CN107220991A - 一种基于压缩感知的实时目标跟踪算法 - Google Patents
一种基于压缩感知的实时目标跟踪算法 Download PDFInfo
- Publication number
- CN107220991A CN107220991A CN201710332299.4A CN201710332299A CN107220991A CN 107220991 A CN107220991 A CN 107220991A CN 201710332299 A CN201710332299 A CN 201710332299A CN 107220991 A CN107220991 A CN 107220991A
- Authority
- CN
- China
- Prior art keywords
- sample
- image
- multiple dimensioned
- dimension
- vector
- 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
- G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2136—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on sparsity criteria, e.g. with an overcomplete basis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- 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
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20076—Probabilistic image processing
-
- 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
- G06T2207/20—Special algorithmic details
- G06T2207/20081—Training; Learning
Abstract
本发明属于视觉跟踪领域,一种基于压缩感知的实时目标跟踪算法,解决现有目标跟踪算法速度慢,鲁棒性低和目标跟踪不准确的问题。首先,取第t帧的图像将其灰度化,利用压缩感知理论,通过一个非常稀疏的随机矩阵将提取的高维多尺度图像特征映射到低维的子空间,得到一个低维的图像特征,利用分类器对特征进行分类,选出分类器反应值最大的那个样本即为跟踪的目标。该算法能够克服上述现有技术的不足,不仅在各种干扰因素下具有高的鲁棒性和高的准确性,而且处理图像的平均速度达到每秒35帧,达到实时性的要求,具有重要的现实意义。
Description
技术领域
本发明属于视觉跟踪领域,涉及一种基于压缩感知的实时目标跟踪算法。
背景技术
目标跟踪是计算机视觉领域中一个非常热门的研究课题,原因在于它在车辆导航、交通监控和人机交互等方面具有重要的意义。尽管目标跟踪这个课题被研究了几十年,许许多多的跟踪算法被提出,但是它仍然是一个非常具有挑战性的问题。因为目标外观受各种因素的干扰,例如,光照变化、姿态变化、完全或部分遮挡以及突然的运动等等。因此,在上述因素的干扰下,开发一个高性能跟踪系统是一个具有挑战性的问题。
当前,在线跟踪算法经常从最近帧中获取观测样本来更新表观模型。虽然这样的算法取得了一定程度上的成功,但是,还有许多问题没有被解决。第一,这些自适应表观模型依赖于数据,但是,在刚开始的时候并没有充足的且大量的数据供在线跟踪算法学习,第二,在自学习过程中,一些未校准的样本会被添加进去,降低表观模型的性能,所以,在线跟踪算法经常会遇到漂移问题。
那么,为了解决这些问题,本发明提出了一种基于压缩感知的实时目标跟踪算法。在该算法中,表观模型基于一个来自高维多尺度图像空间的特征,这样就弥补了数据少的问题。为了降低计算的复杂度,根据压缩感知理论,通过一个满足RIP条件的非常稀疏的测量矩阵对高维多尺度图像特征空间做投影,就可以得到一个低维压缩子空间,并且还很好地保留了原始高维多尺度图像特征空间的特征。
发明内容
本发明提出了一种基于压缩感知的实时目标跟踪算法,目的在于克服上述现有技术的不足,得到一种鲁棒性高、准确率高的实时目标跟踪算法。
为了实现上述目的,本发明的技术方案为:
一种基于压缩感知的实时目标跟踪算法,包括以下步骤:
第一步,取第t帧图像O,将图像通过下式(1)
GRAY(O)=R(O) (1)
从RGB色彩空间映射到灰度值空间,其中R为图像O的R通道;
第二步,根据上一帧跟踪结果在其周围随机采样得到一个样本集即一个图像块集合Dr={z|||I(z)-It-1||<r},其中,It-1为t-1帧中目标的位置,r为采样范围;
第三步,构建一个高维多尺度的图像特征向量来表示每一个样本。对于每一个样本通过将z与一系列多尺度的矩形滤波器进行卷积计算来获得这个样本的图像特征向量,矩形滤波器定义为
其中,i和j分别为矩形滤波器的宽和高。样本每经过一个滤波器滤波后得到一个列向量然后再把这些列向量连接起来构成一个高维多尺度的图像特征向量其中,m=(wh)2,且在106~1010;
