基于混合去噪耦合核相关滤波的高噪声灰度图像实时高鲁棒性目标跟踪方法

本发明属于计算机视觉与图像处理，具体涉及一种基于混合去噪耦合核相关滤波的高噪声灰度图像实时高鲁棒性目标跟踪方法，适用于高噪声灰度图像序列中动态目标的实时跟踪，可广泛应用于工业自动化、机器人导航、交通监控、辅助驾驶、无人机视觉、安防监控等领域。

背景技术：

1、目标跟踪是计算机视觉领域的重要研究方向，其核心任务是通过处理视频序列中的连续图像帧，对目标的位置、速度、运动轨迹等信息进行检测、估计与预测。核相关滤波算法因其实现简单、计算速度快、跟踪精度较高而受到广泛关注。该算法通过循环矩阵对目标模板进行密集采样，并利用快速傅里叶变换将相关运算转换到频域进行高效计算，结合方向梯度直方图特征实现快速的目标位置估计，在低噪声或理想环境下具有较好的跟踪性能。

2、然而，在实际应用中，目标跟踪面临诸多挑战，现有核相关滤波技术存在以下不足：

3、（一）现有去噪方法难以适应动态变化的噪声环境，导致目标特征提取精度不足：实际采集的视频序列往往受到传感器噪声、量化误差、压缩伪影等多种噪声源的影响，导致图像信噪比下降。高噪声灰度图像中，目标的边缘、纹理等细节特征极易被噪声淹没甚至丢失。现有技术中，去噪预处理与目标跟踪通常作为两个独立环节处理，缺乏对图像噪声水平的动态感知与自适应调整能力。传统的固定去噪方法无法根据帧间灰度波动程度自适应切换滤波策略，难以在抑制噪声与保持边缘细节之间取得平衡，导致滤波模板被污染，目标特征提取与匹配的准确度降低。（二）现有尺度估计方法难以适应目标快速形变，尺度漂移问题突出：在目标运动过程中，由于距离和视角的变化，目标在图像中的尺度会持续发生变化。现有核相关滤波算法的尺度估计方法通常采用固定尺度因子或简单的尺度池策略，缺乏对历史帧尺度变化趋势的动态感知与权重调节机制。当目标发生快速形变时，相邻视频帧的尺度变化率增大，固定尺度因子难以有效响应，导致尺度估计偏差累积，最终引发尺度漂移，严重影响跟踪精度。此外，传统方法对各尺度样本的评估缺乏加权机制，过大或过小的尺度因子均可能对追踪过程产生负面影响。（三）缺乏有效的重检测机制，长时间遮挡场景下目标易永久丢失：在目标跟踪过程中，遮挡、目标快速运动及背景杂乱是导致跟踪失败的主要因素。现有核相关滤波算法缺乏对跟踪结果置信度的有效评判机制，当目标被遮挡或跟踪失败后，响应图置信度显著下降，算法缺少有效的重检测与恢复策略。即使部分方法设计了重检测方案，通常也采用单一尺度的全局搜索方式，计算开销大且搜索效率低，难以兼顾重检测成功率与实时性要求，导致目标在长时间遮挡后永久丢失，跟踪序列中断。（四）模型更新缺乏动态调控，模板漂移与场景适配矛盾突出：现有核相关滤波算法在模型更新方面通常采用固定学习率，难以平衡历史信息与新观测信息的权重。在高噪声环境下，固定学习率容易导致两种极端情况：学习率过高时，单帧噪声污染被快速引入模型，引发模板漂移；学习率过低时，模型无法及时适应目标的外观变化和场景演变。这一矛盾在长时跟踪任务中尤为突出，导致跟踪器在复杂场景下的自适应能力不足。（五）各环节独立运行缺乏协同，整体鲁棒性不足：现有技术中，去噪预处理、目标定位、尺度估计、模型更新等各环节通常独立设计并依次串联，各模块之间缺乏有效的数据传递与反馈协同机制。去噪环节不考虑后续跟踪需求，尺度估计不利用目标定位的置信度信息，模型更新不感知跟踪结果的可靠性。各环节独立运行导致误差逐级累积，一旦某一环节出现偏差，后续环节无法进行纠正和补偿，整体系统在复杂环境下的鲁棒性难以保障。

4、综上所述，现有的核相关滤波目标跟踪方法在高噪声灰度图像场景下，难以在有效抑制噪声干扰的同时处理目标尺度变化和遮挡等问题，亟需一种能够实现自适应去噪、尺度优化、重检测恢复及模块协同的实时高鲁棒性目标跟踪方法。

