CN105513081A - 一种多目标的跟踪识别方法 - Google Patents
一种多目标的跟踪识别方法 Download PDFInfo
- Publication number
- CN105513081A CN105513081A CN201510964718.7A CN201510964718A CN105513081A CN 105513081 A CN105513081 A CN 105513081A CN 201510964718 A CN201510964718 A CN 201510964718A CN 105513081 A CN105513081 A CN 105513081A
- Authority
- CN
- China
- Prior art keywords
- sigma
- outer shape
- shape function
- core
- rsqb
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Image Analysis (AREA)
Abstract
本发明公开了一种多目标的跟踪识别方法,包括:摄像机采集多目标区域场景图像视频;FPGA模块中的多个处理单元将图像视频分成多个区域,每个处理单元处理一个目标区域,多个处理单元同时进行处理;对每个区域都利用椭圆区域表示该跟踪目标,对目标区域内的图像视频中的每一帧图像逐一进行均值移动计算,获取目标区域的极值位置;使用核外形函数计算出对应该极值点的最优带宽矩阵;得到每个跟踪目标区域的椭球体描述,获取该跟踪目标的大小、方向和位置;多个处理单元获取多个跟踪目标的大小、方向和位置。本发明的有益效果:实现多目标的跟踪识别,并行处理提高了速度和效率;根据数据变化调整带宽,解决初始带宽选择问题及迭代过程中带宽更新问题。
Description
技术领域
本发明涉及计算机技术领域,具体而言,涉及一种多目标的跟踪识别方法。
背景技术
目标跟踪在科学和工程中具有重要的研究价值目标跟踪算法一般采用均值移动算法,但是这种均值移动算法的缺陷在于不能自适应根据数据变化调整带宽,无法同时跟踪目标的大小和方向。同时,算法的计算量太大,无法满足实时性要求。
发明内容
为解决上述问题,本发明的目的在于提供一种解决初始带宽选择问题及迭代过程中带宽更新问题的多目标跟踪识别方法。
本发明提供了一种多目标的跟踪识别方法,具体包括:
步骤1,摄像机采集跟踪多目标区域场景的图像视频;
步骤2,FPGA模块中的多个处理单元根据多个目标区域将所述图像视频分成多个区域,每个处理单元处理一个目标区域,多个处理单元同时对多个目标区域进行处理;
步骤3,每个处理单元对每个区域都利用椭圆区域表示该跟踪目标,对该目标区域内的图像视频中的每一帧图像逐一进行均值移动计算,获取目标区域的极值位置;
步骤4,根据获得的极值位置,使用核外形函数计算出对应该极值点的最优带宽矩阵;
步骤5,根据所述极值位置和所述最优带宽矩阵得到每个跟踪目标区域的椭球体描述,获取该跟踪目标的大小、方向和位置;
步骤6,多个处理单元获取多个跟踪目标的大小、方向和位置,实现多目标的跟踪识别。
作为本发明进一步的改进,所述步骤3中椭圆区域表示跟踪目标的方法为:
将目标区域定义为椭圆区域:
S={s(s-x)TH-1(s-x)<σ2}(1)
其中心位置为x,旋转角为φ,带宽矩阵为H,椭圆两半轴长为σa和σb,σ是由核外形函数K决定的因子,σ和H决定椭圆的大小和方向;
核外形函数K为Gaussian核外形函数或Epanechnikov核外形函数;
其中,
Gaussian核外形函数为:
Epanechnikov核外形函数为:
作为本发明进一步的改进,所述步骤3的具体步骤为:
步骤31,初始化目标区域为S及其中心位置x0,根据式(1)计算出初始带宽H0,该目标区域被椭圆区域表示后,得到该目标区域模型为:
其中,归一化常数为:
对角阵为:
D=UTHU(4)
带宽矩阵为正定对称矩阵:
其中,
步骤32,给定该目标区域的前一帧图像计算得到的初始带宽H0和位置y0,根据式(1)计算得到候选目标区域S0;
步骤33,根据式(4)计算得到权重{w(s)}s∈S0;
其中,特征密度分布为:
归一化因子为:
步骤34,根据m(x)进行一次均值移动,计算出新的位置y1;
其中,
步骤35,根据Bhattacharyya系数判断候选目标区域的相似性:
如果Q[p(y1),q]<Q[p(y0),q],则根据式(12)进行迭代计算;
其中,
重新计算Q[p(y1),q],重复步骤35;
如果Q[p(y1),q]>Q[p(y0),q],则进行步骤36;
步骤36,将目标区域的中心移至y1,更新候选目标区域S0,重新计算{w(s)}s∈S0。
作为本发明进一步的改进,所述步骤4的具体步骤为:
