CN108389219B - 一种基于多峰值判定的弱小目标跟踪丢失重检方法 - Google Patents

一种基于多峰值判定的弱小目标跟踪丢失重检方法 Download PDF

Info

Publication number
CN108389219B
CN108389219B CN201810108423.3A CN201810108423A CN108389219B CN 108389219 B CN108389219 B CN 108389219B CN 201810108423 A CN201810108423 A CN 201810108423A CN 108389219 B CN108389219 B CN 108389219B
Authority
CN
China
Prior art keywords
target
image
peak
tracking
lost
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.)
Active
Application number
CN201810108423.3A
Other languages
English (en)
Other versions
CN108389219A (zh
Inventor
刘峰
梁若飞
张俊青
章菲菲
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Bit Raco Electronic Information Technology Co ltd
Original Assignee
Bit Raco Electronic Information Technology Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Bit Raco Electronic Information Technology Co ltd filed Critical Bit Raco Electronic Information Technology Co ltd
Priority to CN201810108423.3A priority Critical patent/CN108389219B/zh
Publication of CN108389219A publication Critical patent/CN108389219A/zh
Application granted granted Critical
Publication of CN108389219B publication Critical patent/CN108389219B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06T7/248—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving reference images or patches
    • 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)
  • Closed-Circuit Television Systems (AREA)

Abstract

本发明公开一种基于多峰值判定的弱小目标跟踪丢失重检方法，当所跟踪目标丢失后，在待检测图像中选取目标重检的搜索域；计算跟踪目标丢失前一帧图像的灰度高斯分布特征F，在搜索域中对灰度高斯分布特征F进行频域响应值分析得到频域响应图，以跟踪目标尺寸为界定，在频域响应图中依次提取4‑7个包含局部峰值的区域并记录这些区域的峰值信息；将丢失前一帧图像中的跟踪目标图像信息置换至搜索域的中心位置，计算跟踪目标的灰度高斯分布特征F与置换后的搜索域的中心位置的响应值δ；比较上述4‑7个峰值信息与δ的差值，寻找差值最小且差值比率小于20％的峰值位置作为跟踪目标重检的位置信息，本发明对于丢失的跟踪目标能够快速有效地确定位置信息。

