CN108805909A - 在相关滤波框架下基于粒子滤波重检测的目标跟踪方法 - Google Patents

在相关滤波框架下基于粒子滤波重检测的目标跟踪方法 Download PDF

Info

Publication number
CN108805909A
CN108805909A CN201810400252.1A CN201810400252A CN108805909A CN 108805909 A CN108805909 A CN 108805909A CN 201810400252 A CN201810400252 A CN 201810400252A CN 108805909 A CN108805909 A CN 108805909A
Authority
CN
China
Prior art keywords
target
response diagram
correlation filtering
tracking
particle filter
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.)
Granted
Application number
CN201810400252.1A
Other languages
English (en)
Other versions
CN108805909B (zh
Inventor
何震宇
梁应毅
卢晓寰
袁笛
李晶
郑媛
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.)
Shenzhen Graduate School Harbin Institute of Technology
Original Assignee
Shenzhen Graduate School Harbin Institute of Technology
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 Shenzhen Graduate School Harbin Institute of Technology filed Critical Shenzhen Graduate School Harbin Institute of Technology
Priority to CN201810400252.1A priority Critical patent/CN108805909B/zh
Publication of CN108805909A publication Critical patent/CN108805909A/zh
Application granted granted Critical
Publication of CN108805909B publication Critical patent/CN108805909B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

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
    • G06T7/262—Analysis of motion using transform domain methods, e.g. Fourier domain methods
    • 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

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Multimedia (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Image Analysis (AREA)

Abstract

本发明提供了一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，包括以下步骤：S1、计算响应图，采用相关滤波框架进行初步的跟踪测试，通过相关滤波跟踪器给出目标区域的响应图；S2、决策函数判别，通过决策函数对相关滤波跟踪器给出的目标区域的响应图的可信程度进行判别，并给出响应图是否可信的结果；S3、目标跟踪定位。本发明的有益效果是：使用相关滤波跟踪框架给出响应图，结合决策函数判别响应图是否可信，如果响应图可信，则采用相关滤波跟踪器给出目标位置，反之采用粒子滤波重检测策略重新检测目标的位置信息，从而提升跟踪器的跟踪效率。