步骤41,根据核外形函数K重新计算最优带宽矩阵:
若选择Epanechnikov核外形函数,则根据式(15)计算最优带宽矩阵;
其中,
得到最优带宽矩阵为:
若选择Gaussian核外形函数,得到:
由Jensen不等式得到:
用L替代式(15)中的q(x)可计算出最优带宽矩阵:
步骤42,根据式(1)重新计算候选目标区域S1;
步骤43,判断S0和S1是否一致,若两者一致,则停止计算,否则根据式y0=y1、S0=S1和H0=H1重新进行步骤33。
作为本发明进一步的改进,所述步骤5具体为:
步骤51,根据式(5)和式(6)得到:
或,
即可得到旋转角为φ,椭圆两半轴长为a和b;
步骤52,根据上一步骤得到的φ、a和b确定出椭圆区域的大小和方向,得到目标区域的椭球体描述,获取该跟踪目标的大小、方向和位置。
作为本发明进一步的改进,所述步骤3中,所述σ选择方法为:
如果核外形函数的定义域区间长度有限,则该定义域区间的上限就是σ2值,否则,[0σ2]所在区间为核外形函数覆盖概率最大的部分。
作为本发明进一步的改进,所述步骤3中,
对于Epanechnikov核外形函数,其定义域为[01],故取σ=1;
对于Gaussian核外形函数,选取σ=2.1。
作为本发明进一步的改进,如果使用除Epanechnikov核外形函数和Gaussian核外形函数以外的其他核外形函数,同样可以根据式(18)得到最优带宽矩阵。
作为本发明进一步的改进,所述步骤4中的最优带宽矩阵解满足:
由于使得r(s)=yT(x-s)≠0,故yTHy恒大于零,即两种核外形函数下计算的H均是正定对称阵。
本发明的有益效果为:
1、可实现多目标的跟踪识别,并行处理,提高了处理的速度和效率;
2、可根据数据变化调整带宽,解决初始带宽选择问题及迭代过程中带宽更新问题。
附图说明
图1为本发明实施例所述的一种多目标的跟踪识别方法的流程图;
图2为图1中步骤3的流程图;
图3为图1中步骤4的流程图;
图4为图1中步骤5的流程图。
具体实施方式
下面通过具体的实施例并结合附图对本发明做进一步的详细描述。
如图1所示,本发明实施例所述的一种多目标的跟踪识别方法,该方法包括以下步骤:
步骤1,摄像机采集跟踪多目标区域场景的图像视频。
步骤2,FPGA模块中的多个处理单元根据多个目标区域将所述图像视频分成多个区域,每个处理单元处理一个目标区域,多个处理单元同时对多个目标区域进行处理。
步骤3,每个处理单元对每个区域都利用椭圆区域表示该跟踪目标,对该目标区域内的图像视频中的每一帧图像逐一进行均值移动计算,获取目标区域的极值位置;
其中,将目标区域定义为椭圆区域:
S={s(s-x)TH-1(s-x)<σ2}(1)
其中心位置为x,旋转角为φ,带宽矩阵为H,椭圆两半轴长为σa和σb,σ是由核外形函数K决定的因子,σ和H决定椭圆的大小和方向;
核外形函数K为Gaussian核外形函数或Epanechnikov核外形函数;
其中,
Gaussian核外形函数为:
Epanechnikov核外形函数为:
如果核外形函数的定义域区间长度有限,则该定义域区间的上限就是σ2值,否则,[0σ2]所在区间为核外形函数覆盖概率最大的部分。
对于Epanechnikov核外形函数,其定义域为[01],故取σ=1;
对于Gaussian核外形函数,选取σ=2.1。
如图2所示,具体包括:
步骤31,初始化目标区域为S及其中心位置x0,根据式(1)计算出初始带宽H0,该目标区域被椭圆区域表示后,得到该目标区域模型为:
其中,归一化常数为:
对角阵为:
D=UTHU(4)
带宽矩阵为正定对称矩阵:
其中,
步骤32,给定该目标区域的前一帧图像计算得到的初始带宽H0和位置y0,根据式(1)计算得到候选目标区域S0;
步骤33,根据式(4)计算得到权重{w(s)}s∈S0;
其中,特征密度分布为:
归一化因子为:
步骤34,根据m(x)进行一次均值移动,计算出新的位置y1;
其中,
步骤35,根据Bhattacharyya系数判断候选目标区域的相似性:
如果Q[p(y1),q]<Q[p(y0),q],则根据式(12)进行迭代计算;
其中,
重新计算Q[p(y1),q],重复步骤35;
如果Q[p(y1),q]>Q[p(y0),q],则进行步骤36;
步骤36,将目标区域的中心移至y1,更新候选目标区域S0,重新计算{w(s)}s∈S0。
步骤4,根据获得的极值位置,使用核外形函数计算出对应该极值点的最优带宽矩阵,如图3所示,具体包括:
步骤41,根据核外形函数K重新计算最优带宽矩阵:
若选择Epanechnikov核外形函数,则根据式(15)计算最优带宽矩阵;
其中,
得到最优带宽矩阵为:
若选择Gaussian核外形函数,得到:
由Jensen不等式得到:
用L替代式(15)中的q(x)可计算出最优带宽矩阵:
