技术特征：
1.一种基于相关滤波的长时目标跟踪方法，其特征在于，包括下列步骤：步骤1、输入目标跟踪图像序列；步骤2、采用自适应特征融合方法训练滤波器模板；步骤3、根据目标图像位置和尺度大小训练结构化支持向量机；步骤4、初步确定目标位置；步骤5、目标位置重确定；步骤6、自适应目标尺度估计；步骤7、所述滤波器模板更新检测；步骤8、模型更新；步骤9、阈值更新；步骤10、确定结果输出。2.如权利要求1所述的基于相关滤波的长时目标跟踪方法，其特征在于，所述目标跟踪图像序列为已知目标图像序列，输入时获取目标在首帧的中心位置与尺度大小。3.如权利要求1所述的基于相关滤波的长时目标跟踪方法，其特征在于，在采用自适应特征融合方法训练滤波器模板的过程中，提取目标融合特征，将融合特征降维处理，并训练目标融合特征的滤波器模板。4.如权利要求3所述的基于相关滤波的长时目标跟踪方法，其特征在于，所述目标融合特征为多特征融合，基于相关滤波提取多层卷积特征作为深层特征，梯度直方图特征和颜色提名特征作为浅层特征。5.如权利要求1所述的基于相关滤波的长时目标跟踪方法，其特征在于，在初步确定目标位置的过程中，根据训练好的目标滤波器模板，计算目标响应，响应最大值处即为目标预测位置。6.如权利要求1所述的基于相关滤波的长时目标跟踪方法，其特征在于，在目标位置重确定的过程中，判断步骤4中的目标响应最大值是否满足目标检测阈值条件，如果大于阈值继续执行步骤6，如果小于阈值则进行目标检测重新确定目标位置。7.如权利要求1所述的基于相关滤波的长时目标跟踪方法，其特征在于，在自适应目标尺度估计的过程中，将lpt尺度估计法作为独立模块，再与常规相关滤波构成的位置滤波器并联，组成自适应尺度变化的快速相关滤波器。8.如权利要求1所述的基于相关滤波的长时目标跟踪方法，其特征在于，在所述滤波器模板更新检测的过程中，当图像序列为3的整数倍时对所述滤波器模板进行更新。9.如权利要求1所述的基于相关滤波的长时目标跟踪方法，其特征在于，在模型更新的过程中，在目标预测位置以目标尺度估计大小提取目标融合特征，并更新目标特征，然后按照特征融合方法训练目标滤波器模板，当目标响应最大值大于分类器更新阈值时，更新所述训练结构化支持向量机。10.如权利要求1所述的基于相关滤波的长时目标跟踪方法，其特征在于，在确定结果输出的过程中，包括下列步骤：检测所述目标跟踪图像序列是否最后一帧，若检测为最后一帧，则输出结果；若检测为否，则转回步骤4继续执行。
技术总结
本发明公开了一种基于相关滤波的长时目标跟踪方法，首先，基于相关滤波提取多层卷积特征作为深层特征，颜色直方图特征作为浅层特征，采用深浅层自适应融合策略来增强特征判别力，并对融合特征进行降维来提高目标跟踪的速度；然后，通过自适应尺度的相关滤波跟踪算法把目标的尺度变化转化为位移信号，对目标模板变换前后分别提取方向梯度直方图特征，建立位移与尺度的滤波模型，并在相关滤波框架下同步跟踪目标的位移和尺度因子，融合得到目标跟踪框；最后，自适应确定目标检测阈值，通过EdgeBoxs方法提取目标候选区域，利用结构化支持向量机重新检测目标位置达到长时跟踪的目的。的。的。
技术研发人员：孙希延 尹盼 鞠涛 杜洋 付文涛 梁维彬
受保护的技术使用者：桂林电子科技大学
技术研发日：2021.10.30
技术公布日：2022/2/18