Description

在相关滤波框架下基于粒子滤波重检测的目标跟踪方法
技术领域
本发明涉及视觉目标跟踪，尤其涉及一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法。
背景技术
视觉目标跟踪在计算机视觉领域中扮演着重要的角色；在视频监控、人机交互、机器人学、无人驾驶等领域有着广泛的应用。目标跟踪问题通常只给出目标在视频序列第一帧中的具体位置信息，然后采用不同的跟踪器，预测出目标在后续帧中的位置信息。尽管目前已经有大量学者研究并提出了众多的目标跟踪算法，用来提高目标跟踪的效果。然而由于跟踪目标所处环境的复杂性以及跟踪目标自身的变化，如：周围光照的变化，物体形变、尺度变化、旋转、被遮挡等，目标跟踪算法的性能还存在很大的提升空间。
相关滤波在信号处理领域得到了广泛的应用，其可以采用傅里叶变换将时域计算转换为频域计算，能够快速的给出两个信号的相关输出，从而得到信号之间的相似度。近年来，许多研究人员将相关滤波的特性应用到视觉目标跟踪领域，同样采用傅里叶变换将时域计算转换为频域计算，大大提升了跟踪速度，进而取得了不错的跟踪效果。但是由于相关滤波跟踪器只依靠目标区域的响应图最大值点进行目标定位，当周围环境复杂或者出现干扰时，所得到的响应图往往是不可信的，从而导致跟踪性能的降低。
粒子滤波技术在图像处理领域取得了不错的成绩。由于其采用非线性及非高斯方式去估计问题，能够提升算法的性能；基于粒子滤波技术的重采样策略能够利用这一特性，扩大搜索范围，使得采样更符合实际情况。将粒子滤波重采样策略运用到视觉目标跟踪领域能够提升跟踪算法的性能；但是基于粒子滤波技术会增加算法复杂度，因此需要进行相应的改进才能得到理想的效果。
发明内容
为了解决现有技术中的问题，本发明提供了一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法。
本发明提供了一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，包括以下步骤：
S1、计算响应图，采用相关滤波框架进行初步的跟踪测试，通过相关滤波跟踪器给出目标区域的响应图；
S2、决策函数判别，通过决策函数对相关滤波跟踪器给出的目标区域的响应图的可信程度进行判别，并给出响应图是否可信的判别结果；
S3、目标跟踪定位，如果响应图可信，则直接通过响应图最大值判定目标的中心位置，从而确定目标位置信息；如果响应图不可信，则采用粒子滤波重检测策略对目标区域进行大范围采样，重新计算各个样本的置信图，并取出具有最大响应值的响应图作为最可信的样本，判定目标的中心位置，从而确定目标位置信息。
作为本发明的进一步改进，在步骤S1中，提取特征并训练相关滤波跟踪器，通过相关滤波跟踪器计算响应图。
作为本发明的进一步改进，步骤S1包括通过相关滤波跟踪器计算响应图，根据跟踪序列给定的第一帧序列训练相关滤波跟踪器；
相关滤波模型由如下公式表示：
其中，xi表示第i个候选样本，yi表示第i个样本对应的标签，λ表示正则化参数权重，采用傅里叶变换，公式(1)等价于如下公式：
在跟踪过程中，搜索窗的响应图由下面公式给出：
其中，⊙表示点乘积，且表示学得跟踪目标的外观。
作为本发明的进一步改进，步骤S2包括，决策函数判别如公式(4)，对给定的阈值θ与响应图最大值maxR进行对比，如果响应图最大值maxR大于等于给定的阈值θ，则认为响应图可信；反之，则认为响应图不可信。
作为本发明的进一步改进，步骤S3包括，
目标跟踪定位根据步骤S2的判别结果进行相应的目标跟踪，如果响应图最大值maxR大于等于给定的阈值θ，采用相关滤波跟踪器直接对目标进行定位，给出目标的位置信息；反之，则认为响应图不可信，采用粒子滤波重检测策略对目标位置进行重新检测，分别计算每个粒子对应的响应图，进而检测并给出目标的位置信息；
其中，zm表示第m个粒子对应的搜索窗；Rm表示对应的响应图；
选择具有最大响应值的搜索窗作为可信搜索区域，将其对应的响应图最大值点作为目标的中心位置；
maxRpf＝max{maxR1,maxR2,...,maxRM} (6)
其中，maxRpf表示具有最大响应值点的粒子，maxRm表示第m个粒子对应的响应图最大值。
作为本发明的进一步改进，在步骤S1中，通过相关滤波跟踪器计算目标区域的响应图的步骤包括：
