[发明专利]一种基于自适应相关滤波的长时视频跟踪方法

说明书

本发明公开了一种基于自适应相关滤波的长时视频跟踪方法，属于视频跟踪技术领域。所述方法融合了HOG特征、CN特征和灰度特征，增强特征判别力的同时结合Edgebox生成检测建议，找到最优建议实现跟踪器尺度与纵横比的自适应；利用高置信度跟踪结果避免模板被破坏，将目标移动速度与边缘组数结合起来形成了一种新的自适应更新率，并对每一帧目标框的尺度进行校正；在跟踪失败的情况下，应用增量学习检测器以滑动窗口的方式恢复目标位置。本发明使相关滤波器具有更好的尺度和长宽比自适应性，尺度的校正与高置信度更新机制也使模板的稳定性更好，在背景杂乱、遮挡、目标发生快速移动等情况下表现优异，适合长时间跟踪。

技术领域

本发明涉及一种基于自适应相关滤波的长时视频跟踪方法，属于视频跟踪技术领域。

背景技术

目标跟踪通常指在第一帧中给定目标的初始位置，在后续的视频序列中估计跟踪目标的位置、形状，得到目标的移动方向、运动轨迹等信息。现如今目标跟踪在计算机视觉中起着举足轻重的作用，在人机交互、国防安全、智能家居等领域有着非常广泛的应用。

目标跟踪按模型类别不同主要分为生成式方法和判别式方法。其中，判别式方法将目标作为正样本，背景区域作为负样本，将两者显著区分，以训练分类器的方法找到目标，较生成式方法而言更为鲁棒，因此在目标跟踪领域逐渐占据主导地位。判别式方法中的基于相关滤波的跟踪方法以速度快，效果好的优势逐渐脱颖而出，受到广大研究者的关注。2010年，Bolme提出了最小均方误差和滤波跟踪器MOSSE，将相关滤波的概念第一次引入目标跟踪领域。此后Henriques等提出的CSK融入循环移位和岭回归；核化相关滤波器KCF利用核函数丰富了目标特征，大大提升了算法的速度与准确性，奠定了当前相关滤波算法的主要框架。但是，传统相关滤波跟踪无法处理尺度变化、目标遮挡、运动模糊等一系列问题，针对这些，SAMF跟踪器通过引入尺度池的方法估计尺度变化；Danelljan等则提出空间判别尺度估计目标跟踪算法，增加额外的一维尺度相关滤波器，该方法可设置33个特征尺度池，但是这两种方法仅能实现目标尺度的自适应。为了处理目标纵横比变化，使尺度估计更精确，Huang D等将目标检测领域中广泛采用的类别不可知检测提议方法集成到相关滤波跟踪器(KCFDPT)中，以滑动窗口方式遍历整个图像，并根据完全封闭的轮廓数量对每个采样的边界框进行评分。Chao ma等在KCF基础上，引入基于SVM的目标检测算法，能够判断出目标是否发生遮挡，对长时跟踪来说更有优势。虽然上述方法在一定程度上解决了一些难点，但在目标快速移动或者严重遮挡的情况下，长时间跟踪容易引起模板漂移，致使跟踪失败，算法鲁棒性不高。

发明内容

为了解决目前存在的在目标快速移动或者严重遮挡，且长时间跟踪时容易引起模板漂移致使跟踪失败，算法鲁棒性不高的问题，本发明提供了一种基于自适应相关滤波的长时视频跟踪方法。

一种基于自适应相关滤波的长时视频跟踪方法，所述方法融合了HOG特征、CN特征和灰度特征，在增强特征判别力的同时，结合Edgebox生成检测建议，找到最优建议实现跟踪器尺度与纵横比的自适应，利用高置信度跟踪结果避免模板被破坏，将目标移动速度与边缘组数结合起来形成了一种新的自适应更新率，对每一帧目标框的尺度进行校正。

可选的，所述方法在跟踪失败的情况下，应用增量学习检测器以滑动窗口的方式恢复目标位置。

可选的，所述方法包括：

(1)获取目标第一帧，人工确定目标中心位置与边界框长宽(lx₁，ly₁，w₁，g₁)，其中lx₁为目标中心位置横坐标，ly₁为目标中心位置纵坐标，w₁为边界框宽度，g₁为边界框高度；

(2)根据第一帧的目标中心位置以1个像素为步长进行密集采样，当样本与目标边界框重叠比大于0.9时为样本分配正标签，而小于0.5时为样本分配负标签，生成样本集训练支持向量机；