高置信度更新策略结合SVM再检测技术的目标跟踪方法与流程

本发明高置信度更新策略结合svm再检测技术的目标跟踪方法，属于计算机视觉与数字图像处理技术领域。

背景技术：

目标跟踪技术是计算机视觉的一个重要分支，在人机交互，视频监控，无人机侦查等领域有广泛的应用，随着计算机视觉和人工智能的发展，目标检测跟踪被予以越来越多的关注。但是由于所跟踪对象可能所处于复杂环境下，在应用中存在光照变化、刚性形变、快速运动、部分遮挡、背景繁杂等多种因素，寻求快速稳定、适合对象变化的跟踪方法始终是一个挑战。

2010年，blome等人提出了mosse(minimumoutputsumofsquarederrorfilter)算法，该算法首次将相关滤波引入目标跟踪领域，并在计算目标和待测样本集之间相关性时，运用了傅立叶变换，将运算直接转到频域中，大大降低了运算量。随后，henriques等人在mosse的基础上提出了采用循环矩阵结构和核空间映射的csk(exploitingthecrculantstructureoftracking-by-detectionwithkernels)方法。这种方法只需要在目标位置提取一次待测样本，然后对该样本进行循环偏移，构成循坏矩阵。2014年，henriques等人在csk的基础上引入核方法，并采用hog(histogramoforientedgradients)多维特征对目标外观进行描述(kcf)，该方法极大地提高了相关滤波目标跟踪的鲁棒性。

对于核相关滤波器跟踪算法，上述跟踪器(以下皆以kcf为例)在模型更新时采用的是每帧都更新，这样做虽然简单，但对目标出现快速运动、部分遮挡及背景杂乱等复杂情况难以适应，另外也容易导致模型漂移从而使跟踪失败。当目标出现严重遮挡或者显著形变时，算法的预测结果将会变得不太可靠，同时滤波器模型也将会被污染。因此，跟踪结果的可靠性需要进行验证，因为它会影响到后续的模型更新。

技术实现要素：

为克服现有技术的不足，本发明提供了结合高置信度更新与svm再检测技术的目标跟踪方法，该方法能提高目标跟踪算法的性能和计算速度，并可以实现长时间稳定跟踪目标。

本发明通过以下技术方案实现：

高置信度更新策略结合svm再检测技术的目标跟踪方法，通过高置信度更新策略来判断所跟踪的目标置信度，当目标处于高置信度状态时，滤波器进行更新，当处于低置信度状态时，对目标进行再检测；具体包括如下步骤：

步骤1：读入待跟踪视频帧序列，在第一帧标记选择要跟踪的初始跟踪目标，初始化跟踪器，确定目标中心候选区域；

步骤2：对搜索区域进行特征提取，利用核相关滤波方法得到相关滤波响应图，图中峰值位置作为新一帧目标响应可能所在的位置；

步骤3：对目标响应进行置信度判断，当目标处于高置信度状态时对滤波器模版进行更新；当目标处于低置信度状态时，暂时停止滤波器模版更新；

步骤4：当目标长期处于低置信度状态，则判断目标被遮挡或者所跟踪的目标丢失；启动svm再检测模块，重新找到所跟踪的目标的位置；

步骤5：根据重新检测得到的目标所在位置计算滤波器模版，对所跟踪的目标模版进行插值更新；

步骤6：进行下一帧图像处理，重复步骤2-5，直至视频结束。

优选的，所述步骤1具体通过如下方式实现：

步骤1.1：在给定初始目标框中，确定所跟踪目标的中心位置；

步骤1.2：提取第一帧目标中心候选区域hog特征，将得到的特征与汉宁窗相乘得到目标模版，根据得到的模版计算高斯矩阵图。

所述步骤1中，目标中心候选区域大小为初始目标外接矩形的1-2倍，优选为1.5倍。

优选的，所述步骤2具体通过如下方式实现：

步骤2.1：对候选区域patch进行特征提取，然后进行傅里叶变换，得到所跟踪目标的特征，具体计算表达式为：

式中，xf表示候选区域提取的特征，f表示进行傅里叶变换，hog表示hog特征提取，gauss表示高斯响应；

步骤2.2：对下一帧待检测区域进行处理，提取所跟踪目标的hog特征，并对其进行汉宁窗处理，具体计算表达式为：

式中，zf表示下一帧检测区域的特征，f表示进行傅里叶变换，hog表示hog特征提取，cos_w表示对特征加上汉宁窗。

步骤2.3：根据所提取的特征计算响应图峰值位置，计算所采用的公式为：

fmax＝maxf(z)＝max(response)，

式中，f(z)表示特征响应，fmax表示特征响应的最大值，response表示特征响应。

优选的，所述步骤3通过如下方式实现：

在目标跟踪准确时，响应图峰值明显且接近理想二维高斯分布；当目标出现丢失时，响应图出现震荡；因此根据目标跟踪响应图峰值与震荡情况对目标跟踪可信度进行判断，响应图震荡判断具体计算公式为：