Description

一种基于多峰值判定的弱小目标跟踪丢失重检方法
技术领域
本发明属于目标检测跟踪的技术领域，具体涉及一种基于多峰值判定的弱小目标跟踪丢失重检方法。
背景技术
目标跟踪是连续帧图像中目标位置信息确定的过程，是计算机视觉研究中较重要的内容。根据摄像机与运动目标之间的关系，可将目标检测分为静态背景下和动态背景下的目标检测。对于背景不动情况下对运动目标的检测方法主要有背景差分法、帧间差分法和光流法。而对于背景运动的目标检测，往往先通过全局运动补偿方法获得视频图像相邻帧之间的全局运动参数，并对当前图像与前一帧图像进行匹配，而后通过上述静态场景的方式进行目标检测与跟踪。
目标跟踪过程中，视频图像中出现的背景杂乱、光照明暗变化、部分或者全部遮挡、目标姿态改变、目标快速运动等情况都会导致目标连续跟踪的失败。如何在目标跟踪出现问题后，准确的自动对目标进行重新唯一性确定，形成对运动目标的连续跟踪是目标跟踪问题的重点。
发明内容
有鉴于此，本发明提供了一种基于多峰值判定的弱小目标跟踪丢失重检方法，对于丢失的跟踪目标能够快速有效地确定位置信息。
实现本发明的技术方案如下：
一种基于多峰值判定的弱小目标跟踪丢失重检方法，包括以下步骤：
步骤一：当所跟踪目标丢失后，在待检测图像中选取跟踪目标尺寸的1.5-3倍的区域作为目标重检的搜索域；
步骤二：计算跟踪目标丢失前一帧图像的灰度高斯分布特征F，在搜索域中对灰度高斯分布特征F进行频域响应值分析得到频域响应图，以跟踪目标尺寸为界定，在频域响应图中依次提取4-7个包含局部峰值的区域并记录这些区域的峰值信息；
步骤三：将丢失前一帧图像中的跟踪目标图像信息置换至搜索域的中心位置，计算跟踪目标的灰度高斯分布特征F与置换后的搜索域的中心位置的响应值δ；
步骤四：目标确定性判别：比较上述的4-7个峰值信息与δ的差值，寻找差值最小且差值比率小于20％的峰值位置作为跟踪目标重检的位置信息，否则视为目标未检测到，继续检测。
进一步地，所述跟踪目标的像素范围为：10×10～30×30。
进一步地，判定跟踪目标丢失与否的标准：基于跟踪目标在当前帧图像的目标局部高斯频域的峰值响应δp与前20帧图像的峰值响应δp-j的变化程度作为跟踪目标丢失与否的判别标准，其中，p为图像帧的序列号，p＝1,2,3…；j＝1,2,3…,20。
进一步地，根据第p帧图像丢失判别的信息值losep的变化程度作为目标丢失判别的依据：
Figure BDA0001568486170000021
当σ＞3时，判定目标丢失；
其中，
Figure BDA0001568486170000022
meanp为第p帧以前20帧图像的峰值响应均值；stdp为第p帧以前20帧图像的峰值响应方差；
Figure BDA0001568486170000023
Figure BDA0001568486170000031
有益效果：
1、在跟踪目标是弱小动目标的前提下，当目标丢失时，利用扩大后的搜索域进行频域响应多峰值信息分析，对跟踪目标重新判定，能在短时间内快速准确地确定跟踪目标的位置信息。
2、本发明在弱小动目标跟踪过程中，通过计算跟踪目标在每一帧图像的目标局部高斯频域的峰值响应，分析当前帧峰值响应与前一帧之间的差异，作为跟踪目标丢失与否的判断方式，从而有效地对跟踪目标的状态进行决策。
附图说明
图1为本发明流程图。
图2(a)为有效跟踪的第30帧的截图数据。
图2(b)为有效跟踪的第40帧的截图数据。
图3为目标丢失重检测的过程。
图4(a)为重检到目标后的第100帧图像数据显示。
图4(b)为重检到目标后的第130帧图像数据显示。
图5(a)表示目标车辆的灰度数据。
图5(b)表示目标车辆的灰度数据对应的高斯特征分布表示。
图6(a)表示目标在3m×3n区域的频域匹配响应。
图6(b)表示提取的五个目标尺寸大小m×n的局部区域。
具体实施方式
下面结合附图并举实施例，对本发明进行详细描述。
本发明针对动态背景下弱小动目标跟踪的应用场景限制，提出了基于增大搜索域后的多峰值唯一性目标决策的弱小动目标跟踪丢失重检方法，具体包括以下步骤：
步骤一：当所跟踪目标丢失后，在待检测图像中选取跟踪目标尺寸的1.5-3倍的区域作为目标重检的搜索域；本发明仅针对弱小目标进行丢失重检，故所述跟踪目标的像素范围为：10×10～30×30；
参照图1的流程图，以无人机自主拍摄的保定某区域车辆行驶视频为例，进行实验，本实施例的视频基于无人机自主拍摄，所采集视频的图像尺寸为720×1280像素的RGB彩色数据，无人机飞行高度为80米，视频帧频为100帧/秒。
对于目标的跟踪方法是基于目标区域高斯分布的频域响应c(x)，目标区域如图5(a)所示，目标区域的高斯分布如图5(b)所示，
Figure BDA0001568486170000041
其中，
Figure BDA0001568486170000042
表示卷积操作，x∈(m，n)，z∈(3m，3n)。h(x)表示目标区域x的高斯分布，I(x)表示两倍于目标区域x的局域搜索图像的灰度信息。卷积操作计算量大，速度较慢。对式(1)两边同时进行快速傅里叶变换，可以得到
F(c(x))＝F(h(x))*F(I(z)) (2)
其中，F代表快速傅里叶变换,表示对应像素相乘。
跟踪是基于频率域响应的最大值进行目标位置的连续性确定的。
δp＝max(abs(F(c(x)))) (3)
其中，δp表示目标模板与待检测区域图像的最大峰值响应，abs()表示取绝对值，p＝1,2,3…为待检测区域图像所在图像帧的序列号。
如果跟踪有效，跟踪效果如图2(a)和图2(b)所示，会交替保存有效当前帧目标区域m×n大小的灰度高斯分布特征F以及目标区域m×n的灰度信息作为模板；基于目标高斯分布的频域响应图可以计算得到目标模板与每一帧图像的峰值响应δp(p＝1,2,3…代表图像帧的序列号)；
判定跟踪目标丢失与否的标准：基于跟踪目标在当前帧图像的目标局部高斯频域的峰值响应δp与前20图像的峰值响应δp-j的变化程度作为跟踪目标丢失与否的判别标准，j＝1,2,3…,20。
根据公式(4)和(5)计算跟踪有效的第p帧的前20帧的峰值响应的均值meanp和方差stdp：
Figure BDA0001568486170000051
Figure BDA0001568486170000052
将公式(4)和(5)代入公式(6)得到第p帧丢失判别的信息值losep
Figure BDA0001568486170000053
根据第p帧丢失判别的信息值losep的变化程度作为目标丢失判别的依据。见公式(7)
Figure BDA0001568486170000054
当σ＞3时，判定目标丢失(3是经过对50组车辆数据统计的一个比较通用的数值)。当判定跟踪目标丢失后，以丢失前有效跟踪的目标区域图像作为模板，以丢失后的图像作为待检测图像。以丢失位置为目标中心，根据视频帧频和跟踪目标的运动速度，选择一定的帧间隔s(这里s＝10)，在第s+p帧视频图像里以目标中心坐标[x,y]为中心，跟踪目标的尺寸为m×n，截取大小为3m×3n的区作为目标重检的搜索域，截取的效果如图3所示，黑框表示目标区域大小，蓝框表示搜索区域大小。
步骤二：计算跟踪目标丢失前一帧图像的灰度高斯分布特征F，，在搜索域中对灰度高斯分布特征F进行频域响应值分析得到频域响应图，得到图6(a)所示的响应图，以跟踪目标尺寸m×n为界定，在频域响应图中依次提取4-7个包含局部峰值的区域并记录这些区域的峰值信息；本实施例中，提取5个峰值信息，如图6(b)所示，具体为提取出第一个最大峰值后，去掉响应图第一个最大峰值周边m×n的区域响应信息，即可以去掉旁瓣对峰值处理的干扰。依次提取5个这样的最大值，并记录这5个峰值信息δk，其中k＝1,2,3,4,5。
步骤三：将丢失前一帧图像中的跟踪目标图像信息置换至搜索域的中心位置，计算跟踪目标的灰度高斯分布特征F与置换后的搜索域的中心位置的响应值δ，并将δ作为目标确定性判别基准；
步骤四：目标确定性判别：比较5个峰值信息δk(其中k＝1,2,3,4,5)与δ的差异比率ω，寻找差值最小且差值比率ω小于20％的峰值位置作为跟踪目标重检的位置信息，否则视为目标未检测到，继续重检。
若重检测确定目标，进行坐标换算，重新确定目标的位置，并继续进行有效跟踪的进程，如图4(a)和图4(b)所示延续有效跟踪。
综上所述，以上仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。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 (2)

