一种目标跟踪中考虑场景分类的相关滤波器更新装置的制作方法

本发明属于目标跟踪技术领域，具体涉及一种目标跟踪中考虑场景分类的相关滤波器更新装置。

背景技术：

运动目标跟踪是计算机视觉领域应用中非常重要的组成部分，能够应用于视频监控、人机交互、视觉导航、军事制导等各个领域。运动目标跟踪通过跟踪算法来对视频图像帧进行分析处理，以此获取目标的位置。但是在实际的跟踪过程中，会受到许多现实条件的影响，使得跟踪算法的实时性不能达到要求。

针对此问题，学者们将相关滤波的思想应用到目标跟踪中，使得目标跟踪的速率有了质的提升，在此之后，许多基于相关滤波的改进算法被提出，但是大多数算法都集中于特征提取和融合，而对于相关滤波器的更新速率始终是一个固定的值。这就导致当目标本身发生形变或者目标被遮挡，尤其是长时间大面积遮挡的时候，由于相关滤波器始终以相同的速率进行更新，最终会导致偏差信息被加入而出现跟踪漂移现象。

技术实现要素：

针对目前基于相关滤波的目标跟踪方法的不足，本发明的目的在于提供了一种目标跟踪中考虑场景分类的相关滤波器更新装置，该装置利用自适应学习的更新机制，基于目标所处的不同场景对相关滤波器进行自适应更新以提高跟踪的准确性，并利用离散傅里叶对角化以降低存储与计算的复杂度。

为达到上述目的，本发明采用如下技术方案来实现：

(该部分内容后续待权利要求书定稿后再补充，谢谢！)

本发明具有以下的有益效果：

本发明设计了一种目标跟踪中考虑场景分类的相关滤波器更新装置，通过对目标所处的场景进行分类，进而以不同的更新策略更新相关滤波器，与现有的不论什么场景始终以相同策略更新相关滤波器的方法相比，明显提高了目标跟踪的准确性。

进一步，本发明中的目标所在场景判定以及自适应学习更新机制中所用到的目标参数均采用整体及分块结合的参数，提高了在整个过程中对于场景判定条件以及相关滤波器更新速率计算的可靠性。

进一步，本发明是基于相关滤波器的，因而在整个计算过程中利用了离散傅里叶对角化，将卷积操作变为点乘，从而降低了存储与计算的复杂度，保证了目标跟踪的实时性要求。

进一步，通过对本发明与现有的基于相关滤波的目标跟踪算法kcf在benchmark中的50个视频上进行比较，本发明在阈值为20的准确率为0.768，相比kcf提升了6.37％。成功率的auc为0.573，相比kcf提升了13.02％。可以明显看出，本发明有效的提高了目标跟踪的准确率和成功率。

综上所述，本发明针对目标所处的不同场景对相关滤波器进行自适应更新，解决长时间大面积遮挡以及目标的外观变化等不同的场景对跟踪性能的影响，同时相关滤波中利用离散傅里叶对角化降低了存储与计算的复杂度，从而有效地提高了目标跟踪的准确性和实时性。从整体上说，本发明的目标跟踪中考虑场景分类的相关滤波器更新装置在评估性能上有较为理想的提升且易于实现，具有良好的应用价值。

附图说明

图1为本发明中目标分块方式流程图。

图2为本发明中考虑场景分类的相关滤波器更新示意图。

图3为本发明中目标所在场景判定流程图。

图4为本发明中自适应学习更新流程图。

图5为实验得到的本发明与其他七种现有算法基于50个标准视频的跟踪准确率图(图中本发明用akcf表示)。

图6为实验得到的本发明与其他七种现有算法基于50个标准视频的跟踪成功率图(图中本发明用akcf表示)。

具体实施方式

下面结合附图对本发明进行详细阐述：

如图1所示，本发明一种目标跟踪中考虑场景分类的相关滤波器更新装置，包括以下几个模块：

目标分块模块，用于对跟踪目标区域进行分块，得到的各个小块将用于后续的目标所在场景判定；

获取参数模块，用于对上一帧和当前帧图像中跟踪目标的整体响应值和小块响应值进行处理，并得到相似度参数共同用于后续的目标所在场景判定；

目标所在场景判定模块，用于对当前帧中跟踪目标所处的场景进行判定；

自适应学习更新模块，用于根据目标所处的不同场景采用不同的更新策略来对相关滤波器进行更新。

其中，目标分块模块，将目标分为若干个小块。当目标的宽高大于15个像素时，对其进行分块。每个小块的宽高均大于15，同时为了控制复杂度，分块的个数不超过6×6个。

获取参数模块，最终用于目标所在场景判定和自适应学习更新的参数包括：

第t帧目标整体的响应值rest，第t帧的相似度simt，前t-1帧中目标整体响应最大值res_thrt-1，前t-1帧中相似度最大值sim_thrt-1，第t帧第i个小块的响应值b_restⁱ，前t-1帧中第i个小块的响应最大值b_thrt-1ⁱ，第t帧所有小块响应的平均值aver_rest，更新速率ηt。

