[发明专利]一种多特征融合的抗遮挡目标跟踪方法

说明书

本发明涉及一种多特征融合的抗遮挡目标跟踪方法，属于计算机视觉目标跟踪领域。该方法用于解决在运动目标跟踪过程中出现的目标遮挡问题。核心方法包括：通过平均峰相关能量评估跟踪置信度；使用多特征HOG特征和CN特征对目标进行描述；对每个特征分别评估其跟踪置信度用以确定每个特征的融合权重，得到对目标的融合跟踪置信度；通过融合跟踪置信度的大小以及相关响应峰值来判断目标的遮挡情况；根据遮挡情况动态调整特征模型的学习率更新模型。

技术领域

本发明属于计算机视觉目标跟踪领域，涉及一种多特征融合的抗遮挡目标跟踪方法。

背景技术

随着计算机视觉技术的发展，运动目标跟踪也得到快速的发展。运动目标跟踪已广泛用以智能机器人，视频安全监控，工厂自动化，视频检索等领域。尽管近年来在运动目标跟踪方面取得了重大进展，但由于部分遮挡、变形、运动模糊、快速运动、照明变化、背景杂波和比例变化等因素的影响，如何提升运动目标跟踪的精确性仍然是一个有待改进和值得研究的问题。

在目标跟踪过程中，当目标对象出现快速运动、遮挡以及运动模糊等问题时，由于更新的比例模型误差的存在，相关滤波算法不能较准确地跟踪目标对象。对此，本发明在现有跟踪方法上进行改进。当跟踪过程中目标发生遮挡情况时，本发明通过跟踪响应置信度判断目标是否被遮挡，使用卡尔曼算法跟踪目标轨迹，在目标被严重遮挡时使用卡尔曼算法得到的结果对模型进行更新，解决KCF在目标遮挡时模型不更新的问题。对于特征权重的固定比例的问题，本发明提出一种多特征动态融合的方案。

发明内容

有鉴于此，本发明的目的在于提供一种多特征融合的抗遮挡目标跟踪方法。

为达到上述目的，本发明提供如下技术方案：

一种多特征融合的抗遮挡目标跟踪方法，该方法包括以下步骤：

S1：选择好跟踪目标后，提取目标区域的HOG特征和CN特征；

S2：计算当前帧HOG特征和CN特征的跟踪置信度P_cn，P_hog以及按照权重融合后的跟踪置信度P；

S3：根据跟踪置信度P以及相关响应峰值g_max1和g_max2的大小调整跟踪模板学习率的大小；当最大响应g_max1和第二大响应g_max2的比值大于0.5时，跟踪置信度P小于等于θ₁时说明目标被严重遮挡，不更新跟踪模板，即学习率为0，使用卡尔曼跟踪算法预测目标位置；当P大于θ₁，小于等于θ₂时说明目标被轻微遮挡，调小学习率；当P大于θ₂时说明目标没有被遮挡，学习率不变；

S4：得到目标在当前帧的预测位置，把预测区域作为新的目标使用S3得到的学习率更新模型，如此直到视频序列为最后一帧图像。

可选的，所述S1中，HOG特征和CN特征的初始融合权重分别为0.5和0.5。

可选的，所述S2中，跟踪置信度公式(1)如下：

其中，P即是当前帧的跟踪置信度，MN是跟踪区域的大小，g_max是跟踪区域响应的最大值，g_min是跟踪区域响应的最小值，g_m,n是在坐标(m,n)处的输出响应；

当前帧HOG特征和CN特征的融合权重由其对应的跟踪置信度P_cn，P_hog确定，公式如下：

w_hog＝1-w_cn (3)

最终得到的融合后的响应结果如下：