式中：fmax为目标响应的最大值，fmin为目标响应的最小值，fw,h为目标在响应矩阵w行h列的值；

只有当目标跟踪置信度指标fmax和eapce分别以一定比例超过自身的历史均值时，认定当前帧的目标响应具有高置信度，具体计算公式为：

式中，α，β为模版更新置信度参数，fmax为峰值响应最大值，eapce为目标置信度值，i和j是指当前视频帧，n指视频帧的总数，本算法中一定比例是指以α＝0.45，β＝0.6为条件时。

优选的，所述步骤4通过如下方式实现：

对所跟踪目标置信度进行判断，目标置信度eapce连续5帧低于所设定的可信度阈值tr时，启动检测器，具体计算公式为：

式中，fi表示样本特征向量，νi为特征向量的标签，w为所求超平面法向量，w＇为超平面法向量的转置，λ为正则化系数，n为样本总数；

通过上式对预测位置进行打分，得分最高的位置为检测器所预测位置。

优选的，所述步骤5通过如下方式实现：根据检测器得到的位置，计算新一帧目标响应位置得到的模版x′t和参数α′t。，对当前帧的参数进行插值更新,使滤波器适应目标的变化并提高跟踪器的鲁棒性，具体计算公式为：

式中，αt为插值更新后t帧目标滤波器参数，η为模型更新插值η＝0.01，xt为插值更新后t帧模型特征，α′t为第t帧所求目标滤波器参数，x′t为第t帧所求模型特征。

与现有技术相比，本发明具有如下有益效果：

本发明在基于图像处理的基础上，提出了一种高置信度更新策略结合svm再检测技术的目标跟踪方法，目的是为了解决所跟踪的目标在被障碍物遮挡时，导致目标丢失，模型发生跟踪漂移问题。

本方法分别设计了目标跟踪高置信度更新模块和svm再检测技术模块。在跟踪过程中，基于核相关滤波的框架下对目标可能所在位置进行快速定位；高置信度更新模块利用目标定位所得到的滤波器响应分布图。利用响应图的最高响应峰值和响应图波动情况两个指标对所跟踪的目标进行置信度判断。当两个判断指标同时高于所设置的阈值时才对滤波器模版进行更新，从而避免了在低置信度情况下因引入背景噪声，滤波器模版更新产生的模型漂移问题。在目标重新检测模块，当判断跟踪目标的置信度过低时，启动检测器。重新对目标可能所处的位置进行检测并进行打分，其中得分最高的位置为所跟踪的目标的位置。利用再检测模块。对目标长期被遮挡或者目标丢失的情况重新检测。本发明实现高鲁棒性和长时间实时跟踪，当目标被遮挡或者丢失时，能够及时跟踪目标，实现实时在线跟踪。

附图说明

图1是本发明方法的流程图。

图2是本发明算法在所跟踪目标被遮挡时置信度分布与峰值波动分布图。

图3是本发明算法与其他算法对比一次通过成功图。

图4是本发明算法与其他算法对比一次通过精确图。

具体实施方式

下面结合具体实施例对本发明做进一步的详细说明，但是本发明的保护范围并不限于这些实施例，凡是不背离本发明构思的改变或等同替代均包括在本发明的保护范围之内。

结合高置信度更新与svm再检测技术的目标跟踪方法，具体包括以下步骤：

步骤1.读入待跟踪视频帧序列，在第一帧标记选择要跟踪的目标，初始化跟踪器；

步骤1.1：在给定初始目标框，确定所跟踪目标的中心位置。目标中心候选区域大小为初始目标外接矩形的1.5倍。

步骤1.2：提取第一帧目标中心候选区域hog特征。将得到的特征与汉宁窗相乘得到目标模版，根据得到的模版计算高斯矩阵图。

步骤2.对新一帧目标搜索区域进行特征提取，利用核相关滤波方法得到相关滤波响应图，响应图峰值位置可能为新一帧目标可能位置；

步骤2.1：对搜索区域(patch)进行特征提取，然后进行傅里叶变换，得到所跟踪目标的特征，具体计算表达式为，

步骤2.2：对下一帧待检测区域进行处理提取特征并对其进行汉宁窗处理，具体计算表达式为，

步骤2.3：根据所提取的特征计算响应图峰值位置

fmax＝maxf(z)＝max(response)。

步骤3.对步骤2得到的目标响应进行置信度判断，当目标处于高置信度状态时对滤波器模版进行更新，并把此帧提取特征与标签作为可靠性结果存入svm判断集中；当目标处于低置信度状态时，暂时停止滤波器模版更新；

