[发明专利]基于特征融合及SVD自适应模型更新的相关滤波跟踪方法

说明书

本发明提供一种基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，涉及目标跟踪技术领域。基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，在特征提取阶段将边缘特征及HOG特征加权融合作为目标特征，加强对边缘特征的学习；在模型更新阶段，首先计算预测区域与真实区域的奇异值特征向量，进而通过计算奇异值特征向量的相似度，并结合设定的阈值判断是否需要进行模型更新。本发明提供的基于特征融合及SVD自适应模型更新的相关滤波跟踪方法，加强了对边缘特征的学习，避免了每一帧都更新模型造成的计算频繁，降低了错误更新的概率，更好的适应了背景干扰及目标遮挡等问题。

技术领域

本发明涉及目标跟踪技术领域，尤其涉及一种基于特征融合及SVD自适应模型更新的相关滤波跟踪方法。

背景技术

人类可以通过视觉、听觉语言与外部世界交换信息，自从1946年电子计算机的诞生以来，人类一直在思考机器是否能有类似于人一样的智能。随着信息时代的高速迅猛发展，越来越多的智能问题，如无人驾驶汽车、医学影像的识别和理解、视频理解等，相继被解决，主要依靠的是视频、影音、语义等大量非结构化、多维度甚至非常完备的大数据的使用。如何利用机器学习、人工智能等新技术手段及时发掘其潜在隐藏信息并有效指导工业生产、实时监控等现实问题均具有重要的现实意义与实用价值。

计算机视觉通过计算机及相关设备对生物视觉进行模拟，视觉感官由各种成像系统代替，并作为输入手段，大脑则由计算机代替完成处理和解释。计算机视觉是一门融合了模式识别、信号处理、统计学等学科领域的研究方法与成果的综合性学科，同时也是各个领域中不可分割的一部分，如辅助医疗、制造业、文档分析和军事等领域。目标跟踪(ObjectTracking)是计算机视觉领域重要的研究方向，综合了图像分析与处理、自动化控制、模式识别与人工智能、计算机辅助等跨学科多专业的交叉研究领域。其主要目的是模仿生理视觉系统的运动感知功能，通过对摄像头捕捉到的图像序列进行分析，构建视频帧间动态运动目标的轨迹模型以实现动态目标的实时监测与跟踪，随着硬件处理器的处理速度不断提升，以及计算机视觉理论的迅猛发展，目标跟踪技术这几年在智能交通、视觉导航、机器人、视频监控等方面有极为广泛应用。

首次将相关滤波用在了目标跟踪领域的是MOSSE算法，是David S.Bolme于2010年提出，MOSSE滤波器根据卷积定理，将两个图像块的空间卷积操作(在不同的平移图像块间则是点积)变换成傅立叶域中相应变换的乘积，大大降低了目标跟踪算法的计算量。基于MOSSE滤波器的目标跟踪算法，利用快速傅立叶变换(Fast Fourier Transform,FFT)将图像从空间域变换到频率域，采用自适应相关滤波器对目标的表观进行建模，并通过卷积来实现对目标的跟踪。在训练过程中，该方法对第一帧图像中初始化的目标区域进行仿射变换得到8张图像作为训练集，并在此训练集上进行滤波器的训练。在滤波器求解过程中，该方法通过最小化误差平方和来求解得到初始滤波器。在目标跟踪过程中，该方法利用已有的跟踪结果和滤波器，采用加权平均策略对滤波器进行实时更新，从而实现滤波器的自适应。基于MOSSE滤波的目标跟踪对光照、目标尺度、目标姿态的变化以及目标的非刚体形变等都有较好的鲁棒性。对于遮挡问题，该方法采用基于峰值旁瓣比(Peak-to-SidelobeRatio，PRS)的方法进行遮挡检测，当因遮挡而导致目标跟踪失败时则暂停跟踪，而目标再次出现时，则在跟踪暂停的位置继续目标跟踪任务。该方法采用单一的灰度特征，速度达到669fps，远远高于其他算法，但准确度一般。之后在MOSSE算法基础上，针对目标跟踪面对的问题，如遮挡、目标形变、尺度变化、模型更新、模型偏移，提出了不同的改进方法。根据不同方法的特点，基于相关滤波的目标跟踪分为基于模型改进的方法、基于分块模型的方法、基于集成的跟踪方法。

从目前国内外研究成果来看，目标跟踪算法主要针对特定环境提出的特定方案，绝大多数跟踪算法不能适应复杂场景。并且在视频目标跟踪中存在着许多复杂干扰，如目标遮挡、光照、背景干扰、尺度变化等。在存在严重背景干扰及目标遮挡等情况下，目标跟踪容易发生跟踪失败的情况。因此如何实现一个具有准确性、实时性、鲁棒性的视频目标跟踪算法仍是视觉跟踪技术的主要研究方向。

发明内容