[发明专利]一种基于置信度增强的相关滤波视觉跟踪方法

说明书

本发明涉及一种基于置信度评价机制的置信度增强相关滤波跟踪算法，包括滤波器训练，训练两个二维滤波器用于预测目标位置和一个一维滤波器用于预测目标尺度；置信度计算，根据二维滤波器的响应值计算当前帧的次峰均值与主峰之比和峰值旁瓣比，用于评价响应图的置信度；位置估计，对于置信度表现不好的情况，采用最小二乘法通过历史帧目标位置信息估计当前帧目标位置；响应图融合，根据置信度对两个二维滤波器输出进行自适应权重融合，增强跟踪的精度与鲁棒性；滤波器更新，对于目标被遮挡或超出视野的情况，采取自适应学习率的更新策略。本发明在置信度的基础上，针对目标遮挡、背景干扰等异常情况提出的解决方案，提高了跟踪的准确度与精度。

技术领域

本发明涉及一种基于相关滤波的目标跟踪方法，属于计算机视觉技术领域。

背景技术

在计算机视觉领域，目标跟踪一直是重要的研究分支，在视频监控、运动特征分析、智能交通、无人驾驶等领域有着广泛的应用。单目标跟踪的本质是在给定视频序列初始帧的位置和尺度的情况下，搜索目标在后续视频帧中的位置和尺度。随着新的目标跟踪算法被提出和计算机硬件性能的提升，计算机视觉跟踪算法取得了较快且明显的突破。但由于在真实的客观环境中，目标往往存在被遮挡、尺度变化、光照变化、所处背景变化、外观变化、快速移动、短暂消失等问题，因此，实现高精度并且具有较好鲁棒性的跟踪依旧面临较大的挑战。

目前，长时间的单目标跟踪算法可以分为两类，分别是生成式模型和判别式模型。生成式模型通过在初始帧中的目标位置建立模型，并把在下一帧寻找的与所建立的模型最相似的区域作为目标所在的位置。代表的算法如卡尔曼滤波，粒子滤波，mean-shift。判别式模型把目标跟踪问题转化为分类问题，目标所在区域视为正样本，背景区域视为负样本，通过正负样本进行分类器的训练，在视频后续帧中用分类器将目标从背景中分离出来，从而确定目标的位置。在这一方法中，基于相关滤波的跟踪算法因具有相对理想的效果，在2010年之后成为目标跟踪算法的主流。相关滤波器算法利用最小化误差的思想训练分类器，在线学习一个相关滤波器模型，通过提取输入目标图像的信息与相关滤波器作相关运算，得到一组目标可能所在位置的响应值，响应值最大的位置为目标所在的中心位置。输入信息、滤波器模型、输出信息均为尺度相同的矩阵，为了提升矩阵运算的速度，在计算过程中应用快速傅里叶变换将矩阵变换至频域进行计算，保证了跟踪的实时性。这里的滤波器模型的作用实质上是对输入信息与输出信息相似度的衡量。其过程如图1所示。遮挡问题一直是目标跟踪问题中的一大难题，目标被遮挡时面临输入特征无法正确提取，同时，找到能够及时正确的反映目标被遮挡或情况异常的判断依据也格外重要。加之目标被遮挡时准确定位目标位置的难度变大，正确的历史帧位置信息没有被充分利用起来；而采取每一帧更新模型的策略会导致滤波器被污染，容易进一步导致目标跟踪失败或漂移。

发明内容

本发明的目的是：更好地应对目标被遮挡或超出视野情况下的跟踪难题，以提高目标跟踪的成功率和精度。

为了达到上述目的，本发明的技术方案是提供了一种基于置信度增强的相关滤波视觉跟踪方法，其特征在于，包括以下步骤：

步骤1、位置滤波器和尺度滤波器训练，包括以下步骤：

步骤101、在视频序列的第一帧图像中，在初始化信息中获取目标的位置坐标和尺度，并设置目标候选框的尺寸；

步骤102、设计两个二维的相关滤波器用于预测目标的位置，其中一个二维的相关滤波器直接提取目标候选框的方向梯度直方图特征和灰度特征作为输入特征，另一个二维的相关滤波器则先对候选框进行循环移位处理后，再进行提取颜色特征、方向梯度直方图特征和灰度特征作为输入特征；

设计一个一维的相关滤波器用于预测目标的尺度，一维的相关滤波器只提取方向梯度直方图特征构成一维特征作为输入特征；

步骤103、用二维和一维高斯分布函数生成理想的响应图作为第一帧图像的理想输出；