[发明专利]一种基于似物性和相关滤波的目标跟踪方法

说明书

本发明公开了一种基于似物性和相关滤波的目标跟踪方法，包含：将帧中的目标区域进行扩展，构建训练样本并训练核相关滤波，每来新一帧的图像，计算当前帧中搜索区域的前向光流，结合搜索区域的颜色信息，通过边缘检测算法得到运动物体的边界，根据边缘检测产生的边缘图，由似物性方法产生目标的候选，调整候选窗口的四个边界使其更加贴合物体的真实边缘。在当前帧的搜索区域中，由核相关滤波检测到最大响应值对应的目标初始位置，并计算似物性方法得到候选的响应值，通过比较响应值得出当前帧的目标位置和大小并对模型进行更新。本发明能够有效处理快速运动和尺度变化等问题，从而实现鲁棒的跟踪。

技术领域

本发明涉及计算机视觉领域，更具体地，涉及一种基于似物性和相关滤波的目标跟踪方法法。

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，目前已受到了广泛的关注。该技术在安全监控、无人驾驶和军事防御等领域具有宽广的应用前景。尽管目前已经存在着相当数量的目标跟踪方法，但这些方法往往在光照变化、物体形变、快速运动和严重遮挡情况下不稳定甚至失效。因此，提出一种有效的目标跟踪算法具有重要的应用价值和现实意义。

近年来，由于相关滤波的简单高效性，基于相关滤波的跟踪算法成为众多跟踪算法中最为常见的方法，是目前视觉目标跟踪的主流方法之一。相关滤波算法从训练样本中训练一个判别性模型，用此模型评估候选和目标之间的相似性。因为空间领域上的卷积操作可以转化为傅里叶域的元素的乘法，评估循环移动的候选是非常快速的。直观上，相关滤波的原理可以简单概括为在跟踪区域中对目标产生高响应，对背景产生低响应，其中最高响应对应的位置即为目标位置。目前，基于相关滤波的跟踪算法已经成为主流的跟踪算法之一。但是，对遮挡、形变等引起的目标尺寸的变化问题，基于相关滤波的跟踪方法仍缺乏有效的应对能力。

另一方面，目标检测领域中，采用似物性(Object Proposal)的检测模型表现出优于基于传统滑动窗口的方法。直观上，给定一幅图像，似物性算法的结果通常为很多可能包含图像中物体的矩形框，对矩形框中到底是什么物体并不关心。相对于传统检测方法，似物性不仅可以通过减少候选矩形框来加速计算过程，并且可以通过减少错误的正例来提高检测精度。但是目标跟踪问题中视频序列的图像和静态图像还是有较大差别的，首先分辨率就比静态图像差低很多，图像本身的质量加上似物性算法本身的问题，在跟踪中似物性方法还没有得到广泛应用。同时，相邻帧间的时序信息在目标跟踪问题中有重要作用，将单一帧做为静态图像进行似物性检测没有充分考虑这一点。

发明内容

发明目的：针对现有技术中存在的问题，本发明提供一种基于似物性和相关滤波的目标跟踪方法。

为了解决上述技术问题，本发明公开了一种基于似物性和相关滤波的目标跟踪方法，包含如下步骤：

步骤1，输入视频，在视频的第一帧中，对标记目标区域扩展，以扩展后的图片块为目标样本，利用循环位移的方法构建训练样本，并进行边界效应处理，构建回归模型；

步骤2，获取视频的下一帧，以前一帧的目标位置为中心定义搜索区域，并计算当前帧搜索区域的前向光流；

步骤3，基于步骤2得到的前向光流和当前帧搜索区域的颜色通道，得到边缘图；

步骤4，基于步骤3得到的边缘图，产生运动目标的候选集合；

步骤5，基于步骤4得到的候选集合，利用超像素对候选框窗口进行调整，得到最终的运动目标的候选集合；

步骤6，在当前帧中的搜索区域中用步骤1得到的回归模型计算对应的响应值，并利用步骤1的回归模型计算步骤5中得到的运动目标候选的响应值；

步骤7，基于步骤6得到的响应值，选择响应值最大的候选矩形框并确定当前帧的目标状态；

步骤8，基于步骤7得到的当前帧的目标状态更新步骤1中的回归模型；