(19)国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202210187384.7 (22)申请日 2022.02.28 (71)申请人 桂林电子科技大 学 地址 541004 广西壮 族自治区桂林市七 星 区金鸡路1号 (72)发明人 纪元法　何建中　韦照川　孙希延　 严素清　吴孙勇　付文涛　郭宁　 (74)专利代理 机构 桂林文必达专利代理事务所 (特殊普通 合伙) 45134 专利代理师 张学平 (51)Int.Cl. G06T 7/246(2017.01) G06T 7/90(2017.01) G06N 3/08(2006.01) G06K 9/62(2022.01)G06V 10/80(2022.01) G06V 10/774(2022.01) G06V 10/82(2022.01) (54)发明名称 一种多特征在线学习的抗遮挡相关滤波目 标跟踪方法 (57)摘要 本发明涉及计算机视觉技术领域， 尤其涉及 一种多特征在线学习的抗遮挡相关滤波目标跟 踪方法， 基于背景感知相关滤波器(BACF)， 利用 方向梯度直方图(HOG)特征和颜色特征(CN)训练 跟踪器来提高目标特征描述能力， 并以峰值旁瓣 比(PSR)作为融合因子在不同特征响应间实现融 合； 此外， 为了降低模型漂移的风险， 以历史平均 峰值相关能量(APCE)和历史平均最大值响应值 为阈值， 动态 地调整模型学习率以适应复杂的场 景变化， 有效降低了背景感知滤波器模型跟踪失 败的风险， 提高了系统精确性和鲁棒 性。 权利要求书1页 说明书6页 附图4页 CN 114612508 A 2022.06.10 CN 114612508 A 1.一种多特 征在线学习的抗遮挡相关滤波目标跟踪方法， 其特 征在于， 包括下列步骤： 建立初始化模型； 特征提取， 获取 方向梯度直方图特 征和颜色特 征； 自适应特 征融合； 遮挡判断及学习率更新； 尺度估计； 模型更新。 2.如权利要求1所述的多特 征在线学习的抗遮挡相关滤波目标跟踪方法， 其特 征在于， 所述多特征在线学习的抗遮挡相关滤波目标跟踪方法基于背景感知相关滤波方法进 行改进。 3.如权利要求1所述的多特 征在线学习的抗遮挡相关滤波目标跟踪方法， 其特 征在于， 在建立初始化模型的过程中， 根据第 一帧图像所提供的信 息， 分别训练颜色滤波器、 方 向梯度直方图滤波器和一维尺度滤波器。 4.如权利要求1所述的多特 征在线学习的抗遮挡相关滤波目标跟踪方法， 其特 征在于， 在特征提取的过程中， 分别提取输入图片序列的方向梯度直方图特征与颜色特征。 特 别说明的是颜色特征的提取过程中， 首先判断输入图片序列是否为彩色图片， 是则提取CN 特征和灰度特 征； 否则仅提取 灰度特征。 5.如权利要求1所述的多特 征在线学习的抗遮挡相关滤波目标跟踪方法， 其特 征在于， 在自适应特征融合的过程中， 不同特征通过相应的滤波器作相关运算后， 得到两个不 同的响应输出。 并分别计算它们的峰值旁瓣比作为各自融合因子， 加权求和得到最 终输出。 最终输出的最大响应值 位置作为目标中心点 位置。 6.如权利要求1所述的多特 征在线学习的抗遮挡相关滤波目标跟踪方法， 其特 征在于， 在遮挡判断及学习率更新的过程中， 首先对特征融合得到的最终响应作进一步分析， 通过对比当前帧最终响应图的最大峰值及平均峰值相关能量和它们各自的历史均值作对 比， 判断当前 所预测的目标状态是否可靠， 再根据给定更新策略动态调整模型 学习率。 7.如权利要求1所述的多特 征在线学习的抗遮挡相关滤波目标跟踪方法， 其特 征在于， 在尺度估计的过程中， 根据预测的目标位置构建尺度金字塔， 通过尺度滤波器计算得 到尺度响应， 选取最大响应值作为当前帧的最佳估计尺度。 8.如权利要求1所述的多特 征在线学习的抗遮挡相关滤波目标跟踪方法， 其特 征在于， 在模型更新的过程中， 记录当前帧最终响应图的最大峰值及平均峰值相关能量， 并计 算各自历史均值； 根据预测的目标位置及尺度信息， 分别训练颜色滤波器、 方向梯度直方图 滤波器和一维尺度滤波器， 重复流 程， 直到最后一帧视频帧结束。权　利　要　求　书 1/1 页 2 CN 114612508 A 2一种多特征在线学习的抗遮挡相关滤波目标跟踪 方法 技术领域 [0001]本发明涉及计算机视觉技术领域， 尤其涉及一种多特征在线学习的抗遮挡相关滤 波目标跟踪方法。 背景技术 [0002]目标跟踪是计算机视觉研究领域的热点之一。 在视频监控、 机器人和无人驾驶都 有着广泛的应用前景， 但在现实场景中会遭遇到诸多非理想情况的干扰， 诸如形变、 遮挡、 尺度变化、 光照变化、 快速运动、 运动模糊和背 景斑驳等导致算法跟踪失败。 然而， 大部 分优 秀的相关滤波算法没有很好的应对策略， 导致模型无法感知目标外观的变化情况， 模型在 训练阶段 学习到更多 背景信息或干扰信息， 误差逐渐积累而导 致跟踪失败或漂移。 发明内容 [0003]本发明的目的在于提供一种多特征在线学习的抗遮挡相关滤波目标跟踪方法， 提 高检测过程中目标特征的表达能力， 并且根据预测目标状态动态调整模型学习率以适应复 杂的场景变化， 提高系统的准确率和鲁棒 性。 [0004]为实现上述目的， 本发明提供了一种多特征在线学习的抗遮挡相关滤波目标跟踪 方法， 包括下列步骤： [0005]建立初始化模型； [0006]特征提取， 获取 方向梯度直方图特 征和颜色特 征； [0007]自适应特 征融合； [0008]遮挡判断及学习率更新； [0009]尺度估计； [0010]模型更新。 [0011]其中， 所述多特征在线学习的抗遮挡相关滤波目标跟踪方法基于背景感知相关滤 波方法进行改进。 [0012]其中， 在建立初始化模型的过程中， 根据第一帧图像所提供的信息， 分别训练颜色 滤波器、 方向梯度直方图滤波器和一维尺度滤波器。 [0013]其中， 在特征提取的过程中， 分别提取输入图片序列的方向梯度直方图特征与颜 色特征。 特别说明的是颜色特征的提取过程中， 首先判断输入图片序列是否为彩色图片， 是 则提取CN特 征和灰度特 征； 否则仅提取 灰度特征。 [0014]其中， 在自适应特征融合的过程中， 不同特征通过相应的滤波器作相关运算后， 得 到两个不同的响应输出。 并分别计算它们的峰值旁瓣比作为各自融合因子， 加权求和得到 最终输出。 最终输出的最大响应值 位置作为目标中心点 位置。 [0015]其中， 在遮挡判断及学习率更新的过程中， 首先对特征融合得到的最终响应作进 一步分析， 通过对比当前帧最终响应图的最大峰值及平均峰值相关能量和它们各自的历史 均值作对比， 判断当前所预测的目标状态是否可靠， 再根据给定更新策略动态调整模型学说　明　书 1/6 页 3 CN 114612508 A 3