[发明专利]基于双相关滤波和隶属度加权决策的深度目标跟踪方法

说明书

本发明提出了一种基于双相关滤波和隶属度加权决策的深度目标跟踪方法，用于解决现有技术中存在的目标定位准确率较低的技术问题，并提高跟踪速度，实现步骤为：(1)构建多个基于双相关的相关滤波器模型；(2)设定包含待跟踪目标的图像序列参数；(3)对每个相关滤波器的隶属度进行初始化；(4)获取n个基于双相关的相关滤波器模型W¹,W²,...W^k...,Wⁿ的值；(5)计算每个相关滤波器对第t+1帧图像中待跟踪目标的中心位置的估计值；(6)基于隶属度加权决策方法计算t+1帧图像中待跟踪目标的中心位置(x_t+1,y_t+1)；(7)获取深度目标跟踪结果；(8)计算每个相关滤波器的隶属度并执行步骤(4)。

技术领域

本发明属于计算机技术领域，涉及一种深度目标跟踪方法，具体涉及一种基于双相关滤波和隶属度加权决策的深度目标跟踪方法，可用于对视频监控、机器人导航和定位、无人驾驶机获取的视频图像序列中的运动目标进行跟踪。

背景技术

目标跟踪的主要任务是，从连续的视频图像序列中检测出运动目标，即在每一帧图像中确定出运动目标的位置。对目标跟踪结果的评价主要基于两点，一是对跟踪目标定位的准确性，二是目标跟踪的速度。对跟踪目标定位的准确性主要受描述目标的特征的影响，此外，由于计算机程序运行时间通常与其计算量成正比，目标跟踪方法的速度主要取决于其计算效率。

根据描述目标时用到的特征不同，目标跟踪可分为基于手动设计的特征的传统目标跟踪方法和基于深层卷积特征的深度目标跟踪方法。由于深层卷积特征比手动设计的特征能更好地对目标进行描述，因此深度目标跟踪方法相比于传统目标跟踪方法有更高的跟踪准确度。由于不同层的卷积特征从不同角度描述了目标的特性，深层卷积特征包含目标语义信息，浅层卷积特征包含更多空间细节信息，在不同的场景中不同层的卷积特征取得的跟踪效果不同，如何更好的将基于不同层卷积特征的跟踪结果进行融合成为提升对跟踪目标定位准确度的关键。

很多学者将深层卷积网络，如VGG网络中的卷积特征输入相关滤波器模型，提升了对跟踪目标定位的准确性。相关滤波器模型是目标跟踪领域常用的一种模型，设相关滤波器C的输入为x，x∈R^L×H×D，模板参数为w，w∈R^L×H×D，高斯形类标矩阵为y，y∈R^L×H，R表示实数域，，L表示x、w和y的长，H表示x、w和y的高，D表示x和w第三维通道的数量，计算x、w和y在频域的值的计算公式分别为：

X＝F(x)

W＝F(w)

Y＝F(y)

其中F(·)表示傅里叶变换，基于此可通过X,W,Y构建相关滤波器模型C，其中W可建模为以下优化问题为：

其中，表示最小化算法，X·W为X和W的相关，最终得到W的计算公式为：