[发明专利]基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法

说明书

本发明涉及一种基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法，通过在跟踪模块中使用卷积特征和多尺度相关滤波方法，增强了跟踪目标外观模型的特征表达能力，使得跟踪结果对于光照变化、目标尺度变化、目标旋转等因素具有很强的鲁棒性；又通过引入的全局搜索检测机制，使得当目标被长时遮挡导致跟踪失败时，检测模块可以再次检测到目标，使跟踪模块从错误中恢复过来，这样即使在目标外观变化的情况下，也能够被长时间持续地跟踪。

技术领域

本发明属计算机视觉领域，涉及一种目标跟踪方法，具体涉及一种基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法。

背景技术

目标跟踪的主要任务是获取视频序列中特定目标的位置与运动信息，在视频监控、人机交互等领域具有广泛的应用。跟踪过程中，光照变化、背景复杂、目标发生旋转或缩放等因素都会增加目标跟踪问题的复杂性，尤其是当目标被长时遮挡时，则更容易导致跟踪失败。

文献“Tracking-learning-detection,IEEE Transactions on PatternAnalysis and Machine Intelligence,2012,34(7):1409-1422”提出的跟踪方法(简称TLD)首次将传统的跟踪算法和检测算法结合起来，利用检测结果完善跟踪结果，提高了系统的可靠性和鲁棒性。其跟踪算法基于光流法，检测算法产生大量的检测窗口，对于每个检测窗口，都必须被三个检测器接受才能成为最后的检测结果。针对遮挡问题，TLD提供了一个切实有效的解决思路，能够对目标进行长时跟踪(Long-term Tracking)。但是，TLD使用的是浅层的人工特征，对目标的表征能力有限，且检测算法的设计也较为复杂，有一定的改进空间。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法，解决视频运动目标在跟踪过程中由于长时遮挡或目标平移出视野之外等因素造成外观模型漂移，从而易导致跟踪失败的问题。

技术方案

一种基于卷积特征和全局搜索检测的长时遮挡鲁棒跟踪方法，其特征在于步骤如下：

步骤1读取视频中第一帧图像数据以及目标所在的初始位置信息[x,y,w,h]，其中x,y表示目标中心的横坐标和纵坐标，w,h表示目标的宽和高。将(x,y)对应的坐标点记为P，以P为中心，大小为w×h的目标初始区域记为R_init，再将目标的尺度记为scale，初始化为1。

步骤2以P为中心，确定一个包含目标及背景信息的区域R_bkg，R_bkg的大小为M×N，M＝2w,N＝2h。采用VGGNet-19作为CNN模型，在第5层卷积层(conv5-4)对R'提取卷积特征图z_{target_init}。然后根据z_{target_init}构建跟踪模块的目标模型t∈{1,2,...,T}，T为CNN模型通道数，计算方法如下：

其中，大写的变量为相应的小写变量在频域上的表示，高斯滤波模板m,n为高斯函数自变量，m∈{1,2,...,M}，n∈{1,2,...,N}，σ_target为高斯核的带宽，⊙代表元素相乘运算，上划线表示复共轭，λ₁为调整参数(为了避免分母为0而引入)，设定为0.0001。