CN114155279B 一种基于多特征博弈的视觉目标跟踪方法 （西安邮电大学）

主要通过初始化跟踪器并读取视频序列的初始对筛选出的博弈候选者进行多特征博弈以预测2te")S300：将所述搜索区域图像的1维灰度特征与所述31554维的新的特征向量x,(,e8)；s；S600：将步骤S500中得到的三种基础特征向量按照步骤S1100：根据博弈融合得到的响应图的峰值确定最终预测结果的中心位置以实现对视S1300：输入下一帧图像，循环步骤S500至S1200根据多特征相互评估和自我评估策略计算每个特征的鲁棒性分数特征的鲁棒性分数均值的特征数量N,并将3t-1表示前一帧的滤波S101：对于初始帧的输入图像，通过给定经过采用在大规模数据集ImageNet上经过预先训练的卷积神经网络VGG-16模型作为特征4[0003]目标跟踪技术主要应用于对视频或连续有语义关联的图像中任意目标的空间位标跟踪算法。基于判别式相关滤波(DCF)的目标跟踪算法将目标跟踪问题的求解视为一个进行相关运算来区分目标的前景和背景。DCF算法将跟踪问题转化为对一个岭回归问题的的跟踪算法开始采用CNN预训练模型提取深度特征对目标外观进行建模，以实现对目标的能够根据不同的跟踪场景自适应地选择当前最佳的特征或特征组合进行跟踪以及如何实现不同特征之间的自适应融合仍然是目前亟5[0009]传统的模型更新策略是在完成每帧的目标定位和尺度估计后对滤波器模型进行616维特征向量并将前述CN特征向量记为将x1、x2和xDEEP进行拼接将x2′[0022]S1100：根据博弈融合得到的响应图的峰值确定最终预测结果的中心位置以实现[0025]通过上述技术方案，本方法采用多种视觉特征以实现对目标进行更加全面的表特征图的质量来反映当前的跟踪置信度，并根据所得到的置信度分数进行自适应模型更7[0027]图1是本公开一个实施例中所提供的一种基于多特征博弈的视觉目标跟踪方法流[0030]面将参照附图1至图3详细地描述本公开的具体实施例。参见图1，在一个实施例16维特征向量并将前述CN特征向量记为X5('seR");将x1、x2和xDEEP进行拼接将x23和xDEEP进行拼接得到538维的新的特征向量将x1、x2、x3和′[0041]S1100：根据博弈融合得到的响应图的峰值确定最终预测结果的中心位置以实现特征两种具有代表性的手工特征以及近年来流行的由卷积神经网络(CNN)预训练模型提取8[0046]HOG特征是一种用于表征目标局部梯度信息的特征描述子。作为计算机视觉和图9[0059]采用在大规模数据集ImageNet上经过预先训练的卷积神经网络VGG16模型作为特Y。其中，I表示的是单位矩阵。因此，对于特征向量x，其对应的滤波器的解为以及预测的中征之间重叠率在短时间Δt内的波动程度在一定程度反映了该特征与其他特征重叠率的稳[0079]为保持时间稳定性，给最近分数分配较高的权重，使用一个递增的权重序列W=g2}，(g＞1)将其引入均值和标准差后分别得到和[0082]单个特征的自我评估用于衡量同一特征在连续两帧所预测中心位置的平滑程第t帧与第t-1帧边界框的欧氏距离为代表边界框的中心u的自我评估得分可表示为：[0090]博弈论是一种研究两个及两个以上具有竞争性质的个体之间优化策略的数学理为自身利益的一部分。尽管这个权重ω是[0093]其中G1和G2分别为二者的收益函数。为使参与者在博弈过程[0099]我们构建了7种不同的视觉特征并通过计算各特征的鲁棒性分数选择出N个鲁棒帧提前得到的特征，通过公式(11)计算所有特征通道的BFAER值，设置通道阈值ξ,将BFAER值大于ξ的通道视为有效通道并统计有效通道的个数N"(N"=[N",N",…,NYI),这里我们将Ne