第四步,压缩高维多尺度的图像特征。基于压缩感知理论,通过非常稀疏的随机测量矩阵将高维多尺度的图像特征向量投影到低维空间中的向量上,即v=Rx。其中,随机矩阵的定义为
其中,s=m/4,p为出现1,0,-1的概率。
第五步,通过下式(4)
朴素贝叶斯分类器H(v)对特征向量进行分类,其中,p(y=1)=p(y=0),且y∈{0,1}是一个二值变量,代表样本的标签,i代表一个特征向量中第i个分量。分类器响应值最大值所对应的那个样本就是跟踪到的目标,位置记为It。
第六步,基于It,在当前帧中最后一次采样得到正负样本集Dα={z|||I(z)-It||<α}和其中在算法中,α=1,β=10,并根据提取正负样本的低维特征
第七步,利用上步获得的正负样本的特征和更新程度参数λ(λ=0.85)根据下式(5)(6)
对参数进行更新,其中,且n为样本的个数。这个方法同样适用于参数的更新,之后根据式(4)对朴素贝叶斯分类器进行更新;
第八步,输出第t帧跟踪到的目标位置It和更新后的分类器参数。
本发明的有益效果为:该方法区别于已有方法的特色在于,通过样本与多尺度矩形滤波器作卷积运算获得一个高维多尺度的图像特征来扩充数据(样本),避免出现没有充足的且大量的数据供在线跟踪算法学习的问题。另外,根据压缩感知理论,通过一个满足RIP条件的非常稀疏的测量矩阵对高维多尺度图像特征做投影,就可以得到一个低维压缩特征,这样可以有效地降低计算的复杂程度。该算法不仅在各种干扰因素下具有鲁棒性和准确性,而且处理图像的平均速度达到每秒35帧,达到实时性的要求。
附图说明
图1是本发明方法的流程示意图。
具体实施方式
下面结合附图对本发明的实施方式进行详细说明,并给出了详细的实施方式和具体的操作过程。
实验平台为win10,实验环境为Matlab R2012a。实现本发明的具体步骤为:
第一步,取第t帧图像O,将图像通过下式(1)
GRAY(O)=R(O) (1)
从RGB色彩空间映射到灰度值空间,其中R为图像O的R通道;
第二步,根据上一帧跟踪结果在其周围随机采样得到一个样本集即一个图像块集合Dr={z|||I(z)-It-1||<r},其中,It-1为t-1帧中目标的位置,r为采样范围;
第三步,构建一个高维多尺度的图像特征向量来表示每一个样本。对于每一个样本通过将z与一系列多尺度的矩形滤波器进行卷积计算来获得这个样本的图像特征向量,矩形滤波器定义为
其中,i和j分别为矩形滤波器的宽和高。样本每经过一个滤波器滤波后得到一个列向量然后再把这些列向量连接起来构成一个高维多尺度的图像特征向量其中,m=(wh)2,且在106~1010;
第四步,压缩高维多尺度的图像特征。基于压缩感知理论,通过非常稀疏的随机测量矩阵将高维多尺度的图像特征向量投影到低维空间中的向量上,即v=Rx。其中,随机矩阵的定义为
其中,s=m/4,p为出现1,0,-1的概率。
第五步,通过下式(4)
朴素贝叶斯分类器H(v)对特征向量进行分类,其中,p(y=1)=p(y=0),且y∈{0,1}是一个二值变量,代表样本的标签,i代表一个特征向量中第i个分量。分类器响应值最大值所对应的那个样本就是跟踪到的目标,位置记为It。
第六步,基于It,在当前帧中最后一次采样得到正负样本集Dα={z|||I(z)-It||<α}和其中在算法中,α=1,β=10,并根据提取正负样本的低维特征
第七步,利用上步获得的正负样本的特征和更新程度参数λ(λ=0.85)根据下式(5)(6)
对参数进行更新,其中,且n为样本的个数。这个方法同样适用于参数的更新,之后根据式(4)对朴素贝叶斯分类器进行更新;
第八步,输出第t帧跟踪到的目标位置It和更新后的分类器参数。
通过计时器测得处理图像的平均速度达到每秒35帧,达到实时性的要求。
Claims (3)
1.一种基于压缩感知的实时目标跟踪算法,其特征在于,包括如下步骤:
第一步,取第t帧图像O,将图像通过下式(1)
GRAY(O)=R(O) (1)
从RGB色彩空间映射到灰度值空间,其中R为图像O的R通道;
第二步,根据上一帧跟踪结果在其周围随机采样得到一个样本集即一个图像块集合Dr={z|||I(z)-It-1||<r},其中,It-1为t-1帧中目标的位置,r为采样范围;
第三步,构建一个高维多尺度的图像特征向量来表示每一个样本。对于每一个样本通过将z与一系列多尺度的矩形滤波器进行卷积计算来获得这个样本的图像特征向量,矩形滤波器定义为
其中,i和j分别为矩形滤波器的宽和高。样本每经过一个滤波器滤波后得到一个列向量然后再把这些列向量连接起来构成一个高维多尺度的图像特征向量其中,m=(wh)2,且在106~1010;
第四步,压缩高维多尺度的图像特征。基于压缩感知理论,通过非常稀疏的随机测量矩阵将高维多尺度的图像特征向量投影到低维空间中的向量上,即v=Rx。其中,随机矩阵的定义为
其中,s=m/4,p为出现1,0,-1的概率。
第五步,通过下式(4)
朴素贝叶斯分类器H(v)对特征向量进行分类,其中,p(y=1)=p(y=0),且y∈{0,1}是一个二值变量,代表样本的标签,i代表一个特征向量中第i个分量。分类器响应值最大值所对应的那个样本就是跟踪到的目标,位置记为It。
第六步,基于It,在当前帧中最后一次采样得到正负样本集Dα={z|||I(z)-It||<α}和其中在算法中,α=1,β=10,并根据提取正负样本的低维特征
第七步,利用上步获得的正负样本的特征和更新程度参数λ(λ=0.85)根据下式(5)(6)