如果使用除Epanechnikov核外形函数和Gaussian核外形函数以外的其他核外形函数,同样可以根据式(18)得到最优带宽矩阵。
步骤42,根据式(1)重新计算候选目标区域S1;
步骤43,判断S0和S1是否一致,若两者一致,则停止计算,否则根据式y0=y1、S0=S1和H0=H1重新进行步骤33。
步骤5,根据所述极值位置和所述最优带宽矩阵得到每个跟踪目标区域的椭球体描述,获取该跟踪目标的大小、方向和位置,如图4所示,具体包括:
步骤51,根据式(5)和式(6)得到:
或,
即可得到旋转角为φ,椭圆两半轴长为a和b;
步骤52,根据上一步骤得到的φ、a和b确定出椭圆区域的大小和方向,得到目标区域的椭球体描述,获取该跟踪目标的大小、方向和位置。
步骤6,多个处理单元获取多个跟踪目标的大小、方向和位置,实现多目标的跟踪识别。
其中,步骤4中的最优带宽矩阵解满足:
由于使得r(s)=yT(x-s)≠0,故yTHy恒大于零,即两种核外形函数下计算的H均是正定对称阵。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (9)
1.一种多目标的跟踪识别方法,其特征在于,该方法包括以下步骤:
步骤1,摄像机采集跟踪多目标区域场景的图像视频;
步骤2,FPGA模块中的多个处理单元根据多个目标区域将所述图像视频分成多个区域,每个处理单元处理一个目标区域,多个处理单元同时对多个目标区域进行处理;
步骤3,每个处理单元对每个区域都利用椭圆区域表示该跟踪目标,对该目标区域内的图像视频中的每一帧图像逐一进行均值移动计算,获取目标区域的极值位置;
步骤4,根据获得的极值位置,使用核外形函数计算出对应该极值点的最优带宽矩阵;
步骤5,根据所述极值位置和所述最优带宽矩阵得到每个跟踪目标区域的椭球体描述,获取该跟踪目标的大小、方向和位置;
步骤6,多个处理单元获取多个跟踪目标的大小、方向和位置,实现多目标的跟踪识别。
2.根据权利要求1所述的跟踪识别方法,其特征在于,所述步骤3中椭圆区域表示跟踪目标的方法为:
将目标区域定义为椭圆区域:
S={s|(s-x)TH-1(s-x)<σ2}(1)
其中心位置为x,旋转角为φ,带宽矩阵为H,椭圆两半轴长为σa和σb,σ是由核外形函数K决定的因子,σ和H决定椭圆的大小和方向;
核外形函数K为Gaussian核外形函数或Epanechnikov核外形函数;
其中,
Gaussian核外形函数为:
Epanechnikov核外形函数为:
3.根据权利要求2所述的跟踪识别方法,其特征在于,所述步骤3的具体步骤为:
步骤31,初始化目标区域为S及其中心位置x0,根据式(1)计算出初始带宽H0,该目标区域被椭圆区域表示后,得到该目标区域模型为:
其中,归一化常数为:
对角阵为:
D=UTHU(4)
带宽矩阵为正定对称矩阵:
其中,
步骤32,给定该目标区域的前一帧图像计算得到的初始带宽H0和位置y0,根据式(1)计算得到候选目标区域S0;
步骤33,根据式(4)计算得到权重
其中,特征密度分布为:
归一化因子为:
步骤34,根据m(x)进行一次均值移动,计算出新的位置y1;
其中,
步骤35,根据Bhattacharyya系数判断候选目标区域的相似性:
如果Q[p(y1),q]<Q[p(y0),q],则根据式(12)进行迭代计算;
其中,
重新计算Q[p(y1),q],重复步骤35;
如果Q[p(y1),q]>Q[p(y0),q],则进行步骤36;
步骤36,将目标区域的中心移至y1,更新候选目标区域S0,重新计算
4.根据权利要求3所述的跟踪识别方法,其特征在于,所述步骤4的具体步骤为:
步骤41,根据核外形函数K重新计算最优带宽矩阵:
若选择Epanechnikov核外形函数,则根据式(15)计算最优带宽矩阵;
其中,
得到最优带宽矩阵为:
若选择Gaussian核外形函数,得到:
由Jensen不等式得到:
用L替代式(15)中的q(x)可计算出最优带宽矩阵:
步骤42,根据式(1)重新计算候选目标区域S1;
步骤43,判断S0和S1是否一致,若两者一致,则停止计算,否则根据式y0=y1、S0=S1和H0=H1重新进行步骤33。
5.根据权利要求4所述的跟踪识别方法,其特征在于,所述步骤5具体为:
步骤51,根据式(5)和式(6)得到:
或,
即可得到旋转角为φ,椭圆两半轴长为a和b;
步骤52,根据上一步骤得到的φ、a和b确定出椭圆区域的大小和方向,得到目标区域的椭球体描述,获取该跟踪目标的大小、方向和位置。
6.根据权利要求2所述的跟踪识别方法,其特征在于,所述步骤3中,所述σ选择方法为:
如果核外形函数的定义域区间长度有限,则该定义域区间的上限就是σ2值,否则,[0σ2]所在区间为核外形函数覆盖概率最大的部分。
7.根据权利要求6所述的多目标的跟踪识别方法,其特征在于,所述步骤3中,
