(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 202210824139.2 (22)申请日 2022.07.13 (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 崔丽群　德仕琪　郝思雅　 (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 专利代理师 韩登营 (51)Int.Cl. G06V 10/764(2022.01) G06V 10/774(2022.01) G06V 10/80(2022.01) G06V 20/52(2022.01) G06T 5/20(2006.01)G06F 17/16(2006.01) G06F 17/14(2006.01) (54)发明名称 一种融合多特征尺度自适应的重检测跟踪 算法 (57)摘要 本发明公开了一种融合多特征尺度自适应 的重检测跟踪算法， 包括： 对两种特征进行了线 性融合， 分别计算图像在不同特征下的响应， 在 对不同特征下的不同响应进行融合， 得到最终的 响应图， 进而预测目标的位置； 采用自适应尺度 滤波器来估计目标的尺度变化； 采用平均峰值 ‑ 相关能量遮挡判据； 使用SVM分类器用于目标重 检测。 本发 明的融合多特征尺度自适应的重检测 跟踪算法用于实时跟踪所需跟踪的目标， 针对目 标的尺度变化和遮挡后重新跟踪加以改进， 以便 及时发现行人的异常行为 或场景中的安全隐患， 广泛应用于日常生活的各个角落， 智能监控通过 对可疑行人的识别和跟踪， 自动分析， 提高效率 的同时极大地减轻了人们的工作负担 。 权利要求书1页 说明书5页 附图1页 CN 115205591 A 2022.10.18 CN 115205591 A 1.一种融合多特 征尺度自适应的重检测跟踪算法， 其特 征在于， 包括以下步骤： 步骤1： 对两种特征进行了线性融合， 分别计算图像在不同特征下的响应， 在对不同特 征下的不同响应进行融合， 得到最终的响应图， 进 而预测目标的位置； 步骤2： 采用自适应尺度滤波器来估计目标的尺度变化； 步骤3： 采用平均峰值 ‑相关能量遮挡 判据； 步骤4： 使用SVM分类 器用于目标重检测。 2.如权利要求1所述的融合多特征尺度自适应的重检测跟踪算法， 其特征在于， 在步骤 2中， 设图像块大小为M ×N， 目标尺度池表示 为： 式中， M和N分别表示上一帧目标的高度和宽度， α为尺度因子＝1.02， γ为尺度池图像 块数＝33； 根据上一帧的核相关滤波器预测到目标位置， 在目标位置的基础上通过调 整跟踪框的 比例， 根据响应值 寻找最匹配的尺度来实现尺度自适应。 3.如权利要求1所述的融合多特征尺度自适应的重检测跟踪算法， 其特征在于， 在步骤 3中， 平均峰值 ‑相关能量的定义 为： 式中， Fmax、 Fmin和Fw， h分别是f(z)的峰值、 谷值和(w， h)坐标对应的响应值， mean( ·)是 算术平均值函数， AP CE值越大表示当前跟踪 结果的置信度越 大， 当APCE值突然减少时， 说明 出现了遮挡或目标丢失的情况； 采用稀疏策 略以保障跟踪速度和防止冗余操作， 当APCE的 值持续n帧小于给定阈值时， 判断跟踪失败， 启用重检测模块。权　利　要　求　书 1/1 页 2 CN 115205591 A 2一种融合多特征尺度自适应的重检测跟踪算法 技术领域 [0001]本发明属于计算机视觉的技术领域， 尤其涉及一种融合多特征尺度自适应的重检 测跟踪算法。 背景技术 [0002]在计算机视觉领域中， 目标跟踪是十分重要的一个研究方向， 随着近些年来专家 学者们的研究， 目标跟踪在很多领域包括视频监控、 无人驾驶、 人机交互等有了广泛的应 用。 [0003]当前主流的目标跟踪技术主要为两种： 深度学习方向和相关滤波方向， 在实际应 用场景中， 基于深度学习的目标跟踪算法在出现遮挡、 复杂背 景等场景中的跟踪精度较好， 但由于其需要大量的数据集进行训练， 对于计算机硬件的要求较高， 因此跟踪的实时性较 差。 而相关滤波方向在目标跟踪过程中具有更好的实时性， 同时也具有较好的跟踪精度。 [0004]Bolme等最先将通信领域的相关滤波引入到目标跟踪中， 并提出误差最小平方和 滤波器(MOSSE)跟踪算法； Henriques等在此基础上引入了循环矩阵和 核方法， 提出核循环 (CSK)跟踪算法。 MOOSE算法的跟踪速度很高， 可以达到每秒钟600多帧， 但是由于它的训练 样本很有限， 因此对于跟踪的鲁棒性也较差， 常出现跟踪漂移的现象； CSK算法尽管引入了 循环矩阵和核方法， 但是其缺少对于跟踪目标尺度变化的描述， 因此当目标发生较大 的尺 度变化， CSK算法的固定大小跟踪框就会学习到过多的目标局部特征信息， 从而常常发生跟 踪的漂移和失败。 [0005]针对目标模板固定大小的问题， Danelljan  M等在KCF的基础上增加了尺度滤波 器， 提出了判别尺度空间跟踪(DSST)算法， 对于目标尺度大小的变化可以进行实时调整和 变化， 相比CSK算法具有更好的鲁棒 性和对目标尺度变化的适应性。 [0006]DSST算法尽管可以对目标尺度的变化进行自适应， 但是由于其对于目标的特征提 取较为单一， 只提取了单一的梯度直方图， 也叫H OG特征， 因此当目标背 景杂乱、 光照变化等 情况下， 跟踪精度较差 。 [0007]目标跟踪在实际跟踪过程中存在一些难点， 在面对复杂场景时， 无法准确预估目 标的尺度变化， 传统算法如M OOSE、 CSK的固定大小尺度框会 过多的学习局部特征， 导致跟踪 漂移； 当目标的背景杂乱， 光照颜色等变化时， DSST算法无法准确进行目标的跟踪； 当目标 出现干扰和遮挡时， 在遮挡后无法准确重新定位目标位置， 导 致跟踪发生漂移。 发明内容 [0008]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融合多特征尺 度自适应的重检测跟踪算法， 准确预估目标的尺度变化， 准确进 行目标的跟踪， 重新定位目 标位置。 [0009]为了解决上述 技术问题， 本发明通过以下技 术方案来实现： [0010]本发明提供的融合多特 征尺度自适应的重检测跟踪算法， 包括以下步骤：说　明　书 1/5 页 3 CN 115205591 A 3