1.一种基于全局‑局部及卡尔曼滤波的目标跟踪方法,其特征在于,包括:获取视频序列,所述视频序列为连续帧的视频图像;
根据所述视频序列构建得到基于卷积特征的全局滤波器,通过所述全局滤波器计算得到目标的第一位置结果;
根据所述视频序列构建得到基于手工特征的局部滤波器,通过所述局部滤波器计算得到所述目标的第二位置结果,所述局部滤波器至少为两个;
根据所述第一位置结果及所述第二位置结果判断是否满足目标跟踪可靠性;
若满足,则根据所述第一位置结果和所述第二位置结果得到所述目标的最终跟踪位置结果;
若不满足,则根据所述视频序列构建得到卡尔曼滤波器,通过所述卡尔曼滤波器、所述第一位置结果及所述第二位置结果,计算得到所述目标的最终跟踪位置结果;
所述根据所述视频序列构建得到基于卷积特征的全局滤波器,通过所述全局滤波器计算得到目标的第一位置结果,包括:获取所述视频序列的第一帧视频图像中的目标的目标信息;
根据所述目标的感兴趣区域计算得到图像块,建立每一个图像块的高斯标签函数;
对所述高斯标签函数进行离散傅里叶变换,得到频域高斯标签函数,根据所述频域高斯标签函数构建得到消除边界效应余弦窗;
对第t帧视频图像中的所述目标的候选区域进行划分,得到候选区域图像块,所述候选区域图像块的大小为第t‑1帧中所述目标大小的两倍,所述t为大于或等于2的正整数;
对所述候选区域图像块进行去均值处理,得到去均值候选区域图像块;
在所述去均值候选区域图像块采集所述目标的不同大小的尺度样本,构建得到尺度金字塔模型;
利用预先训练的深度卷积神经网络模型对所述尺度金字塔模型进行卷积特征提取,得到所述目标的深度卷积特征图;
通过所述消除边界效应余弦窗对所述深度卷积特征图进行消除边界效应处理;
根据相关滤波算法,构建得到每一个卷积特征的相关滤波器;
根据所述相关滤波器计算得到每一个卷积特征的相关滤波响应图;
对所述相关滤波响应图进行加权融合,得到融合响应图;
根据所述融合响应图构建得到基于卷积特征的全局滤波器;
根据当前帧视频图像中的所述目标的目标信息及所述基于卷积特征的全局滤波器,计算得到所述目标的第一位置结果。
2.根据权利要求1所述的方法,其特征在于,所述根据所述视频序列构建得到基于手工特征的局部滤波器,通过所述局部滤波器计算得到所述目标的第二位置结果,包括:获取所述视频序列的第一帧视频图像中的目标的目标信息,将所述目标划分为至少两个局部;
根据每一个局部的感兴趣区域计算得到图像块,建立每一个局部对应的每一个图像块的高斯标签函数;
对所述高斯标签函数进行离散傅里叶变换,得到频域高斯标签函数,根据所述频域高斯标签函数构建得到消除边界效应余弦窗;
对第t帧视频图像中的所述目标的每一个局部的候选区域进行划分,得到每一个局部的候选区域图像块,所述候选区域图像块的大小为第t‑1帧中对应的局部大小的两倍,所述t为大于或等于2的正整数;
对所述候选区域图像块进行去均值处理,得到去均值候选区域图像块;
提取每一个局部的所有候选区域图像块的颜色特征和方向梯度直方图特征,根据所述颜色特征和所述方向梯度直方图特征得到每一个局部的手工特征图;
通过所述消除边界效应余弦窗对所述手工特征图进行消除边界效应处理;
根据所述手工特征图进行自我核相关处理,得到核相关矩阵;
根据预构建的核相关滤波器和所述核相关矩阵,构建得到每一个局部的基于手工特征的局部滤波器;
根据当前帧视频图像中的所述目标的至少两个局部及所述基于手工特征的局部滤波器,计算得到每一个局部的局部位置结果;
根据所有局部位置结果计算得到所述目标的第二位置结果。
3.根据权利要求1‑2中任一项所述的方法,其特征在于,所述根据所述第一位置结果及所述第二位置结果判断是否满足目标跟踪可靠性,包括:根据所述第一位置结果,计算得到可靠圆半径,并设置可靠圆阈值系数;
根据所述第一位置结果和所述第二位置结果,计算得到欧式距离;
判断所述欧式距离是否大于所述可靠圆阈值系数和所述可靠圆半径的乘积;
当所述欧式距离小于或等于所述可靠圆阈值系数和所述可靠圆半径的乘积时,确定满足所述目标跟踪可靠性;
当所述欧式距离大于所述可靠圆阈值系数和所述可靠圆半径的乘积时,确定不满足所述目标跟踪可靠性。
4.根据权利要求3所述的方法,其特征在于,所述根据所述第一位置结果和所述第二位置结果得到所述目标的最终跟踪位置结果,包括:根据每一个局部位置结果,计算得到每一个局部的基于手工特征的局部滤波器的响应最大值;
当所有的响应最大值都大于所述可靠圆半径时,将所述第一位置结果作为最终跟踪位置结果;
当存在任意一个响应最大值小于或等于所述可靠圆半径时,对所述第一位置结果和所述第二位置结果进行预置权重计算,得到最终跟踪位置结果。
5.一种基于全局‑局部及卡尔曼滤波的目标跟踪装置,其特征在于,包括:视频获取模块,用于获取视频序列,所述视频序列为连续帧的视频图像;
全局滤波模块,用于根据所述视频序列构建得到基于卷积特征的全局滤波器,通过所述全局滤波器计算得到目标的第一位置结果;