a、从图像帧中找到搜索窗，提取特征；
b、对提取到的特征和相关滤波在频域进行卷积操作；
c、将卷积结果转换到时域得到响应图。
本发明的有益效果是：通过上述方案，使用相关滤波跟踪框架给出响应图，结合决策函数判别响应图是否可信，如果响应图可信，则采用相关滤波跟踪器给出目标位置，反之采用粒子滤波重检测策略重新检测目标的位置信息，从而提升跟踪器的跟踪效率。
附图说明
图1是本发明一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法的流程图。
图2是本发明一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法的在相关滤波框架下计算响应图的流程图。
具体实施方式
下面结合附图说明及具体实施方式对本发明作进一步说明。
如图1所示,一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，计算响应图--决策函数判别--目标跟踪定位三个步骤。
步骤1：计算目标区域响应图步骤如图2所示，包括：
a、从图像帧中找到搜索窗，提取特征；
b、对提取到的特征和相关滤波在频域进行卷积操作；
c、将卷积结果转换到时域得到响应图主要通过相关滤波框架计算响应图。
根据跟踪序列给定的第一帧图像信息来训练滤波器。相关滤波模型可以由如下公式表示：
其中，xi表示第i个候选样本，yi表示第i个样本对应的标签，λ表示正则化参数权重。采用傅里叶变换，公式(1)可以等价于如下公式：
在跟踪过程中，搜索窗的响应得分图可以由下面公式给出：
其中，⊙表示点乘积，且表示学得跟踪目标的外观。
步骤2：决策函数判别如公式(4)，对给定的阈值θ与响应图最大值maxR进行对比，从而选出具体的目标跟踪定位方案。如果响应图的最大值大于等于给定的阈值，则认为响应图可信，采用相关滤波跟踪器直接对目标进行定位，给出目标的位置信息；反之则认为响应图不可信，采用粒子滤波重检测策略对目标位置进行重新检测。
步骤3：目标跟踪定位根据步骤2的判别结果进行相应的目标跟踪。如果响应图的最大值大于等于给定的阈值，采用图1中的相关滤波框架直接给出目标的位置信息；反之采用图1中粒子滤波重检测框架对目标位置进行重新采样处理，分别计算每个粒子(搜索窗)对应的响应图，进而检测并给出目标的位置信息。
其中，zm表示第m个粒子对应的搜索窗；Rm表示对应的响应图。
选择具有最大响应值的搜索窗作为可信搜索区域，将其对应的响应图最大值点作为目标的中心位置。
maxRpf＝max{maxR1,maxR2,...,maxRM} (6)
其中，maxRpf表示具有最大响应值点的粒子(搜索窗)，maxRm表示第m个粒子(搜索窗)对应的响应图最大值。
本发明提供的一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，通过使用粒子滤波重检测技术来提高跟踪算法的性能，可以通过决策函数判别基于相关滤波跟踪框架的跟踪器在跟踪过程是否失效，并且在其失效时提供一种基于粒子滤波的目标重检测策略，从而解决了在复杂场景下，基于相关滤波框架的跟踪器会在跟踪过程中丢失目标的问题。
本发明提供的一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，基于粒子滤波重检测策略的基础思想：粒子滤波重检测策略能够提供一种有效的目标重检测方法，在跟踪的目标丢失时，重新检测并定位目标的位置，从而提高跟踪算法的性能。粒子滤波重检测策略和相关滤波相结合确定跟踪结果：相关滤波跟踪框架过于依赖相应图的最大值，在复杂的跟踪场景下响应图可能会变得不理想，从而导致跟踪的目标丢失。本方法利用决策函数来判别响应图是否可信，在响应图不可信的情况下，采用粒子滤波重检测策略重新定位目标的位置，从而来确定出精准的跟踪结果。
本发明提供的一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，通过决策函数来判别是否采用重检测策略确定当前图像帧目标位置。
以上内容是结合具体的优选实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干简单推演或替换，都应当视为属于本发明的保护范围。