技术实现思路

1、为解决上述现有技术存在的不足，本发明提供了一种基于混合去噪耦合核相关滤波的高噪声灰度图像实时高鲁棒性目标跟踪方法，通过混合去噪模块、自适应尺度模块和重检测模块的协同工作，形成跟踪闭环，实现高噪声灰度图像中动态目标的可靠、准确、实时跟踪。

2、为实现上述目的，本发明采用如下技术方案：

3、一种基于混合去噪耦合核相关滤波的高噪声灰度图像实时高鲁棒性目标跟踪方法，所述方法包括混合去噪模块、自适应尺度模块和重检测模块，各模块协同工作形成跟踪闭环，其具体步骤为：

4、步骤一、获取当前帧图像并进行目标位置初始化。输入当前帧的图像作为算法的输入参数，同时获取目标在上一帧的位置坐标及初始感兴趣区域，将上一帧图像和初始感兴趣区域作为输入参数输入到算法中，用于驱动算法完成对目标位置的更新。

5、步骤二、通过混合去噪模块对输入帧图像进行自适应去噪预处理。混合去噪模块用于减少噪声对滤波模板的污染，提高目标有效特征的提取与匹配的准确度。

6、步骤三、通过自适应尺度模块对去噪后的图像进行尺度调整。自适应尺度模块用于适应目标在运动过程中因距离、视角变化引起的形变，提高算法对目标快速形变的鲁棒性。

7、步骤四、通过重检测模块应对跟踪失败与遮挡。重检测模块用于在目标跟踪失败或响应图置信度低于阈值时，在局部区域重新搜索目标，以防止因遮挡而导致的目标丢失。

8、步骤五、通过可视化输出与模型更新保障目标跟踪持续性。根据目标位置和尺度在原图上绘制目标跟踪结果框，并标注跟踪状态，以可视化形式呈现目标位置与跟踪状态，便于结果分析。同时，利用当前帧的跟踪结果更新滤波器系数和基样本，使模型适应目标的外观变化，完成更新后返回步骤一继续处理下一帧图像，形成跟踪循环。

9、进一步地，步骤一具体为：

10、输入当前帧的图像作为算法的输入参数，同时获取目标在上一帧的位置坐标及初始感兴趣区域，将上一帧图像和初始感兴趣区域作为输入参数输入到算法中，用于驱动算法完成对目标位置的更新。

11、进一步地，步骤二具体为：

12、（1）计算帧间灰度变化以评估图像噪声水平。计算当前帧图像相对于上一帧图像的平均灰度值变化，用于表征当前帧图像的灰度波动程度及噪声水平，为后续去噪算法的自适应选择提供判定依据。

13、（2）根据帧间灰度变化自适应选择去噪算法。将当前帧图像的平均灰度值变化与设定的灰度变化阈值进行比较，自适应地选择不同的去噪算法，并动态调整滤波权重：

14、若当前帧图像的平均灰度值变化大于设定的灰度变化阈值，说明当前帧图像灰度变化剧烈，图像中目标边缘、纹理等细节特征可能被噪声淹没，则采用双边滤波进行去噪。双边滤波在平滑噪声的同时能够保持边缘结构，避免目标轮廓模糊。双边滤波的输出点根据输入点及其邻域范围内各点的像素值，结合空间位置权重和像素值权重共同计算得出，其中空间位置权重由像素点与中心点的空间距离决定，像素值权重由像素点与中心点的灰度值差异决定，两者的乘积作为该输入点在滤波计算中的综合权重。

15、若当前帧图像的平均灰度值变化小于或等于设定的灰度变化阈值，说明当前帧图像灰度变化平缓，图像中主要存在椒盐类脉冲噪声，则采用中值滤波进行去噪。中值滤波能有效去除孤立噪声点，计算效率高，其输出点为滤波器窗口覆盖范围内所有像素值排序后的中值。

16、在双边滤波和中值滤波两种去噪方法中均引入了帧间灰度变化自适应滤波权重调整机制，即根据当前帧灰度变化值与设定阈值的差值动态调节滤波权重，使调整后的滤波函数能够随场景变化和噪声水平的波动而自动调整，确保去噪效果的稳定性。

17、经过上述自适应去噪处理后，输出增强边缘保持特性的去噪图像，为后续目标特征提取与帧间匹配提供高质量的图像输入。

18、进一步地，步骤三具体为：

19、（1）对去噪后的初始感兴趣区域图片进行方向梯度直方图特征提取。方向梯度直方图特征通过计算图像局部区域的梯度方向直方图来描述目标的形状和边缘信息，对灰度变化和局部几何形变具有一定的鲁棒性。

20、（2）应用核相关滤波初始化跟踪器，建立目标模板与滤波器的初始状态。核相关滤波通过循环矩阵对目标模板进行密集采样，并利用快速傅里叶变换将相关运算转换到频域进行高效计算，从而建立目标的外观模型，保障跟踪的响应可靠性。