1.一种基于多峰值判定的弱小目标跟踪丢失重检方法，其特征在于，包括以下步骤：
步骤一：当所跟踪目标丢失后，在待检测图像中选取跟踪目标尺寸的1.5-3倍的区域作为目标重检的搜索域；
判定跟踪目标丢失与否的标准：基于跟踪目标在当前帧图像的目标局部高斯频域的峰值响应δp与前20帧图像的峰值响应δp-j的变化程度作为跟踪目标丢失与否的判别标准，其中，p为图像帧的序列号，p＝21,22,23…；j＝1,2,3…,20；
具体地为：根据第p帧图像丢失判别的信息值losep的变化程度作为目标丢失判别的依据：
Figure FDA0003117495810000011
当σ＞3时，判定目标丢失；
其中，
Figure FDA0003117495810000012
meanp为第p帧以前20帧图像的峰值响应均值；stdp为第p帧以前20帧图像的峰值响应方差；
Figure FDA0003117495810000013
Figure FDA0003117495810000014
步骤二：计算跟踪目标在丢失前一帧图像中的灰度高斯分布特征F，在搜索域中对灰度高斯分布特征F进行频域响应值分析得到频域响应图，以跟踪目标尺寸为界定，在频域响应图中依次提取4-7个包含局部峰值的区域并记录这些区域的峰值信息；
步骤三：将丢失前一帧图像中的跟踪目标图像信息置换至搜索域的中心位置，计算跟踪目标的灰度高斯分布特征F与置换后的搜索域的中心位置的响应值δ；
步骤四：目标确定性判别：比较上述的4-7个峰值信息与δ的差值，寻找差值最小且差值比率小于20％的峰值位置作为跟踪目标重检的位置信息，否则视为目标未检测到，继续检测。
2.如权利要求1所述的一种基于多峰值判定的弱小目标跟踪丢失重检方法，其特征在于，所述跟踪目标的像素范围为：10×10～30×30。
CN201810108423.3A 2018-02-02 2018-02-02 一种基于多峰值判定的弱小目标跟踪丢失重检方法 Active CN108389219B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810108423.3A CN108389219B (zh) 2018-02-02 2018-02-02 一种基于多峰值判定的弱小目标跟踪丢失重检方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810108423.3A CN108389219B (zh) 2018-02-02 2018-02-02 一种基于多峰值判定的弱小目标跟踪丢失重检方法

Publications (2)

Publication Number Publication Date
CN108389219A CN108389219A (zh) 2018-08-10
CN108389219B true CN108389219B (zh) 2021-09-24

Family

ID=63074319

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810108423.3A Active CN108389219B (zh) 2018-02-02 2018-02-02 一种基于多峰值判定的弱小目标跟踪丢失重检方法

Country Status (1)

