CN109255800B - 一种震动检测和参数自适应的对冲方法 - Google Patents

一种震动检测和参数自适应的对冲方法 Download PDF

Info

Publication number
CN109255800B
CN109255800B CN201810878214.7A CN201810878214A CN109255800B CN 109255800 B CN109255800 B CN 109255800B CN 201810878214 A CN201810878214 A CN 201810878214A CN 109255800 B CN109255800 B CN 109255800B
Authority
CN
China
Prior art keywords
target position
extracting
function
formula
value
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
CN201810878214.7A
Other languages
English (en)
Other versions
CN109255800A (zh
Inventor
周小龙
吕柏霖
陈胜勇
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.)
Zhejiang University of Technology ZJUT
Original Assignee
Zhejiang University of Technology ZJUT
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 Zhejiang University of Technology ZJUT filed Critical Zhejiang University of Technology ZJUT
Priority to CN201810878214.7A priority Critical patent/CN109255800B/zh
Publication of CN109255800A publication Critical patent/CN109255800A/zh
Application granted granted Critical
Publication of CN109255800B publication Critical patent/CN109255800B/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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • 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

一种震动检测和参数自适应的对冲方法，包括以下步骤：1)目标区域特征提取，给定输入第一帧的目标位置p,在目标位置提取HOG特征和CN特征；2)目标位置检测；3)自适应权重更新，当目标位置被预测结束后，本发明针对两种特征都各设计了一个损失函数公式，用来衡量特征的价值，本发明的自适应权重最终结果主要由历史表现决定；4)频谱极值提取，设计了一个掩膜矩阵提取极值，根据频谱提取的极值的结果来判断当前帧是否被遮挡，并以此来使用不同的策略避免遮挡的造成的影响。本发明在发生遮挡时能兼顾实时性和高跟踪精度。

