[发明专利]一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪方法

说明书

本发明涉及一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪算法，包括滤波器训练，利用目标先验信息构建循环矩阵训练滤波器；显著性检测，将原始的正则化岭回归问题中l₂正则化约束化转为l_2、1约束，然后利用boolean map saliency(BMS)对候选区域提取显著性区域；目标位置预测，将含有显著性信息的样本进行相关滤波，滤波器响应图中最大值所对应的就是目标的位置，然后更新滤波器的参数；鲁棒性尺度估计，通过一个二维尺度滤波器得到目标在长和宽两个维度的尺度变化。本发明在相关滤波器的框架下引入显著性检测，并采用一种二维尺度滤波器得到目标的尺度变化，提高了跟踪的准确率和成功率。

技术领域

本发明属于图像处理领域，特别涉及基于相关滤波的目标跟踪。

背景技术

目标跟踪作为计算机视觉领域的一个重要研究方向，指的是通过对摄像机等视觉传感器获取的一系列连续的视频图像进行分析，从中获取某一特定目标或者多个目标的位置、大小、运动状态等有用信息。一个基本的视觉跟踪，目的是在图像序列中，利用初始化标记的目标框来预测目标之后的轨迹。而在跟踪过程中，由于一些外界因素，例如光照变化、拍摄视角变化、目标遮挡等，因此当前跟踪中存在的主要挑战有：目标因自身运动或者外界因素导致的形变，运动中被其他物体遮挡，场景光照度的变化和目标运动产生的运动模糊等。相关滤波器已经广泛应用在目标检测、目标识别等诸多领域。由于相关操作可以在傅里叶域里面转变为元素级的相乘，计算效率很高，所以近年来基于相关滤波的跟踪方法在跟踪领域中越发活跃。以相关滤波器为基本框架的跟踪算法，使用循环矩阵实现密集采样。将样本进行循环移动构建循环数据矩阵，基于循环矩阵的性质，在频域里面使用离散傅利叶变化进行快速计算，这样大大提高计算效率。遮挡问题一直是跟踪中的难点问题，它的产生原因复杂多样，不具备先验信息，此外难以对遮挡本身进行鉴别。而当目标被遮挡后，循环移动和目标的实际移动没有一一对应，这样基于相关滤波的跟踪器就会发生漂移，跟踪性能降低。而显著性信息可以将目标提取出来，与背景分来。而目前还没有将两者结合起来进行目标跟踪的。此外，目前对于目标的尺度估计，都认为目标从三维空间映射到二维平面的图片上后，目标的长和宽产生相同的变化，两者同时变大或者变小。基于相关滤波器的目标尺度估计，目前也是构建一维滤波器，将目标的长和宽视为变化，采用同一变化因子。实际上，目标在发生尺度变化的同时，一般会伴随着形变。因此分别估计目标的长和宽的变化的还有必要的，但是目前还没有人基于相关滤波器来实现过。

发明内容

本发明的目的在于提供一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪算法方法，该方法能够更好地应对目标被遮挡情况和更准确地估计目标的尺度变化，以提高目标跟踪的整体性能。

本发明提供的基于显著性检测和鲁棒性尺度估计的相关滤波跟踪算法包括以下具体步骤：

一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪算法，其特征在于，包括以下步骤：

步骤1，位置滤波器训练，利用循环矩阵的性质，将滤波器的求解问题转化为正则化岭回归问题；通过先验信息得到目标在第一帧图像中的位置信息，将包括目标以及其周围一圈背景的区域(矩形区域)作为目标候选框，然后对该区域提取方向梯度直方图特征并作为滤波器的输入，利用目标的原始尺寸和候选区域的尺寸设计滤波器的输出，将原始的正则化岭回归问题中l₂正则化约束化转为l₂、₁约束(即l₂约束加上l₁约束)，通过滤波器的输入和输出训练滤波器，得到滤波器的参数，具体是：