Country Link
CN (1) CN108389219B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109785358B (zh) * 2018-11-23 2023-06-16 山东航天电子技术研究所 一种基于循环确认机制的抗遮挡红外小目标跟踪方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8233716B2 (en) * 2008-06-27 2012-07-31 Palo Alto Research Center Incorporated System and method for finding stable keypoints in a picture image using localized scale space properties
CN106097383A (zh) * 2016-05-30 2016-11-09 海信集团有限公司 一种针对遮挡问题的目标跟踪方法及设备
CN106204638A (zh) * 2016-06-29 2016-12-07 西安电子科技大学 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法
CN106875419A (zh) * 2016-12-29 2017-06-20 北京理工雷科电子信息技术有限公司 基于ncc匹配帧差的弱小动目标跟踪丢失重检方法
CN106887011A (zh) * 2017-01-20 2017-06-23 北京理工大学 一种基于cnn和cf的多模板目标跟踪方法
CN107146240A (zh) * 2017-05-05 2017-09-08 西北工业大学 基于相关滤波和显著性检测的航拍视频目标跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8233716B2 (en) * 2008-06-27 2012-07-31 Palo Alto Research Center Incorporated System and method for finding stable keypoints in a picture image using localized scale space properties
CN106097383A (zh) * 2016-05-30 2016-11-09 海信集团有限公司 一种针对遮挡问题的目标跟踪方法及设备
CN106204638A (zh) * 2016-06-29 2016-12-07 西安电子科技大学 一种基于尺度自适应和遮挡处理的航拍目标跟踪方法
CN106875419A (zh) * 2016-12-29 2017-06-20 北京理工雷科电子信息技术有限公司 基于ncc匹配帧差的弱小动目标跟踪丢失重检方法
CN106887011A (zh) * 2017-01-20 2017-06-23 北京理工大学 一种基于cnn和cf的多模板目标跟踪方法
CN107146240A (zh) * 2017-05-05 2017-09-08 西北工业大学 基于相关滤波和显著性检测的航拍视频目标跟踪方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
Staple: Complementary Learners for Real-Time Tracking;Luca Bertinetto 等;《Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition 》;20161231;第1401-1409页 *
基于KCF 与颜色直方图融合的长时目标跟踪算法;范栋轶;《2017中国自动化大会》;20171022;第774-775页 *
基于局部峰值的红外弱小目标快速检测;薛松;《光子学报》;20130228;第228-233页 *

Also Published As

Publication number Publication date
CN108389219A (zh) 2018-08-10

Similar Documents

Publication Publication Date Title
CN109636771B (zh) 基于图像处理的飞行目标检测方法及系统
CN109460764B (zh) 一种结合亮度特征与改进帧间差分法的卫星视频船舶监测方法
CN111340749B (zh) 图像质量的检测方法、装置、设备及存储介质
CN110909750B (zh) 图像差异检测方法及装置、存储介质、终端
CN101770583B (zh) 一种基于场景全局特征的模板匹配方法
CN107527370B (zh) 一种基于camshift的目标跟踪方法
CN113111878B (zh) 一种复杂背景下的红外弱小目标检测方法
CN110728668A (zh) 一种小目标形态保持的空域高通滤波器
CN112364865A (zh) 一种复杂场景中运动小目标的检测方法
CN111429485B (zh) 基于自适应正则化和高信度更新的跨模态滤波跟踪方法
CN111274964B (zh) 一种基于无人机视觉显著性分析水面污染物的检测方法
CN113205494B (zh) 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统
CN104715476A (zh) 一种基于直方图幂函数拟合的显著目标检测方法
CN108389219B (zh) 一种基于多峰值判定的弱小目标跟踪丢失重检方法
CN106778822B (zh) 基于漏斗变换的图像直线检测方法
CN112613456A (zh) 一种基于多帧差分图像累积的小目标检测方法
WO2024016632A1 (zh) 亮点定位方法、亮点定位装置、电子设备及存储介质
CN116665097A (zh) 一种结合上下文感知的自适应目标跟踪方法
CN116229084A (zh) 一种对空目标的检测方法
CN110751163A (zh) 目标定位方法及其装置、计算机可读存储介质和电子设备
Mai et al. An improved method for Vietnam License Plate location
CN114429593A (zh) 基于快速导向滤波的红外小目标检测方法及其应用
CN112949389A (zh) 一种基于改进目标检测网络的雾霾图像目标检测方法
CN111768426A (zh) 一种运动目标的检测方法、装置、设备及存储介质
CN110599517A (zh) 一种基于局部特征和全局hsv特征组合的目标特征描述方法

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
GR01 Patent grant
GR01 Patent grant
CB03 Change of inventor or designer information
CB03 Change of inventor or designer information

Inventor after: Liu Feng

Inventor after: Liang Ruofei

Inventor after: Zhang Junqing

Inventor after: Zhang Feifei

Inventor after: Zhao Tong

Inventor before: Liu Feng

Inventor before: Liang Ruofei

Inventor before: Zhang Junqing

Inventor before: Zhang Feifei