21、（3）对特征提取后的图像进行多尺度采样，构建尺度金字塔。以当前目标尺度为中心，按多个尺度因子生成不同尺度的图像块，构成尺度金字塔，用于表征目标在不同尺度下的外观变化。在目标追踪过程中，相邻视频帧的尺度变化一般不会过大，因此为了减少过大或过小的尺度影响追踪过程，对于每个尺度因子引入了一个权重来平衡不同的尺度，权重值根据历史帧的尺度变化率动态调整，变化率越大则对较大尺度因子的权重惩罚越强，反之亦然。

22、（4）通过尺度相关滤波器对各尺度样本的响应进行加权评估，计算最佳尺度，选择响应最大的尺度作为当前帧目标的新尺度，从而实现目标尺度的实时优化，有效抑制尺度漂移。

23、（5）通过核相关滤波对目标特征进行频域处理，将目标模板与搜索区域执行互相关运算，生成响应图。响应图中每个像素值代表该位置为目标中心的置信度，取最大峰值对应的坐标作为目标的估计位置，并根据尺度平滑因子将当前帧响应图最大峰值对应的候选尺度与上一帧的目标尺度进行加权融合，确定目标在当前帧的最终尺度。最终完成目标在当前帧的中心定位与尺度估计，输出鲁棒的目标跟踪结果。

24、进一步地，步骤四具体为：

25、（1）设定重检测阈值，并获取响应图的最大响应值，用于判定当前跟踪结果的可靠程度。

26、（2）当最大响应值大于重检测阈值时，表示跟踪成功，目标位置可信，直接跳转至输出步骤，从而避免不必要的重检测计算，保证跟踪效率与实时性。

27、（3）当最大响应值小于或等于重检测阈值时，表示跟踪结果置信度过低导致跟踪失败，此时进入重检测流程，启用重检测模块，防止目标永久丢失。重检测流程按照三个层次依次进行：

28、第一层次为局部尺度搜索：以当前目标位置为中心，在较小范围内进行密集搜索，提取候选区域的特征并计算响应图，得到响应峰值和候选位置。若响应峰值大于重检测阈值，则认为重检测成功，更新目标位置并重置丢失计数器。

29、第二层次为扩展尺度搜索：若局部尺度搜索失败，则将搜索范围扩展，并按多个尺度因子生成候选样本，分别计算各候选区域的响应图，选择响应峰值最高的候选区域作为重检测结果。

30、第三层次为区域扩展搜索：若前两个层次均失败，则进一步将搜索范围扩展至整帧图像的局部区域，进行滑窗搜索，对每个候选窗口提取特征并计算响应值，选择响应值最高的候选框作为新的目标位置。

31、（4）在候补样本集中，在不同候选搜索尺度下搜索目标并提取候选区域的特征，计算各候选区域的响应图，对各候选区域进行置信度评估，筛选出最可能包含目标的区域。从检索结果中选择置信度最高的候选框作为新的目标位置，并通过学习率将当前目标模板与候选目标模板进行加权融合，更新目标模板。重检测成功后，将目标位置和尺度进行输出，将恢复后的跟踪结果传递给下一帧，确保跟踪序列的连续性。

32、进一步地，步骤五具体为：

33、根据目标位置和尺度在原图上绘制目标跟踪结果框，并标注跟踪状态，以可视化形式呈现目标位置与跟踪状态，便于结果分析。

34、同时，利用当前帧的跟踪结果更新滤波器系数和基样本，使模型适应目标的外观变化。滤波器系数通过模型学习率将当前帧的候选滤波器系数与上一帧的滤波器系数进行加权融合，基样本通过模型学习率将当前帧的候选基样本与上一帧的基样本进行加权融合，从而完成更新。模型学习率用于控制模型更新的步长，平衡历史信息和新观测的权重。

35、完成上述更新后，返回步骤一继续处理下一帧图像，形成跟踪循环，实现对目标的连续跟踪，保障目标跟踪的持续性。

36、相对于现有技术，本专利申请具有如下有益效果：

37、1、动态适配工业目标形态，特征提取精度显著提升

38、本发明通过计算当前帧相对于上一帧的平均灰度值变化来评估图像噪声水平，并根据灰度变化值与设定阈值的比较结果自适应选择去噪算法。当灰度变化剧烈时，图像中目标边缘、纹理等细节特征可能被噪声淹没，此时采用双边滤波进行去噪，由于双边滤波在计算输出点时同时考虑了空间位置权重和像素值权重，能够在平滑噪声的同时保持边缘结构，避免目标轮廓模糊；当灰度变化平缓时，图像中主要存在椒盐类脉冲噪声，此时采用中值滤波进行去噪，由于其输出点为滤波器窗口覆盖范围内所有像素值排序后的中值，能够有效去除孤立噪声点且计算效率高。此外，在两种去噪方法中均引入了帧间灰度变化自适应滤波权重调整机制，即根据灰度变化值与设定阈值的差值动态调节滤波权重，使滤波函数能够随场景变化和噪声水平的波动而自动调整。通过上述自适应去噪处理后，输出的去噪图像具有增强的边缘保持特性，为后续目标特征提取与帧间匹配提供高质量的图像输入，从而有效解决高噪声环境下目标细节特征易被噪声淹没导致跟踪失败的问题。