(1)第t帧目标整体的响应值rest通过将第t帧待检测图像目标特征模板输入到上一帧训练好的核相关滤波器中进行响应得到。

(2)第t帧的相似度simt通过将本帧的跟踪结果输入到上一帧的核相关滤波器中得到响应值，该响应值即为相似度simt。

(3)前t-1帧中目标整体响应最大值res_thrt-1，前t-1帧中相似度最大值sim_thrt-1均可通过动态记录得到。

(4)第t帧第i个小块的响应值b_restⁱ的计算如下：

对于目标跟踪中考虑场景分类的相关滤波器更新装置中所述的目标分块模块得到的每一个小块，分别建立对应的相关滤波器，然后将待检测目标小块的特征模板输入到上一帧训练好的小块相关滤波器中进行响应即可得到第t帧第i个小块的响应值b_restⁱ。

(5)前t-1帧中第i个小块的响应最大值b_thrt-1ⁱ可通过跟踪过程中的动态记录得到。

(6)第t帧所有小块响应的平均值aver_rest可直接进行均值计算。

(7)更新速率ηt根据待检测目标所处场景分别进行计算，具体计算如下：

(a)当视频中跟踪目标长时间大面积遮挡时，相关滤波器的更新速率ηt＝0；

(b)当视频中跟踪目标发生形变时，相关滤波器的更新速率计算形式如下：

ηt＝0.015*(simt/sim_thrt-1)/(rest/res_thrt-1)

(c)当视频中跟踪目标处于其它情况时，相关滤波器的更新速率计算形式如下：

ηt＝0.005*(simt/sim_thrt-1)/(rest/res_thrt-1)

目标所在场景判定模块中，将目标所在场景分类以下四类：无遮挡无形变；有形变；有遮挡缓慢发生；长时间大面积遮挡。这里的有形变指的是目标的外观变化程度较快的情况，并且假定目标在跟踪过程中或者发生形态的剧烈变化，或者发生遮挡，这两种情况不同时发生。

其中有形变，有遮挡缓慢发生，长时间大面积遮挡，无遮挡无形变的判定条件，具体如下：

当第t帧的相似度simt<0.75时，可将视频中跟踪目标所处场景判定为有形变。

当该式b_restⁱ<b_thrt-1ⁱ*0.15&&b_restⁱ<0.6*aver_rest成立时，判定为第i个小块发生遮挡，即将视频中跟踪目标所处场景判定为遮挡缓慢发生。

当该式rest<thrt-1*0.25成立时，可将视频中跟踪目标所处场景判定为长时间大面积遮挡；

当该式rest>thrt-1*0.3||simt<sim_thrt-1*0.8成立时，可将视频中跟踪目标处于长时间大面积遮挡场景判定为消失。

当上述三个场景均判定为未发生时，可将视频中跟踪目标所处场景判定为无遮挡无形变。

自适应学习更新模块中，对相关滤波器按照目标所处的场景不同采用不同的更新策略，具体如下：

(1)对于目标特征模板，采用如下的方式进行更新：

当发生形变时，更新整个目标的特征模板；当发生长时间大面积遮挡时，不更新目标的特征模板；当发生部分遮挡时，更新未发生遮挡小块位置的特征模板。

(2)相关滤波器的更新速率与响应值的大小和相似度都存在一定的关系。相似度高，说明本帧的跟踪结果与上一帧的跟踪结果更为相似，被遮挡的可能性较小，此时我们应该加快相关滤波器的更新速率，而相关滤波器的响应较大时，说明相关滤波器能够很好的检测到运动目标，此时我们应该降低其学习速率，减小对相关滤波器的更新。

对于不同的更新策略，相关滤波器的学习速率也不同，具体如下：

(1)当视频中跟踪目标长时间大面积遮挡时，相关滤波器的更新速率ηt＝0；

(2)当视频中跟踪目标发生形变时，相关滤波器的更新速率计算形式如下：

ηt＝0.015*(simt/sim_thrt-1)/(rest/res_thrt-1)

(3)当视频中跟踪目标处于其它情况时，相关滤波器的更新速率计算形式如下：

ηt＝0.005*(simt/sim_thrt-1)/(rest/res_thrt-1)

为了测试本发明对于目标跟踪的有效性，对本发明与现有的基于相关滤波的目标跟踪算法kcf在benchmark中的50个视频上进行了比较。根据测试结果，本发明在阈值为20的准确率为0.768，相比kcf提升了6.37％。成功率的auc为0.573，相比kcf提升了13.02％。可以明显看出，本发明有效地提高了目标跟踪的准确率和成功率。

同时为了更好地说明本发明相比现有各类目标跟踪方法的提升效果，还对本发明与现有的其它七种经典算法在benchmark中的50个视频上进行了比较，得到了整体的准确率图和成功率图，如图5和图6所示。可以明显看出，本发明不论在准确率还是成功率上，与现有的七种经典算法相比，都是第一名，从而表明本发明有效地提高了目标跟踪的准确率和成功率。