[发明专利]基于连续相关滤波器的定位修正长程跟踪方法

摘要

本发明涉及视觉跟踪算法技术领域，具体的说是一种拥有更好的追踪性能和追踪稳定性的基于连续相关滤波器的定位修正长程跟踪算法，包括：实现连续域内的目标定位，选择目标特征，通过分别训练三个模板Rt、Rs和Rd实现，其中目标定位模板Rt是对目标外观的变化进行实时编码，同时需要对一些追踪干扰如快速移动和光照变化保持鲁棒性，选择VGG‑19卷积神经网络，使用conv3‑4、conv4‑4和conv5‑4这三层的输出特征来训练目标的定位模板Rt，而对于Rs和Rd模板，考虑到计算效率的问题，使用HOG特征；实现目标重定位。

主权项

一种基于连续相关滤波器的定位修正长程跟踪算法，其特征在于包括以下内容步骤1：实现连续域内的目标定位，具体通过获得连续域内的相关滤波器实现，当给定了相关滤波器的权重w后，获得追踪器的相关相应图yres定义在连续域内，同时Z表示在当前帧使用上一帧目标位置获取的搜索窗的特征，在相关滤波器跟踪算法中，目标物体的位置通过搜索整张响应图并寻找最大值yres所在的位置来确定，分两步来实现目标的精细定位：首先将响应图yres的位置索引s(t),t∈[0,T)划分为离散域s(Tn/(2K+1)),Tn＝0,…,2K，在位置s(Tn/(2K+1))上使用网格搜索，然后使用搜索到的最大值的位置作为yres的起始搜索位置，使用牛顿迭代法实现连续域内的目标定位，而牛顿迭代法的海塞矩阵和偏导数可以通过分析yres获得；步骤2：选择目标特征，通过分别训练三个模板Rt、Rs和Rd实现，其中目标定位模板Rt是对目标外观的变化进行实时编码，同时需要对一些追踪干扰如快速移动和光照变化保持鲁棒性，选择VGG‑19卷积神经网络，使用conv3‑4,、conv4‑4和conv5‑4这三层的输出特征来训练目标的定位模板Rt，而对于Rs和Rd模板，考虑到计算效率的问题，使用HOG特征；步骤3：实现目标重定位：在CCFT算法中，使用像素值对比的结果作为二值特征来训练随机蕨分类器，首先在图像块上进行一定数量的像素值对比，得出每一棵随机蕨的先验概率，然后将所有随机蕨的先验概率进行平均，就得到了检测器，搜索方法是通过使用k最近邻分类器寻找最可靠的训练样本，且如果k个最近邻的特征图都显示为正样本，则这一图像块则被认为是所寻找的目标图像。