤波目标跟踪方法，其特征在于，步骤如下：步骤1：对于一段跟踪的视频序列，给出第t帧的跟踪目标位置和大小，确定搜索区域，提取特征，且计算出第t帧的权重图；步骤2：基于得到的第t帧的权重图，训练出第t帧的相关滤波器；步骤3：根据训练出的相关滤波器，计算出第t+1帧的目标响应图，计算第t+1帧目标位置；步骤4：基于第t+1帧目标位置，求得高置信度的APSR策略，决定第t帧的相关滤波器是否被更新。

【技术特征摘要】
1.一种针对遮挡的相关滤波目标跟踪方法，其特征在于，步骤如下：步骤1：对于一段跟踪的视频序列，给出第t帧的跟踪目标位置和大小，确定搜索区域，提取特征，且计算出第t帧的权重图；步骤2：基于得到的第t帧的权重图，训练出第t帧的相关滤波器；步骤3：根据训练出的相关滤波器，计算出第t+1帧的目标响应图，计算第t+1帧目标位置；步骤4：基于第t+1帧目标位置，求得高置信度的APSR策略，决定第t帧的相关滤波器是否被更新。2.根据权利要求1所述的针对遮挡的相关滤波目标跟踪方法，其特征在于：所述步骤1具体实现如下：步骤1所提到的基于第t帧的权重图，是由目标相似权重图T和空间感知权重图P构成；目标相似权重图T：已知第t帧图像的目标位置和大小，构建颜色直方图和如下所示：其中γ为固定的更新率，和分别表示第t帧的目标和背景颜色直方图，和为历史帧，即第1帧到第t-1帧的目标和背景颜色直方图，则得到基于颜色直方图的目标相似权重图T：其中和为先验概率，代表了第t帧的目标区域和背景区域的大小占整个搜索区域的比例；所述空间感知权重图P,其权重值随着远离目标中心而衰减；对于目标框内的任意一个像素pi,其空间感知权重的数值记作P(pi),对目标框内每一个像素计算P(pi)，生成最终的P；以上步骤得到了目标相似权重图T和空间感知权重图P，那么最终的第t帧的权重图Wt，由如下公式计算出：Wt＝T+P。3.根据权利要求1所述的针对遮挡的相关滤波目标跟踪方法，其特征在于...

【专利技术属性】
技术研发人员：凌强，汤峰，李峰，
申请(专利权)人：中国科学技术大学，
类型：发明
国别省市：安徽,34