对于Epanechnikov核外形函数,其定义域为[01],故取σ=1;
对于Gaussian核外形函数,选取σ=2.1。
8.根据权利要求1-7中任意一项权利要求所述的跟踪识别方法,其特征在于,如果使用除Epanechnikov核外形函数和Gaussian核外形函数以外的其他核外形函数,同样可以根据式(18)得到最优带宽矩阵。
9.根据权利要求1-7所述的跟踪识别方法,其特征在于,所述步骤4中的最优带宽矩阵解满足:
由于使得r(s)=yT(x-s)≠0,故yTHy恒大于零,即两种核外形函数下计算的H均是正定对称阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510964718.7A CN105513081A (zh) | 2015-12-21 | 2015-12-21 | 一种多目标的跟踪识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510964718.7A CN105513081A (zh) | 2015-12-21 | 2015-12-21 | 一种多目标的跟踪识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN105513081A true CN105513081A (zh) | 2016-04-20 |
Family
ID=55721038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510964718.7A Pending CN105513081A (zh) | 2015-12-21 | 2015-12-21 | 一种多目标的跟踪识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105513081A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108320302A (zh) * | 2018-01-26 | 2018-07-24 | 西安电子科技大学 | 基于随机超曲面的CBMeMBer多目标跟踪方法 |
CN109416536A (zh) * | 2016-07-04 | 2019-03-01 | 深圳市大疆创新科技有限公司 | 用于自动跟踪和导航的系统和方法 |
CN112840376A (zh) * | 2018-10-15 | 2021-05-25 | 华为技术有限公司 | 一种图像处理方法、装置与设备 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103985142A (zh) * | 2014-05-30 | 2014-08-13 | 上海交通大学 | 联合数据关联的Mean Shift多目标跟踪方法 |
CN104915970A (zh) * | 2015-06-12 | 2015-09-16 | 南京邮电大学 | 一种基于轨迹关联的多目标跟踪方法 |
KR20150132968A (ko) * | 2014-05-19 | 2015-11-27 | 한국과학기술연구원 | 다중 목표 추적 시스템 및 방법 |
-
2015
- 2015-12-21 CN CN201510964718.7A patent/CN105513081A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20150132968A (ko) * | 2014-05-19 | 2015-11-27 | 한국과학기술연구원 | 다중 목표 추적 시스템 및 방법 |
CN103985142A (zh) * | 2014-05-30 | 2014-08-13 | 上海交通大学 | 联合数据关联的Mean Shift多目标跟踪方法 |
CN104915970A (zh) * | 2015-06-12 | 2015-09-16 | 南京邮电大学 | 一种基于轨迹关联的多目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
CHUNMING TANG ET AL.: "Multi-thread, Increment-bandwidth and Weighted Mean-Shift Algorithm for Neural Stem Cells Tracking", 《SECOND INTERNATIONAL SYMPOSIUM ON INTELLIGENT INFORMATION TECHNOLOGY APPLICATION》 * |
