[发明专利]一种基于多尺度多特征的目标图像跟踪方法

说明书

本发明公开了一种基于多尺度多特征的目标图像跟踪方法，该方法将目标跟踪任务分解为位置估计和尺度估计两部分，其中，在位置估计中，将每一帧图像的颜色特征和深度特征相结合，获得融合特征，利用上述融合特征，可以估计出准确的尺度，从而进行视觉跟踪，提高目标跟踪的有效性和鲁棒性，适用于处理具有较大外观变化和尺度变化的实际应用场景的目标跟踪。

技术领域

本发明公开涉及计算机视觉识别的技术领域，尤其涉及基于多尺度多特征的目标图像跟踪方法。

背景技术

视觉跟踪是计算机视觉识别的一个重要研究领域，是监控、交通、服务业等多种应用的关键因素。视觉跟踪在这里定义为一项任务，它允许系统从第一帧中未知目标的边界框开始，在视频序列的后续帧中对目标进行定位。近年来，大量目标跟踪算法被相继提出且取得了较好的性能，但由于光照变化、目标形变、背景复杂、快速运动、严重遮挡和尺度变化等因素，为通用的跟踪器设计带来了挑战。

最新的研究表明，信号处理和机器学习技术在处理视觉跟踪任务时可以取得较好的性能。目前已经提出了大量相关的方法，其中，基于相关滤波的方法因其在鲁棒性和高速性方面的显著优势而得到了广泛的应用。此外，受深度神经网络(CNNs)优势的启发，基于深度特征的目标跟踪方法也越来越受到欢迎。与最先进的目标跟踪方法相比，它们的优势是显著的。特别的是CFNet，该网络将深度学习与相关滤波相融合，从而弥补了深度学习解释性差的不足，已成为实际目标跟踪领域的首选方法。

然而，上述结合在实际研究中也暴露出一些问题。第一、如果跟踪器获得更多的语义信息，它必须使用更深层次的深度特征，从而降低了速度。第二、采用深度特征后，随着数据多样性的增加，会出现“过拟合”现象，从而削弱了跟踪性能。第三、尺度变化是每个跟踪器都必须处理的问题。但在跟踪过程中，如果目标的大小发生变化，将导致跟踪器的性能变差。

因此，如何研发一种新型的目标图像跟踪方法，以解决上述问题，成为人们亟待解决的问题。

发明内容

鉴于此，本发明提供了一种基于多尺度多特征的目标图像跟踪方法，以解决以往的跟踪方法存在跟踪效果差的问题。

本发明提供的技术方案，具体为，一种基于多尺度多特征的目标图像跟踪方法，该跟踪方法包括如下步骤：

S1：初始化位置模型和比例模型；

S2：基于当前帧图像进行位置信息更新；

S3：基于更新的位置信息进行尺寸估计；

S4：基于更新的位置信息和尺寸估计，进行位置模型中滤波器和比例模型中滤波器的更新；

S5：采用更新后的位置模型和比例模型进行下一帧图像中目标图像的识别跟踪；

S6：重复步骤S2-S5，直至视频跟踪序列结束；

其中，步骤S2中，基于当前帧图像进行位置信息更新，具体为：

S201：提取当前帧图像的颜色特征，由所述颜色特征和相应滤波器运算获得颜色映射特征图；

S202：提取当前帧图像的深度特征，由所述深度特征和相应滤波器运算获得深度映射特征图；

S203：将所述颜色映射特征图和所述深度映射特征图进行融合，获得融合特征图；

S204：基于所述融合特征图进行目标位置的估计，获得位置信息更新。

优选，步骤S201中，提取当前帧图像的颜色特征，由所述颜色特征和相应滤波器运算获得颜色映射特征图，具体为：

提取当前帧图像的颜色特征；

采用成分分析方法将所述颜色特征维度由11维降低至2维；