Claims (6)

1.一种在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，其特征在于：包括以下步骤：
S1、计算响应图，采用相关滤波框架进行初步的跟踪测试，通过相关滤波跟踪器给出目标区域的响应图；
S2、决策函数判别，通过决策函数对相关滤波跟踪器给出的目标区域的响应图的可信程度进行判别，并给出判别结果；
S3、目标跟踪定位，如果响应图可信，则直接通过响应图判定目标的中心位置，从而确定目标位置信息；如果响应图不可信，则采用粒子滤波重检测策略对目标区域进行大范围采样，重新计算各个样本的置信图，并取出具有最大响应值的响应图作为最可信的样本，判定目标的中心位置，从而确定目标位置信息。
2.根据权利要求1所述的在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，其特征在于：在步骤S1中，提取特征并训练相关滤波跟踪器，通过相关滤波跟踪器计算响应图。
3.根据权利要求1所述的在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，其特征在于：步骤S1包括通过相关滤波跟踪器计算响应图，根据跟踪序列给定的第一帧序列训练相关滤波跟踪器；
相关滤波模型由如下公式表示：
其中，xi表示第i个候选样本，yi表示第i个样本对应的标签，λ表示正则化参数权重，采用傅里叶变换，公式(1)等价于如下公式：
在跟踪过程中，搜索窗的响应图由下面公式给出：
其中，⊙表示点乘积，且表示学得跟踪目标的外观。
4.根据权利要求3所述的在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，其特征在于：步骤S2包括，决策函数判别如公式(4)，对给定的阈值θ与响应图最大值maxR进行对比，如果响应图最大值maxR大于等于给定的阈值θ，则认为响应图可信；反之，则认为响应图不可信。
5.根据权利要求4所述的在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，其特征在于：步骤S3包括，
目标跟踪定位根据步骤S2的判别结果进行相应的目标跟踪，如果响应图最大值maxR大于等于给定的阈值θ，采用相关滤波跟踪器直接对目标进行定位，给出目标的位置信息；反之，则认为响应图不可信，采用粒子滤波重检测策略对目标位置进行重新检测，分别计算每个粒子对应的响应图，进而检测并给出目标的位置信息；
其中，zm表示第m个粒子对应的搜索窗；Rm表示对应的响应图；
选择具有最大响应值的搜索窗作为可信搜索区域，将其对应的响应图最大值点作为目标的中心位置；
maxRpf＝max{maxR1,maxR2,...,maxRM} (6)
其中，maxRpf表示具有最大响应值点的粒子，maxRm表示第m个粒子对应的响应图最大值。
6.根据权利要求1所述的在相关滤波框架下基于粒子滤波重检测的目标跟踪方法，其特征在于：在步骤S1中，通过相关滤波跟踪器计算目标区域的响应图的步骤包括：
a、从图像帧中找到搜索窗，提取特征；
b、对提取到的特征和相关滤波在频域进行卷积操作；
c、将卷积结果转换到时域得到响应图。
CN201810400252.1A 2018-04-28 2018-04-28 在相关滤波框架下基于粒子滤波重检测的目标跟踪方法 Active CN108805909B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810400252.1A CN108805909B (zh) 2018-04-28 2018-04-28 在相关滤波框架下基于粒子滤波重检测的目标跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810400252.1A CN108805909B (zh) 2018-04-28 2018-04-28 在相关滤波框架下基于粒子滤波重检测的目标跟踪方法

Publications (2)

Publication Number Publication Date
CN108805909A true CN108805909A (zh) 2018-11-13
CN108805909B CN108805909B (zh) 2022-02-11

Family

ID=64094065

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810400252.1A Active CN108805909B (zh) 2018-04-28 2018-04-28 在相关滤波框架下基于粒子滤波重检测的目标跟踪方法

Country Status (1)

Country Link
CN (1) CN108805909B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582062A (zh) * 2020-04-21 2020-08-25 电子科技大学 一种基于YOLOv3的目标跟踪中的重检测方法
CN113947616A (zh) * 2021-09-23 2022-01-18 北京航空航天大学 一种基于层级化感知机的智能目标跟踪及丢失重检方法