陈晓鹏 等: "自适应带宽均值移动算法及目标跟踪", 《机器人》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109416536A (zh) * | 2016-07-04 | 2019-03-01 | 深圳市大疆创新科技有限公司 | 用于自动跟踪和导航的系统和方法 |
US11365014B2 (en) | 2016-07-04 | 2022-06-21 | SZ DJI Technology Co., Ltd. | System and method for automated tracking and navigation |
CN108320302A (zh) * | 2018-01-26 | 2018-07-24 | 西安电子科技大学 | 基于随机超曲面的CBMeMBer多目标跟踪方法 |
CN108320302B (zh) * | 2018-01-26 | 2019-10-11 | 西安电子科技大学 | 基于随机超曲面的CBMeMBer多目标跟踪方法 |
CN112840376A (zh) * | 2018-10-15 | 2021-05-25 | 华为技术有限公司 | 一种图像处理方法、装置与设备 |
US12026863B2 (en) | 2018-10-15 | 2024-07-02 | Huawei Technologies Co., Ltd. | Image processing method and apparatus, and device |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106845621B (zh) | 基于深度卷积神经网络的密集人群人数计数方法及系统 | |
CN105139420B (zh) | 一种基于粒子滤波和感知哈希的视频目标跟踪方法 | |
US8335348B2 (en) | Visual object tracking with scale and orientation adaptation | |
CN104484868B (zh) | 一种结合模板匹配和图像轮廓的运动目标航拍跟踪方法 | |
CN110659565B (zh) | 一种基于带孔卷积的3d多人人体姿态估计方法 | |
TWI769787B (zh) | 目標跟蹤方法及裝置、存儲介質 | |
CN106991147A (zh) | 一种植物识别系统及识别方法 | |
CN109035327B (zh) | 基于深度学习的全景相机姿态估计方法 | |
CN113192646B (zh) | 目标检测模型构建方法及不同目标间距离监控方法、装置 | |
CN111612024B (zh) | 特征提取方法、装置、电子设备及计算机可读存储介质 | |
CN103700099A (zh) | 一种旋转和尺度不变的宽基线立体匹配方法 | |
CN110443279B (zh) | 一种基于轻量级神经网络的无人机图像车辆检测方法 | |
WO2021109167A1 (zh) | 三维激光建图方法及系统 | |
CN104850857B (zh) | 基于视觉空间显著性约束的跨摄像机行人目标匹配方法 | |
CN104050685A (zh) | 基于粒子滤波视觉注意力模型的运动目标检测方法 | |
CN110705344A (zh) | 一种基于深度学习的人群计数模型及其实现方法 | |
CN105513081A (zh) | 一种多目标的跟踪识别方法 | |
CN104537381B (zh) | 一种基于模糊不变特征的模糊图像识别方法 | |
CN104899894A (zh) | 一种采用多台摄像机进行运动目标跟踪的方法 | |
CN104732546A (zh) | 区域相似性和局部空间约束的非刚性sar图像配准方法 | |
Li et al. | Codemaps-segment, classify and search objects locally | |
Shi et al. | Remote sensing scene classification based on multibranch fusion attention network | |
CN116402976A (zh) | 三维目标检测模型训练方法及装置 | |
CN102880869B (zh) | 基于先验知识的马尔科夫随机场指纹方向场提取方法 | |
CN101710421A (zh) | 基于剪影的二维人体姿态处理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20160420 |
|
RJ01 | Rejection of invention patent application after publication |