[发明专利]一种使用双检测器的长期目标跟踪方法

说明书

本发明公开了一种使用双检测器的长期目标跟踪方法，包括步骤：提取图像包含目标背景图像的fHOG特征，输入预先训练好的初始滤波器中计算出包含目标背景图像最大响应值，将最大响应值所在位置作为当前图像中的目标位置；并对滤波器进行每帧更新；根据当前图像中的目标位置剪裁出只包含目标的图像的HOG特征，并输入预先训练好的滤波器，计算出目标图像的最大响应值；当目标图像的最大响应值小于阈值：追踪丢失，则启动重新检测模块对当前图片的预测位置处进行重新检测；大于阈值，则追踪正确，并更新滤波器；本发明采用双检测器系统进行目标的重新检测，在目标丢失时可以通过快速检测和深度检测的方式对当前搜索区域进行多重检测，增加了检测的成功率。

技术领域

本发明涉及一种使用双检测器的长期目标跟踪方法，属于计算机视觉与图像处理技术领域。

背景技术

目标跟踪作为计算机视觉领域的重要研究分支之一，在近十几年中取得了很大的进步。目前已经广泛应用于医疗，智能交通和无人驾驶等领域。其主要工作原理是只在视频第一帧时给定目标初始状态(即目标在图像中位置和大小)，在后续的视频序列中需要计算机对目标最新状态进行估计。

目标跟踪技术到目前主要有两个发展方向：相关滤波和深度学习。近年来基于相关滤波的目标跟踪算法取得了巨大的进步。许多研究者们在算法MOSSE的基础上进行了大量的改进，比如Henriques等人(Henriques J F,Caseiro R,Martins P,et al.High-speedtracking with kernelized correlation filters[J].IEEE Transactions on PatternAnalysis and Machine Intelligence,2015,37(3):583-596)在此基础上提出使用核函数的高速跟踪算法(KCF)，采用多通道方向梯度直方图(HOG)特征表达目标，同时利用核函数解决了线性不可分的问题，大大提高了跟踪速度。但是由于相关滤波算法的训练数据集都是由循环移位产生的，不可避免的造成边界效应影响跟踪效果。Danelljan等人(Martin D,Gustav H,Fahad S K,et al.Learning spatially regularized correlation filtersfor visual tracking[C]//Proceedings of the IEEE conference on InternationalConference on Computer Vision.Satiago,Chile:IEEE Press,2015:4310-4318)针对上述问题提出了空间正则化相关滤波算法(SRDCF)，通过对滤波器进行负高斯形正则化权重来抑制边界效应，并采用高斯赛德尔迭代法进行滤波器的求解。但是这种优化求解的方法导致算法复杂度增加，又使得跟踪速度大大降低；而且采用固定的负高斯状矩阵作为空间正则化矩阵，当跟踪过程出现误差时，跟踪器无法做出灵活的应对，影响跟踪器性能。在长期跟踪方面，Ma等人(Ma C,Yang X K,Zhang C Y,et al.Long-term correlationtracking[C]//Proceedings of the IEEE Conference on Computer Vision andPattern Recognition.Boston,MA,USA:IEEE,2015:5388-5396)提出了长期目标跟踪算法(LCT)，在相关滤波的基础上加入了重新检测机制，可以在目标长期遮挡或快速移动以后尝试再次捕捉目标，但是由于检测器单一，模型鲁棒性不够导致最终的跟踪结果不够理想。

发明内容

本发明的目的在于提供一种使用双检测器的长期目标跟踪方法，以解决目标被长期遮挡后再次出现时，跟踪器无法再次识别导致跟踪失败的缺陷。

一种使用双检测器的长期目标跟踪方法，所述方法包括步骤：

提取图像包含目标背景图像的fHOG特征，输入预先训练好的初始滤波器F₁中计算出包含目标背景图像最大响应值，将最大响应值所在位置作为当前图像中的目标位置；并对滤波器F₁进行每帧更新；