[发明专利]一种基于双模型的自适应融合的目标跟踪方法

说明书

本发明实施例提出一种基于双模型的自适应融合的目标跟踪方法。该基于双模型的自适应融合的目标跟踪方法利用基于相对置信度的自适应融合系数，使得相关滤波器响应和颜色分类器响应能够进行最优融合，进而充分地展现出各自模型的跟踪优势，有效地解决了现有Staple目标跟踪方法中的相关滤波器与颜色分类器的融合系数为常数而没有完全展示出相关滤波器跟踪模型和颜色分类器跟踪模型的优势的问题。

技术领域

本发明涉及计算机视觉的技术领域，具体涉及一种基于双模型的自适应融合的目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域中主要的研究方向之一。目标跟踪涉及到的领域包括数字图像处理、机器学习、模式识别、神经网络、深度学习等，在视频监控、智能机器人等多个应用领域有着广阔的发展前景。

近些年，基于检测的目标跟踪方法得到了很大的发展，其中，最主流的研究方向之一是基于相关滤波器的目标跟踪方法。2014年Henriques等人将MOSSE与CSK使用的单通道灰度特征扩展为的多通道方向梯度直方图特征(HOG)，并将特征用核技巧映射到高维空间，从而提出了KCF算法。KCF的提出，使得相关滤波类目标跟踪方法迅速发展。2015年Danelljan等人提出的SRDCF通过空域正则化去解决相关滤波器内在的边界效应，在VOT2015目标跟踪竞赛中名列前茅，但是SRDCF过大的计算量也限制了该算法的实用性。2016年Luca等人基于KCF的线性核版本DCF提出了Staple算法，Staple算法通过求解两个岭回归方程结合相关滤波与颜色分类器来提升跟踪算法的性能，得到了一个相当优秀的结果。但是，Staple算法中的相关滤波器与颜色分类器的融合系数为常数，这导致了Staple算法没有完全展示出相关滤波器跟踪模型和颜色分类器跟踪模型的优势。

因此，针对现有的Staple算法没有完全展示出相关滤波器跟踪模型和颜色分类器跟踪模型的优势的问题，有必要提供一种能够完全展现出相关滤波器跟踪模型和颜色分类器跟踪模型的优势的目标跟踪方法。

发明内容

针对现有的Staple算法没有完全展示出相关滤波器跟踪模型和颜色分类器跟踪模型的优势的问题，本发明实施例提出一种基于双模型的自适应融合的目标跟踪方法。本发明实施例所提出基于双模型的自适应融合的目标跟踪方法利用基于相对置信度的自适应融合系数，使得相关滤波器和颜色分类器能够进行最优融合，进而充分地展现出各自模型的跟踪优势。

该基于双模型的自适应融合的目标跟踪方法的具体方案如下：一种基于双模型的自适应融合的目标跟踪方法，包括步骤S1：根据初始帧，获取目标初始信息；步骤S2：分别从前景区域和背景区域提取颜色直方图，并采用岭回归方程求解和训练颜色分类器；步骤S3：从相关滤波区域提取特征，并训练相关滤波器；步骤S4：初始化尺度滤波器，提取不同尺度图像块来训练尺度滤波器；步骤S5：利用所述颜色分类器检测目标，获得颜色分类器的响应；步骤S6：在相关滤波区域内用相关滤波器检测目标，获得相关滤波的响应；步骤S7：根据所述相关滤波的响应计算相对置信度，基于所述相对置信度计算自适应融合系数，采用所述自适应融合系数融合相关滤波器的响应和颜色分类器的响应，获得检测目标的位置；步骤S8：提取所述目标的特征，并更新所述相关滤波器和颜色分类器；步骤S9：检测尺度变化，更新目标、前景区域、背景区域和尺度滤波器；步骤S10：重复步骤S5至步骤S9，直至视频结束。

优选地，所述目标初始信息包括目标位置、目标的长度、目标的宽度。

优选地，所述步骤S2中提取颜色直方图的过程为：将颜色空间均分为若干个颜色区间，定义每个颜色区间为直方图的一个直方柱，统计前景区域或者背景区域落在每一个直方柱中的像素点的个数。

优选地，所述颜色直方图的直方柱的宽度值为8。

优选地，所述岭回归方程的表达式为：