(19)中华 人民共和国 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 202111480438.0 (22)申请日 2021.12.0 6 (71)申请人 辽宁工程技术大学 地址 123000 辽宁省阜新市细河区中华路 47号 (72)发明人 姜文涛　崔江磊　 (74)专利代理 机构 北京华夏正 合知识产权代理 事务所(普通 合伙) 11017 代理人 韩登营 (51)Int.Cl. G06T 7/246(2017.01) G06N 20/00(2019.01) (54)发明名称 一种基于空间差异感知特征的相关滤波跟 踪方法 (57)摘要 本发明公开了一种基于空间差异感知特征 的相关滤波跟踪方法， 步骤为： 分别提取搜索区 域中目标和背景的特征信息， 通过融合位置信 息， 构造空间差异感知特征； 利用交替方向乘子 法降低算法复杂度； 将目标响应图、 背景响应图 与差异感知响应图进行融合， 对目标进行位置与 尺度的预测。 本发明将前景和背景的传统特征与 位置信息进行融合， 构成空间差异感知特征， 通 过对前景与背景的间隔采样， 提取空间差异感知 特征， 计算得到空间差异感知特征矩阵， 通过空 间差异感知特征矩 阵对待搜索区域进行权重再 分配， 保证分配给目标空间差异响应值高的训练 权重高于响应值低的部分， 更有效地融合目标的 特征信息与位置信息， 有效解决目标漂移问题。 权利要求书1页 说明书10页 附图2页 CN 114119672 A 2022.03.01 CN 114119672 A 1.一种基于空间差异感知特 征的相关滤波跟踪方法， 其特 征在于， 包括以下步骤： S1： 分别提取搜索区域中目标和背景的特征信 息， 通过融合位置信息， 构造空间差异感 知特征； S2： 利用交替方向乘子法降低算法复杂度； S3： 将目标响应图、 背景响应图与差异感知 响应图进行融合， 对目标进行位置与尺度的 预测。 2.如权利要求1所述的基于空间差异感知特征的相关滤波跟踪方法， 其特征在于， 所述 空间差异感知特 征包括特 征差异向量、 空间差异 矩阵和空间差异特 征张量。 3.如权利要求1所述的基于空间差异感知特征的相关滤波跟踪方法， 其特征在于， 步骤 S2的具体步骤如下： 步骤1： 根据初始帧图像和目标尺寸坐标信息， 计算并裁剪出目标区域与Padding区域； 提取目标的外观特征， 建立初始目标特征模 型； 提取Padding区域的外观特征， 建立Padding 特征模型； 储存当前帧的目标区域和Padding区域； 计算Padding区域的区域复杂度项， 并根 据Padding区域的复杂度与得到的初始目标特征模型进行滤波器训练， 得到初始滤波器模 板； 步骤2： 根据得到的前景滤波器模板来确定下一帧目标的位置； 计算并得到响应 图， 以 确定当前跟踪情况下 的跟踪置信度； 当跟踪置信度满足前景跟踪置信度时， 响应图中最大 值所处位置即为目标中心， 并进入模型更新阶段； 若跟踪置信度不满足前景跟踪置信度， 则 进入空间差异 跟踪阶段； 步骤3： 根据储存 的目标区域和Padding区域进行特征提取， 得到背景特征模型和空间 差异特征模型； 根据上一帧的区域复杂度进行滤波器训练得到空间差异特征滤波器模板； 将前景响应图、 背景响应图和差异相应图进行叠加 运算， 并得到最终的空间差异感知响应 图； 响应图最大值所处位置即为目标中心， 并进入 模型更新阶段； 步骤4： 裁剪 并储存当前帧的目标和 Padding区域； 若跟踪置信度满足前景跟踪置信度， 则根据跟踪结果， 采取较高学习率训练下一帧图像的相关滤波器并更新模型； 若跟踪置信 度不满足前景跟踪置信度， 则根据跟踪结果， 采取较低学习率训练下一帧图像的相关滤波 器并更新模型。