对参数进行更新,其中,且n为样本的个数。这个方法同样适用于参数的更新,之后根据式(4)对朴素贝叶斯分类器进行更新;
第八步,输出第t帧跟踪到的目标位置It和更新后的分类器参数。
2.根据权利要求1所述的一种基于压缩感知的实时目标跟踪算法,其特征在于,所述的第三步,构建一个高维多尺度的图像特征向量来表示每一个样本。对于每一个样本通过将z与一系列多尺度的矩形滤波器进行卷积计算来获得这个样本的图像特征向量,矩形滤波器定义为
其中,i和j分别为矩形滤波器的宽和高。样本每经过一个滤波器滤波后得到一个列向量然后再把这些列向量连接起来构成一个高维多尺度的图像特征向量其中,m=(wh)2,且在106~1010。
3.根据权利要求1或2所述的一种基于压缩感知的实时目标跟踪算法,其特征在于,第四步中压缩高维多尺度的图像特征。基于压缩感知理论,通过非常稀疏的随机测量矩阵将高维多尺度的图像特征向量投影到低维空间中的向量上,即v=Rx。其中,随机矩阵的定义为
其中,s=m/4,p为出现1,0,-1的概率。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710332299.4A CN107220991A (zh) | 2017-05-12 | 2017-05-12 | 一种基于压缩感知的实时目标跟踪算法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710332299.4A CN107220991A (zh) | 2017-05-12 | 2017-05-12 | 一种基于压缩感知的实时目标跟踪算法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107220991A true CN107220991A (zh) | 2017-09-29 |
Family
ID=59943897
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710332299.4A Pending CN107220991A (zh) | 2017-05-12 | 2017-05-12 | 一种基于压缩感知的实时目标跟踪算法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107220991A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107918772A (zh) * | 2017-12-10 | 2018-04-17 | 北京工业大学 | 基于压缩感知理论和gcForest的目标跟踪方法 |
CN108171727A (zh) * | 2017-12-05 | 2018-06-15 | 温州大学 | 基于子区域的自适应随机投影视觉跟踪算法 |
CN111062291A (zh) * | 2019-12-10 | 2020-04-24 | 中国人民解放军海军航空大学 | 一种机器人视觉跟踪方法及系统 |
CN111127514A (zh) * | 2019-12-13 | 2020-05-08 | 华南智能机器人创新研究院 | 一种机器人对目标的跟踪方法及装置 |
CN111881941A (zh) * | 2020-07-02 | 2020-11-03 | 中国空间技术研究院 | 一种基于压缩感知域的图像智能分类方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021577A (zh) * | 2014-06-19 | 2014-09-03 | 上海交通大学 | 一种基于局部背景学习的视频跟踪方法 |
CN104318590A (zh) * | 2014-11-10 | 2015-01-28 | 成都信升斯科技有限公司 | 视频中的目标跟踪方法 |
CN106557784A (zh) * | 2016-11-23 | 2017-04-05 | 上海航天控制技术研究所 | 基于压缩感知的快速目标识别方法和系统 |
-
2017
- 2017-05-12 CN CN201710332299.4A patent/CN107220991A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021577A (zh) * | 2014-06-19 | 2014-09-03 | 上海交通大学 | 一种基于局部背景学习的视频跟踪方法 |
CN104318590A (zh) * | 2014-11-10 | 2015-01-28 | 成都信升斯科技有限公司 | 视频中的目标跟踪方法 |
CN106557784A (zh) * | 2016-11-23 | 2017-04-05 | 上海航天控制技术研究所 | 基于压缩感知的快速目标识别方法和系统 |
Non-Patent Citations (6)
Title |
---|
DONG WANG等: "Online Object Tracking With Sparse Prototypes", 《IEEE TRANSACTIONS ON IMAGE PROCESSING》 * |
JING LI等: "Moving object detection in framework of compressive sampling", 《JOURNAL OF SYSTEMS ENGINEERING AND ELECTRONICS》 * |
