[发明专利]一种弹性更新策略的目标跟踪方法

说明书

本发明公开了一种弹性更新策略的目标跟踪方法，该方法以SAMF算法作为基准，在平均峰值相关能量(APCE)的基础上将APCE阈值和APCE梯度阈值相结合的方法来判断跟踪结果的可靠性，以决定模型更新速度。其中将APCE阈值反向加强，将APCE梯度阈值正向加强，当APCE和APCE梯度都高于各自阈值时更新，否则根据APCE及其梯度变化调整更新速率。利用APCE的梯度变化充分反映目标受干扰过程快慢的变化，据此采取不同的更新速率即弹性更新策略，达到对目标快速运动及部分遮挡更好的处理能力。

技术领域

本发明属于视频目标跟踪技术领域，涉及一种目标跟踪方法，尤其是一种弹性更新策略的目标跟踪方法。

背景技术

目标跟踪是计算机视觉中引人瞩目且快速发展的领域，其涉及许多具有挑战性的研究热点并常和其他计算机视觉问题结合出现，如人机交互、视频监控、增强现实、自动驾驶、移动机器人等等。近年来，相关滤波器(Correlation Filters,简称CF)被引入目标跟踪的框架中，并同时在精度和速度上取得了显著效果。2010年，Bolme等提出一种新型相关滤波器MOSSE(Minimum Output Sum of Squared Error)，首次将CF应用于跟踪算法。目标跟踪被规划为一个和岭回归等效的相关滤波问题。该算法选定一个目标区域，利用相关滤波器对目标外观建模，并在频域中进行相似度运算，显著提升了跟踪速度。依据循环矩阵的理论，F.Henriques提出一种CSK(Circulant Structure Kernels)跟踪方法。CSK将最新目标作为一个基准图像，并用循环移位方法产生大量虚拟的训练样本，利用这些样本在频域达到非常快的学习和检测功能的Fourier分析思想(不同于迭代思想)。Henriques在CSK的基础上，利用核技巧将单通道特征推广到多通道特征，并提出了核相关滤波(KernelizedCorrelation Filters,KCF)。之后KCF便成为一个相关滤波目标跟踪的基准算法。Yang Li和Jianke Zhu在KCF的基础上加入了尺度估计，设计了一种尺度自适应多特征跟踪器SAMF(Scale Adaptive with Multiple Features tracker)算法。

目标外观会随着运动速度、背景干扰以及遮挡等情况而发生改变，外观模型必须能适应这种变化才能成功跟踪，因此，模型参数的适当更新非常关键。为此，前述跟踪器设定一个更新速率并采用线性插值法在新一帧来临之前进行模型更新，这种每一帧都进行更新的策略虽然简单，但对目标出现遮挡及背景杂乱等复杂情况难以适应，且容易导致模型漂移使跟踪失败。

对此，应利用一个检测标准判断检测结果是否可靠，如果可靠则按一般速率更新模型参数，否则适当调整更新速率，从而使模型不易发生漂移。目前常用的检测方法主要有以下几种：

(1)响应最大值判断法：此类方法将相关滤波器输出的响应图中最大值作为判断标准，当跟踪可靠时最大响应值相对跟踪不可靠时的最大值要大，则可设定一个阈值，当判断出最大响应值大于该阈值时认定跟踪可靠，则更新模型，否则停止更新。这种方法的优点是直观简单，但当干扰目标出现时，响应图中会出现多个峰值，干扰目标的响应值有可能大于真实目标，这时如果更新目标则会使模型因干扰目标而发生漂移。

(2)峰值旁瓣率(PSR)判断法：这种方法采用峰值和旁瓣的比值作为衡量标准，当干扰目标出现时虽然最大峰值较大，但峰值旁瓣率较低。同样，先设定一个阈值，当判断出最大响应值大于该阈值时认定跟踪可靠，则更新模型，否则停止更新。这种方法考虑到了干扰目标或杂乱背景的影响，减少了模型的漂移。但该方法的不足是，虽然干扰物出现使得峰值旁瓣率减小，但减小程度并不十分明显，对于后续的判断性能有一定影响。