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050686A (zh) * 2014-06-24 2014-09-17 重庆大学 一种新型的密集空间目标跟踪方法
CN106570893A (zh) * 2016-11-02 2017-04-19 中国人民解放军国防科学技术大学 一种基于相关滤波的快速稳健视觉跟踪方法
CN106815859A (zh) * 2017-01-13 2017-06-09 大连理工大学 基于尺度自适应相关滤波和特征点匹配的目标跟踪算法
CN107341820A (zh) * 2017-07-03 2017-11-10 郑州轻工业学院 一种融合Cuckoo搜索和KCF的突变运动目标跟踪方法
CN107491742A (zh) * 2017-07-28 2017-12-19 西安因诺航空科技有限公司 一种长时稳定的无人机目标跟踪方法
CN107749068A (zh) * 2017-09-20 2018-03-02 天津大学 粒子滤波与感知hash算法实现目标实时跟踪方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104050686A (zh) * 2014-06-24 2014-09-17 重庆大学 一种新型的密集空间目标跟踪方法
CN106570893A (zh) * 2016-11-02 2017-04-19 中国人民解放军国防科学技术大学 一种基于相关滤波的快速稳健视觉跟踪方法
CN106815859A (zh) * 2017-01-13 2017-06-09 大连理工大学 基于尺度自适应相关滤波和特征点匹配的目标跟踪算法
CN107341820A (zh) * 2017-07-03 2017-11-10 郑州轻工业学院 一种融合Cuckoo搜索和KCF的突变运动目标跟踪方法
CN107491742A (zh) * 2017-07-28 2017-12-19 西安因诺航空科技有限公司 一种长时稳定的无人机目标跟踪方法
CN107749068A (zh) * 2017-09-20 2018-03-02 天津大学 粒子滤波与感知hash算法实现目标实时跟踪方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
施伟等: "一种快速精准的核相关滤波器跟踪算法", 《计算机应用与软件》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111582062A (zh) * 2020-04-21 2020-08-25 电子科技大学 一种基于YOLOv3的目标跟踪中的重检测方法
CN113947616A (zh) * 2021-09-23 2022-01-18 北京航空航天大学 一种基于层级化感知机的智能目标跟踪及丢失重检方法
CN113947616B (zh) * 2021-09-23 2022-08-30 北京航空航天大学 一种基于层级化感知机的智能目标跟踪及丢失重检方法

Also Published As

Publication number Publication date
CN108805909B (zh) 2022-02-11

Similar Documents

Publication Publication Date Title
CN110717403B (zh) 一种人脸多目标跟踪方法
CN109031287A (zh) 基于Faster-RCNN网络的穿墙超宽带雷达人体呼吸信号检测方法
CN112016445B (zh) 一种基于监控视频的遗留物检测方法
CN110519637A (zh) 基于音频视频监控结合的异常监测方法
CN108921873A (zh) 基于核相关滤波优化的马尔科夫决策在线多目标跟踪方法
CN108447078A (zh) 基于视觉显著性的干扰感知跟踪算法
CN104794439A (zh) 基于多相机的准正面人脸图像实时优选方法及系统
CN108596087B (zh) 一种基于双网络结果的驾驶疲劳程度检测回归模型
CN110211157A (zh) 一种基于相关滤波的目标长时跟踪方法
CN111340842B (zh) 一种基于联合模型的相关滤波目标跟踪方法
CN109035290A (zh) 一种基于高置信度更新补充学习的跟踪算法
CN111353496B (zh) 一种红外弱小目标实时检测方法
CN105427342A (zh) 一种水下小目标声呐图像目标检测跟踪方法和系统
CN108805909A (zh) 在相关滤波框架下基于粒子滤波重检测的目标跟踪方法
CN115063836A (zh) 一种基于深度学习的行人跟踪与重识别方法
CN104751157B (zh) 基于fpga的检测跟踪方法
CN113436228B (zh) 一种相关滤波目标跟踪算法的抗遮挡及目标重捕方法
CN103413138B (zh) 一种红外图像序列中点目标检测方法
Zhang et al. Residual memory inference network for regression tracking with weighted gradient harmonized loss
CN108509825A (zh) 一种基于视频流的人脸跟踪识别方法
CN101789128A (zh) 一种基于dsp的目标检测与跟踪方法以及数字图像处理系统
CN111145216B (zh) 一种视频图像目标的跟踪方法
CN106897735A (zh) 一种快速移动目标的跟踪方法及装置
CN107822627B (zh) 一种基于脑电信号的眼动信号识别方法
CN115205591A (zh) 一种融合多特征尺度自适应的重检测跟踪算法

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