在目标跟踪准确时，响应图峰值明显且接近理想二维高斯分布；当目标出现丢失时，响应图出现震荡。因此根据目标跟踪响应图峰值与震荡情况对目标跟踪可信度进行判断。响应图震荡判断具体计算公式为：

式中：fmax和fmin分别为目标响应的最大值和最小值。fw,h为目标在响应矩阵w行h列的值。

只有当目标跟踪置信度指标fmax和eapce分别以一定比例超过自身的历史均值时，可以认定当前帧的具有高置信度，具体计算公式为：

式中:α,β模版更新置信度参数。

步骤4.当目标长期处于低置信度状态，则判断目标被遮挡或者所跟踪的目标丢失。启动svm再检测模块，寻找本帧所提取的特征与svm判断集中最接近的数值。得分最高位置为重新找到所跟踪的目标的位置；

对所跟踪目标置信度进行判断，目标置信度eapce连续5帧低于所设定的可信度阈值tr时，启动检测器。具体计算公式为：

通过公式对预测位置进行打分，得分最高位置为检测器所预测位置。

步骤5.根据检测器得到的位置计算新一帧得到的模版xt-1和参数αt-1。对当前帧的参数进行插值更新,使滤波器能适应目标的变化并提高跟踪器的鲁棒性。

具体计算公式为：

步骤6.进行下一帧图像处理，重复步骤2，直至视频结束。

如图2所示，目标在正常被跟踪时，目标被部分遮挡或者完全遮挡时，目标响应峰值和波动情况分布图。在目标跟踪准确时，响应图峰值明显且接近理想二维高斯分布，如图2(a)显示；当目标出现部分遮挡时，响应图峰值fmax急剧减小，峰值波动情况判定指标eapce下降，如图2(b)显示。当目标被完全遮挡时，响应图峰值fmax与峰值波动情况判定指标eapce都变得很小，如图2(c)显示。因此根据目标跟踪响应图峰值与震荡情况对目标跟踪可信度进行判断，只有当响应图峰值fmax与峰值波动情况判定指标eapce以一定比例大于历史均值时，才可认定此时所跟踪目标处于高置信度状态，进行模版更新。

如图3所示，图表标题“successplotsofope”为一次通过评估成功率，图表横坐标“overlapthreshold”为不同的阈值，图表纵坐标“successrates”为成功率值。图表标签“our”为本发明方法，“tld”“struck”“dsst”“kcf”“mil”为目前比较流行的几种其他跟踪算法。本发明所提算法在一次通过评估成功率的标准下，本发明“our”的成功率为72.7％，远高于第二名算法“dsst”66.8％,近6个百分点，其他算法的成功率分别为：“kcf”61.9％，“struck”54.6％，“tld”52.4％,“mil”35.6％。说明本发明相比与其他跟踪算法有很好的跟踪性能。

如图4所示，图表标题“precisionplotsofope”为一次通过评估精确率，图表横坐标“locationerrorthreshold”为局部错误阈值，图表纵坐标“precision”为精确率值。本发明所提算法在一次通过评估精确率的标准下，本发明“our”的精确率为84.7％，远高于第二名算法“kcf”74.7％,近10个百分点，其他算法的成功率分别为：“dsst”74.4％，“struck”65.6％，“tld”61.6％,“mil”47.5％。说明本发明相比与其他跟踪算法精确度有很大提高，在目标被遮挡的情况下能精确定位所跟踪目标。

针对目标跟踪视频中存在的部分或完全遮挡、尺寸变换等问题，高置信度策略进行可信度判断，并当判断目标可能被遮挡或丢失时对目标进行重新检测。这一方法提高目标跟踪算法的性能和计算速度，并可以实现长时间稳定跟踪目标，有效克服一些环境因素的干扰，具有广泛的实际工程应用价值。

本发明不会限制于本文所示的实施例，而是要符合与本文所公开的原理和新颖性特点相一致的最宽范围。