[发明专利]一种基于背景感知的多跟踪器融合目标跟踪方法

说明书

本发明公开了一种基于背景感知的多跟踪器融合目标跟踪方法，先通过提取目标区域的颜色直方图，采用基于粒子滤波的目标跟踪方法进行跟踪，得到目标的位置信息；再采用背景感知相关滤波器进行目标跟踪，获取目标位置信息；接着采用尺度池技术对目标尺度进行估计，并进行更新，得到最新的目标尺度；对目标模型进行更新；重复上述步骤直至当前序列所有帧跟踪结束。本发明使用了多跟踪器融合的机制，采用粗略定位和精确定位相结合，提高了跟踪模型的泛化能力；在训练相关滤波器时增加了对背景信息的抑制，提高了跟踪方法的抗干扰能力；在目标跟踪过程中引入了尺度更新和模型更新机制，提高了跟踪方法应对复杂场景中目标模型变化的鲁棒性。

技术领域

本发明涉及一种基于背景感知的多跟踪器融合目标跟踪方法，属于目标跟踪技术领域。

背景技术

随着科技和社会的发展，目标跟踪成为计算机领域中的研究热点之一，在视频监控、人机交互、智能交通等领域得到了广泛的应用，在军事和民用领域担当着越来越重要的角色。视觉跟踪任务是在给定跟踪目标的初始状态下，最终实现对目标持续识别和跟踪，获得物体的运动信息，进一步提取物体运动轨迹，并对物体进行运动分析，从而实现对物体运动行为的理解。由于跟踪场景的多样性和复杂性，现有目标跟踪算法对目标进行判别和定位依然不够准确，如何进一步提升现有目标跟踪算法的性能具有十分重要的研究意义。

目前，基于粒子滤波(Particle Filter，PF)的目标跟踪算法因能够有效地解决视觉目标跟踪中普遍存在的目标状态非线性、噪声分布非高斯性的问题，得到了广泛的应用。而传统的基于颜色直方图的粒子滤波视觉目标跟踪算法虽然在处理遮挡、光照变化等场景具有一定的鲁棒性，但由于颜色直方图表征能力不够，易受相似目标、相机抖动等因素干扰，甚至丢失目标。

近年来，基于相关滤波(Correlation Filter，CF)的目标跟踪算法由于具有较强的鲁棒性和超高的跟踪速度也得到了广泛的应用。但由于循环转移采样和余弦窗的引入，大多数相关滤波器都会产生边界效应(Boundary Effects)。为解决该问题，Mueller等提出了背景感知相关滤波方法(Context-Aware Correlation Filter Tracking，CACF)，在解决边界效应的同时增强了相关滤波器对背景信息的学习。此外，CACF方法存在闭合解，不需要进行迭代求解，有着较好的算法实时性。

然而，随着跟踪场景的多样化和跟踪目标的复杂化，单一跟踪器很难应对所有跟踪的挑战，因此很有必要利用多跟踪器融合进行目标跟踪；故，如何融合不同跟踪器，充分利用其之间的互补性，从而显著地提高跟踪算法的性能，是一个亟需解决的问题。

发明内容

针对上述现有技术存在的问题，本发明提供一种基于背景感知的多跟踪器融合目标跟踪方法，可提高跟踪模型的泛化能力、跟踪方法的抗干扰能力以及跟踪方法应对复杂场景中目标模型变化的鲁棒性。

为了实现上述目的，本发明采用如下技术方案：一种基于背景感知的多跟踪器融合目标跟踪方法，包括如下步骤：

步骤S1、根据视频序列第一帧输入图片I₁和目标框，以及后续输入图片I_t+1，t∈[1，L-1]，L为视频序列总帧数，x_t＝(w，h)为中心点坐标，c_t＝(c_w，c_h)为目标尺度；

步骤S2、提取目标区域的颜色直方图，采用基于粒子滤波的目标跟踪方法进行跟踪，得到目标的位置信息

步骤S3、采用背景感知相关滤波器进行目标跟踪，获取目标位置信息；

步骤S4、采用尺度池技术对目标尺度进行估计，并进行更新，得到最新的目标尺度c＝(c_w，c_h)；

步骤S5、对目标模型进行更新；