[发明专利]基于结构化输出相关滤波器的目标跟踪方法

说明书

本发明公开了一种基于结构化输出相关滤波器的目标跟踪方法，主要解决因目标光照变化、遮挡、旋转等导致的跟踪失败问题。本发明实现的步骤如下：(1)对第一帧图像进行预处理；(2)构造结构化输出相关滤波器；(3)求取最优的结构化输出相关滤波器；(4)对当前帧图像进行预处理；(5)确定当前帧图像中待跟踪目标的位置；(6)优化结构化输出相关滤波器；(7)判断是否选取完待跟踪视频图像序列中的所有帧图像，若是，则结束，否则，执行步骤(4)。本发明通过构造结构化输出相关滤波器，更好地描述样本中包含的信息，使结构化输出相关滤波器学习到区分度高的特征，能够稳定准确地跟踪目标。

技术领域

本发明属于图像处理技术领域，更进一步涉及计算机视觉图像处理技术领域中的一种基于结构化输出相关滤波器的目标跟踪方法。本发明采用一种基于结构化输出相关滤波器的方法，实现视频监控、医疗保健、智能交通、机器人导航、人机交互、虚拟现实等领域的运动目标跟踪。

背景技术

目标跟踪的主要任务是估计视频中目标的轨迹，即从视频图像序列中检测出待跟踪的运动目标，进而在每一帧图像中确定出运动目标的位置。目标跟踪最流行的方法之一是检测跟踪，检测跟踪通常根据判别式学习模型，在线学习一个二进制分类器将目标和背景分离。这类方法的目标是设计一个鲁棒的分类器，动态捕捉目标和背景的差异性特征，适应跟踪过程中的视角、光照、姿态等变化。

中国人民解放军国防科学技术大学在其申请的专利文件“一种基于相关滤波的快速稳健视觉跟踪方法”(专利申请号201610943999.2，公开号CN106570893A)中公开了一种基于相关滤波的快速稳健视觉跟踪方法。该方法基于图像局部的时间和空间信息，通过对目标区域进行循环移位来近似模拟采样过程，构建分块循环矩阵并将其变换到频域对所有的采样信息同时进行计算，对下一帧中目标可能出现的位置进行预测和评估。该方法存在的不足之处是，仅对图像中的目标区域进行循环移位构造的相关滤波器对平移中的偏差特别敏感，因此不能很好地推广到其他类型的外观变化，例如照明、视点、尺度、旋转等，从而无法适应实际场景中目标和背景变化时的目标跟踪。

Hamed Kiani Galoogahi等人在其发表的论文“Correlation Filters withLimited Boundaries”(Proceedings of the IEEE Conference on Computer Vision andPattern Recognition.2015:4630–4638)中提出的一种基于有限边界相关滤波器的目标跟踪方法。该方法在学习过程中，能够隐式地利用从训练样本中密集提取的所有可能图像块，显著减少了边界效应，从而提高了目标跟踪的准确性。由于有限边界相关滤波器只对样本进行了加工，而未注意到样本与标签的匹配问题，在扩大滤波器尺寸的同时仍采用了传统相关滤波器的平滑高斯函数生成标签，未包含目标的样本块同样被赋予了正标签，因此，该方法存在的不足之处是，有限边界相关滤波器无法学习到区分度高的特征，使得目标跟踪的鲁棒性不高。

发明内容

本发明的目的是针对现有技术的不足，提出一种基于结构化输出相关滤波器的目标跟踪方法，以实现当目标发生遮挡、光照变化、旋转、快速运动时对目标进行准确、有效地跟踪。

实现本发明目的的具体思路是，构造结构化输出相关滤波器，使得样本描述与实际问题相一致，结构化输出相关滤波器可以学习到区分度高的特征，从而实现稳定准确的目标跟踪。

为实现上述目的，本发明的具体步骤如下：

(1)标记待跟踪目标的初始位置：

(1a)读取待跟踪视频图像序列的第一帧图像；

(1b)在第一帧图像中，用矩形框手工标记出待跟踪目标，将矩形框的位置作为待跟踪目标的初始位置；

(2)对第一帧图像进行预处理：

对第一帧图像进行随机仿射变换，将得到的8幅仿射变换后的图像组成一个训练样本集；