局部滤波模块,用于根据所述视频序列构建得到基于手工特征的局部滤波器,通过所述局部滤波器计算得到所述目标的第二位置结果,所述局部滤波器至少为两个;
可靠性判断模块,用于根据所述第一位置结果及所述第二位置结果判断是否满足目标跟踪可靠性;
处理模块,用于当所述第一位置结果及所述第二位置结果满足目标跟踪可靠性时,根据所述第一位置结果和所述第二位置结果得到所述目标的最终跟踪位置结果;
卡尔曼滤波模块,用于当所述第一位置结果及所述第二位置结果不满足目标跟踪可靠性时,根据所述视频序列构建得到卡尔曼滤波器,通过所述卡尔曼滤波器、所述第一位置结果及所述第二位置结果,计算得到所述目标的最终跟踪位置结果;
所述全局滤波模块,具体用于获取所述视频序列的第一帧视频图像中的目标的目标信息;
所述全局滤波模块,还用于根据所述目标的感兴趣区域计算得到图像块,建立每一个图像块的高斯标签函数;
所述全局滤波模块,还用于对所述高斯标签函数进行离散傅里叶变换,得到频域高斯标签函数,根据所述频域高斯标签函数构建得到消除边界效应余弦窗;
所述全局滤波模块,还用于对第t帧视频图像中的所述目标的候选区域进行划分,得到候选区域图像块,所述候选区域图像块的大小为第t‑1帧中所述目标大小的两倍,所述t为大于或等于2的正整数;
所述全局滤波模块,还用于对所述候选区域图像块进行去均值处理,得到去均值候选区域图像块;
所述全局滤波模块,还用于在所述去均值候选区域图像块采集所述目标的不同大小的尺度样本,构建得到尺度金字塔模型;
所述全局滤波模块,还用于利用预先训练的深度卷积神经网络模型对所述尺度金字塔模型进行卷积特征提取,得到所述目标的深度卷积特征图;
所述全局滤波模块,还用于通过所述消除边界效应余弦窗对所述深度卷积特征图进行消除边界效应处理;
所述全局滤波模块,还用于根据相关滤波算法,构建得到每一个卷积特征的相关滤波器;
所述全局滤波模块,还用于根据所述相关滤波器计算得到每一个卷积特征的相关滤波响应图;
所述全局滤波模块,还用于对所述相关滤波响应图进行加权融合,得到融合响应图;
所述全局滤波模块,还用于根据所述融合响应图构建得到基于卷积特征的全局滤波器;
所述全局滤波模块,还用于根据当前帧视频图像中的所述目标的目标信息及所述基于卷积特征的全局滤波器,计算得到所述目标的第一位置结果。
6.根据权利要求5所述的装置,其特征在于,
所述局部滤波模块,具体用于获取所述视频序列的第一帧视频图像中的目标的目标信息,将所述目标划分为至少两个局部;
所述局部滤波模块,还用于根据每一个局部的感兴趣区域计算得到图像块,建立每一个局部对应的每一个图像块的高斯标签函数;
所述局部滤波模块,还用于对所述高斯标签函数进行离散傅里叶变换,得到频域高斯标签函数,根据所述频域高斯标签函数构建得到消除边界效应余弦窗;
所述局部滤波模块,还用于对第t帧视频图像中的所述目标的每一个局部的候选区域进行划分,得到每一个局部的候选区域图像块,所述候选区域图像块的大小为第t‑1帧中对应的局部大小的两倍,所述t为大于或等于2的正整数;
所述局部滤波模块,还用于对所述候选区域图像块进行去均值处理,得到去均值候选区域图像块;
所述局部滤波模块,还用于提取每一个局部的所有候选区域图像块的颜色特征和方向梯度直方图特征,根据所述颜色特征和所述方向梯度直方图特征得到每一个局部的手工特征图;
所述局部滤波模块,还用于通过所述消除边界效应余弦窗对所述手工特征图进行消除边界效应处理;
所述局部滤波模块,还用于根据所述手工特征图进行自我核相关处理,得到核相关矩阵;
所述局部滤波模块,还用于根据预构建的核相关滤波器和所述核相关矩阵,构建得到每一个局部的基于手工特征的局部滤波器;
所述局部滤波模块,还用于根据当前帧视频图像中的所述目标的至少两个局部及所述基于手工特征的局部滤波器,计算得到每一个局部的局部位置结果;
所述局部滤波模块,还用于根据所有局部位置结果计算得到所述目标的第二位置结果。
7.根据权利要求5‑6中任一项所述的装置,其特征在于,所述可靠性判断模块,具体用于根据所述第一位置结果,计算得到可靠圆半径,并设置可靠圆阈值系数;
所述可靠性判断模块,还用于根据所述第一位置结果和所述第二位置结果,计算得到欧式距离;
所述可靠性判断模块,还用于判断所述欧式距离是否大于所述可靠圆阈值系数和所述可靠圆半径的乘积;
所述可靠性判断模块,还用于当所述欧式距离小于或等于所述可靠圆阈值系数和所述可靠圆半径的乘积时,确定满足所述目标跟踪可靠性;
所述可靠性判断模块,还用于当所述欧式距离大于所述可靠圆阈值系数和所述可靠圆半径的乘积时,确定不满足所述目标跟踪可靠性。
8.根据权利要求7所述的装置,其特征在于,
所述处理模块,具体用于根据每一个局部位置结果,计算得到每一个局部的基于手工特征的局部滤波器的响应最大值;
所述处理模块,还用于当所有的响应最大值都大于所述可靠圆半径时,将所述第一位置结果作为最终跟踪位置结果;
所述处理模块,还用于当存在任意一个响应最大值小于或等于所述可靠圆半径时,对所述第一位置结果和所述第二位置结果进行预置权重计算,得到最终跟踪位置结果。