MARTIN DANELLJAN等: "Adaptive Color Attributes for Real-Time Visual Tracking", 《CVPR 2014》 * |
李俊礼: "基于压缩感知单目标多尺度跟踪算法研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
王松林: "基于压缩感知的目标跟踪研究", 《中国优秀硕士学位论文全文数据库 信息科技辑》 * |
董婷婷: "基于压缩感知的目标跟踪算法研究", 《万方数据》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108171727A (zh) * | 2017-12-05 | 2018-06-15 | 温州大学 | 基于子区域的自适应随机投影视觉跟踪算法 |
CN108171727B (zh) * | 2017-12-05 | 2023-04-07 | 温州大学 | 基于子区域的自适应随机投影视觉跟踪方法 |
CN107918772A (zh) * | 2017-12-10 | 2018-04-17 | 北京工业大学 | 基于压缩感知理论和gcForest的目标跟踪方法 |
CN107918772B (zh) * | 2017-12-10 | 2021-04-30 | 北京工业大学 | 基于压缩感知理论和gcForest的目标跟踪方法 |
CN111062291A (zh) * | 2019-12-10 | 2020-04-24 | 中国人民解放军海军航空大学 | 一种机器人视觉跟踪方法及系统 |
CN111127514A (zh) * | 2019-12-13 | 2020-05-08 | 华南智能机器人创新研究院 | 一种机器人对目标的跟踪方法及装置 |
CN111127514B (zh) * | 2019-12-13 | 2024-03-22 | 华南智能机器人创新研究院 | 一种机器人对目标的跟踪方法及装置 |
CN111881941A (zh) * | 2020-07-02 | 2020-11-03 | 中国空间技术研究院 | 一种基于压缩感知域的图像智能分类方法及系统 |
CN111881941B (zh) * | 2020-07-02 | 2024-03-29 | 中国空间技术研究院 | 一种基于压缩感知域的图像智能分类方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107220991A (zh) | 一种基于压缩感知的实时目标跟踪算法 | |
CN109614922B (zh) | 一种动静态手势识别方法和系统 | |
CN107481264A (zh) | 一种自适应尺度的视频目标跟踪方法 | |
CN109949341B (zh) | 一种基于人体骨架结构化特征的行人目标跟踪方法 | |
CN108109162B (zh) | 一种利用自适应特征融合的多尺度目标跟踪方法 | |
CN107330357A (zh) | 基于深度神经网络的视觉slam闭环检测方法 | |
CN104484890B (zh) | 基于复合稀疏模型的视频目标跟踪方法 | |
CN108304787A (zh) | 基于卷积神经网络的道路目标检测方法 | |
CN106709472A (zh) | 一种基于光流特征的视频目标检测与跟踪方法 | |
CN105160310A (zh) | 基于3d卷积神经网络的人体行为识别方法 | |
CN105550678A (zh) | 基于全局显著边缘区域的人体动作特征提取方法 | |
CN103258332B (zh) | 一种抗光照变化的运动目标的检测方法 | |
CN105069472A (zh) | 一种基于卷积神经网络自适应的车辆检测方法 | |
CN106228569A (zh) | 一种适用于水质监测的鱼体运动速度检测方法 | |
CN110569782A (zh) | 一种基于深度学习目标检测方法 | |
CN103077537B (zh) | 基于l1正则化的实时运动目标跟踪的新方法 | |
CN109035300B (zh) | 一种基于深度特征与平均峰值相关能量的目标跟踪方法 | |
CN110428450A (zh) | 应用于矿井巷道移动巡检图像的尺度自适应目标跟踪方法 | |
CN103295017A (zh) | 基于公路视频的车型识别方法 | |
CN106023249A (zh) | 一种基于局部二值相似性模式的运动目标检测方法 | |
CN107808391B (zh) | 一种基于特征选择与光滑表示聚类的视频动态目标提取方法 | |
CN111340019A (zh) | 基于Faster R-CNN的粮仓害虫检测方法 | |
CN108182694A (zh) | 一种基于插值的运动估计与自适应视频重建方法 | |
CN104299007A (zh) | 一种用于行为识别的分类器训练方法 | |
CN105354547A (zh) | 一种结合纹理和彩色特征的行人检测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20170929 |