39、2、尺度权重动态平衡策略，形变适应能力跃升

40、本发明通过方向梯度直方图特征描述目标的形状和边缘信息，该特征对灰度变化和局部几何形变具有鲁棒性。在此基础上，通过核相关滤波建立目标的外观模型，利用快速傅里叶变换将相关运算转换到频域进行高效计算，保障跟踪的响应可靠性。进一步地，通过构建尺度金字塔，以当前目标尺度为中心按多个尺度因子生成不同尺度的图像块，表征目标在不同尺度下的外观变化。对于每个尺度因子引入动态权重，权重值根据历史帧的尺度变化率进行调整，变化率越大则对较大尺度因子的权重惩罚越强，反之亦然，从而减少过大或过小的尺度对追踪过程的负面影响。通过尺度相关滤波器对各尺度样本的响应进行加权评估并选择响应最大的尺度，实现对目标尺度的实时优化，有效抑制尺度漂移。最终，通过核相关滤波生成的响应图中每个像素值代表该位置为目标中心的置信度，取最大峰值对应的坐标作为目标位置，并结合尺度平滑因子将当前帧候选尺度与上一帧目标尺度进行加权融合确定最终尺度，使算法能够适应目标在运动过程中因距离、视角变化引起的形变，在目标快速形变场景下保持稳定的跟踪精度。

41、3、三级渐进式重检测机制，应对长时间遮挡与目标丢失

42、本发明通过设定重检测阈值并获取响应图最大响应值来判定当前跟踪结果的可靠程度。当最大响应值大于重检测阈值时表示跟踪成功，直接输出结果，避免不必要的重检测计算，保证跟踪效率与实时性。当最大响应值小于或等于重检测阈值时表示跟踪失败，此时触发重检测流程。重检测采用三个层次依次进行的策略：第一层次在较小范围内进行密集搜索，若成功则快速恢复目标；第二层次将搜索范围扩展并按多个尺度因子生成候选样本，若成功则在中范围内恢复目标；第三层次将搜索范围扩展至整帧图像的局部区域进行滑窗搜索，在大范围内找回目标。这种由小到大、逐层递进的渐进式搜索策略，在计算效率与重检测成功率之间取得平衡。在候补样本集中，通过计算各候选区域的响应图进行置信度评估，筛选出最可能包含目标的区域，选择置信度最高的候选框作为新的目标位置，并通过学习率将当前目标模板与候选目标模板进行加权融合完成模板更新。重检测成功后，将恢复后的目标位置和尺度传递给下一帧，有效防止因长时间遮挡、目标快速运动等原因导致的目标永久丢失，确保跟踪序列的连续性。

43、4、模型参数动态平滑更新，保证长时漂移抑制与场景适配

44、本发明在每帧跟踪完成后，利用当前帧的跟踪结果更新滤波器系数和基样本，使模型能够适应目标随时间发生的外观变化。滤波器系数通过模型学习率将当前帧的候选滤波器系数与上一帧的滤波器系数进行加权融合，基样本同理完成更新。模型学习率用于控制模型更新的步长，平衡历史信息和新观测的权重，使跟踪器能够动态调整外观模型以适应高噪声环境下目标的形变、遮挡等问题，同时防止模板漂移导致的跟踪失效。完成更新后返回第一步继续处理下一帧图像，形成跟踪循环，保障目标跟踪的持续性，在长时跟踪任务中表现出稳定的性能。

45、5、去噪-跟踪-重检闭环协同，实现高噪声灰度图像实时高鲁棒性跟踪

46、本发明通过混合去噪模块、自适应尺度模块和重检测模块的协同工作，形成了完整的跟踪闭环：混合去噪模块对输入帧进行自适应去噪预处理，为后续模块提供高质量图像输入；自适应尺度模块完成目标的精确定位与尺度估计；重检测模块在跟踪失败时恢复目标；模型更新机制使跟踪器适应目标变化。各模块之间数据传递与反馈协同，实现了高噪声灰度图像中动态目标的实时、高鲁棒性跟踪。