权　利　要　求　书 1/1 页 2 CN 114119672 A 2一种基于空间差异 感知特征的相关滤波 跟踪方法 技术领域 [0001]本发明涉及一种基于空间差异感知特 征的相关滤波跟踪方法。 背景技术 [0002]目标跟踪是计算机视觉领域内一项具有挑战性的任务， 一般指通过运算设备在一 段连续时间内的数字化图像 或视频序列中， 对 单个或多个人为预设且具有明显语义特征的 数字图像目标连续地进行位置检测。 目前这项技术在自动驾驶、 智能监控、 手势识别、 军事 侦查以及智慧城市等技术领域内均有重要应用。 近年来， 目标跟踪方向的发展迅速， 技术迭 代频繁， 且融合了信号、 深度学习等多个领域的相关方法。 但是， 目标跟踪依然存在着诸如 光照变化、 目标遮挡、 目标形变及旋转等一系 列难点， 如何在复杂情况下对目标进 行稳定准 确的跟踪仍是当前研究的热点问题之一。 [0003]相关滤波算法因其优异的速度和良好的跟踪精度被国内外研究人员进行大量的 研究。 最小输出平方和误差跟踪算法(MOSSE， Bolme等， 2010)， 首次将相关滤波(CF)用在了 跟踪领域， 该方法在目标和检测区域做相关性， 通过快速傅里叶变换将计算从时域转换到 频域， 在降低运算量的同时提高了跟踪速度。 为了解决MOSSE算法中样本数量不足的问题， 核循环结构(CSK， Henriques， 2012)通过循环采样的方法， 充分采集了视频序列中的目标特 征， 提升了跟踪效果。 核相关滤波算法(KCF， Henriques， 2014)引入核函数将非线性问题转 化为高维空间中的线性问题， 该方法采用了方向梯度直方图(H OG)特征， 在提高算法跟踪速 度的同时， 对跟踪的精度也有 所提高， 但对于目标快速运动或发生形变的情况下， 跟踪效果 较差。 基于空间正则化的相关滤波算法(SRDCF， Danelljan， 2016)通过扩大样本搜索区域， 与加入空间正则化约束的方法解决了目标快速运动或形变时准确率低的问题， 但由于运算 复杂， 跟踪速度较慢， 因此不适用于实时跟踪。 背景感知相关滤波算法(BACF， Galoogahi， 2017)通过在传统相关滤波框架的基础上扩大循环矩阵的采样区域来扩大样本数量， 同时 对样本进 行裁剪， 在每个样 本上筛选出有效区域以保证样 本的质量， 跟踪效果达到33.9帧/ 秒。 空间与时间正则 化算法(STRCF， Li， 2018)在SRDCF的基础上加 入了时间正则 化， 舍弃了 初始帧到当前帧的跟踪背景样本， 在保证跟踪精度的同时提高了跟踪速度。 自适应空间加 权相关滤波跟踪算法(ASRCF， Dai， 2019)通过自适应空间约束机制， 高效地学习到一个空间 权重以适应外观的目标变化， 从而达到更加鲁棒的跟踪效果， 在较高精度的同时有效减少 计算量， 达到了实时跟踪速度。 [0004]传统滤波器虽然通过扩大搜索区和裁剪等方法， 在增加样本数量的同时保证了样 本质量， 通过图像序列中像素本身及其邻域的特征信息进行跟踪， 但在优化的过程中仅通 过优化训练样本和增加惩罚项稀疏来提高跟踪器的性能， 忽略了目标与背 景之间的位置关 系， 导致复杂场景 下出现相似目标时， 容 易出现目标漂移、 丢失等问题。 发明内容 [0005]基于以上现有技术的不足， 本发明所解决的技术问题在于提供一种基于空间差异说　明　书 1/10 页 3 CN 114119672 A 3