Description

一种震动检测和参数自适应的对冲方法
技术领域
本发明属于视频目标跟踪技术领域，涉及到单视频目标跟踪方法和遮挡处理方法，尤其是一种震动检测和参数自适应的对冲方法。
背景技术
单运动目标视频跟踪是智能视频监控系统的关键技术之一。针对视频序列中的每一帧，系统应能自动准确地获取各个运动目标在图像中的位置、速度和尺寸。当前，已有研究者提出了众多有效的单目标视频跟踪方法。然而，如何有效解决目标的遮挡问题仍然是当前研究的重点和难点。
基于相关滤波器(CF)的跟踪方法已被证明是一种实时跟踪目标的高效方法。近年来，人们已经研究了许多改进，如使用多维特征，最大边缘分类，非线性核方法，尺度估计，设计复杂的学习框架，着眼于解决边界效应，以实现高精度和鲁棒性。然而，很少有文献与遮挡场景相吻合。由于分类器倾向于学习正面和负面样本之间的区分边界，因此大多数现有的基于CF的方法都强调最具判别性的样本。然而，由于目标外观在整个视频序列中逐帧地变化，所以当前帧中的最具判别性的样本可能不会持续很长的时间跨度。由于目前的训练样本可能与之前的训练样本有很大不同，因此由闭塞或平面外旋转引起的外观变化很容易导致模型差异。为了缓解这个问题，现有的追踪者通过在线样本集合递增地更新分类器。但是，发生的嘈杂更新会带来跟踪器漂移问题。因此，当发生遮挡并同时实现实时性能时，开发能够高精度跟踪目标的跟踪器至关重要。
发明内容
为了克服现有跟踪方法的无法兼顾实时性和高精度的不足，本发明通过研究特征权重自适应算法和频谱振荡检测算法，提出了一种改进的基于CF的跟踪方法来处理遮挡问题，通过震荡检测和参数对冲自适应的方法，所提出的方法具有非常高的速度跟踪遮挡中的目标。
本发明解决其技术问题所采用的技术方案是：
一种震动检测和参数自适应的对冲方法，所述方法包括以下步骤：
1)目标区域提取过程如下：
给定输入第一帧的目标位置p,在目标位置提取HOG特征和CN特征；根据公式(1)和(2)来提取相应特征，公式(1)是一个线性函数，是把图像映射到一个K 通道的特征图:
Figure BDA0001753830940000021
x是来自于有限网格
Figure BDA0001753830940000022
Figure BDA0001753830940000023
其中，h是另一个K通道的特征图，公式(2)是一个将图像映射到M通道ψx:H→RM,x是来自于有限网:
Figure BDA0001753830940000024
Figure BDA0001753830940000025
其中，β是一个M通道的特征图；
最终的融合的特征是根据公式(3)来确定：
f(x)＝(γtmpl+wtmpl)ftmpl(x)+(γhist+whist)fhist(x) (3)
其中，γ是固定参数,w是自适应的权重参数。
2)目标位置检测过程如下：选取公式(3)中最大值点所对应的位置，即为预测目标位置；
3)自适应权重更新过程如下：
当目标位置被预测结束后，针对两种特征都各设计了一个损失函数公式 (4)和(5)：
Figure BDA0001753830940000026
Figure BDA0001753830940000027
其中，max是返回函数矩阵最大值，另一个ft(xp)是表示预测目标位置的函数值；引入一个测量函数，定义为：
Figure BDA0001753830940000031
其中，
Figure BDA0001753830940000032
累计测量函数定义为：
Figure BDA0001753830940000033
定义每一个特征的稳定性是根据下列公式定义的：
Figure BDA0001753830940000034
其中，μ是是损失函数的历史均值，而σ是是损失函数的标准差，这个st是用来衡量特征稳定性的，越小越稳定；自适应权重最终结果主要由历史表现决定，定义以下公式：
Mt＝(1-η)Mt+ηmt (9)
η＝min(δ,exp(-ρst)) (10)
其中，ρ是一个尺度因子，δ是定义当前帧测量函数的最大比例；
更新权重w来自于：
Figure BDA0001753830940000035
其中，c是一个尺度参数，由以下公式定义：
Figure BDA0001753830940000036
4)频谱极值提取，过程如下：
通过一个掩膜矩阵提取极值，设计了一个掩膜操作定义为：
B＝mask(f(x＊)) (13)
这个公式表示的是响应图极值的位置，矩阵B是一种掩膜矩阵由0，1组成，函数响应图的极值就等于f(x).＊B，在得到极值之后，按照设定比例缩放极值，然后定义一个震荡指数，来表示当前频谱响应图的震荡程度，这个指数定义为：
Figure BDA0001753830940000041
其中，avg()表示对一个向量求均值，如果更新指数大于设定比例的历史值，就认为当前帧有更新的价值；如果不是这样，将以设定概率触发回溯算法；所述回溯算法是将目标短时间内的运动看着匀速直线运动，根据之前有效帧目标的位置取均值算出当前速度，用于预测目标的运动位置：
P＝Plast+ζavg(P) (15)
其中，ζ是尺度参数。
本发明的有益效果为：设计了一个掩膜矩阵提取极值，根据频谱提取的极值的结果来判断当前帧是否被遮挡，并以此来使用不同的策略避免遮挡的造成的影响；发生遮挡时能兼顾实时性和高跟踪精度。
具体实施方式
下面对本发明做进一步说明。
一种震动检测和参数自适应的对冲方法，所述方法包括以下步骤：
1)目标区域提取过程如下：
给定输入第一帧的目标位置p,在目标位置提取HOG特征和CN特征；根据公式(1)和(2)来提取相应特征，公式(1)是一个线性函数，是把图像映射到一个K 通道的特征图:
Figure BDA0001753830940000042
x是来自于有限网格
Figure BDA0001753830940000043
Figure BDA0001753830940000044
其中，h是另一个K通道的特征图，公式(2)是一个将图像映射到M通道ψx:H→RM,x是来自于有限网:
Figure BDA0001753830940000045
Figure BDA0001753830940000046
其中，β是一个M通道的特征图；
最终的融合的特征是根据公式(3)来确定：
f(x)＝(γtmpl+wtmpl)ftmpl(x)+(γhist+whist)fhist(x) (3)
其中，γ是固定参数,w是自适应的权重参数。
2)目标位置检测过程如下：选取公式(3)中最大值点所对应的位置，即为预测目标位置；
3)自适应权重更新过程如下：
当目标位置被预测结束后，针对两种特征都各设计了一个损失函数公式 (4)和(5)：
Figure BDA0001753830940000051
Figure BDA0001753830940000052
其中，max是返回函数矩阵最大值，另一个ft(xp)是表示预测目标位置的函数值；引入一个测量函数，定义为：
Figure BDA0001753830940000053
其中，
Figure BDA0001753830940000054
累计测量函数定义为：
Figure BDA0001753830940000055
定义每一个特征的稳定性是根据下列公式定义的：
Figure BDA0001753830940000056
其中，μ是是损失函数的历史均值，而σ是是损失函数的标准差，这个st是用来衡量特征稳定性的，越小越稳定；自适应权重最终结果主要由历史表现决定，基于这个原理定义以下公式：
Mt＝(1-η)Mt+ηmt (9)
η＝min(δ,exp(-ρst)) (10)
其中，ρ是一个尺度因子，δ是定义当前帧测量函数的最大比例，防止当前帧影响过大而忽略了历史值；
更新权重w来自于：
Figure BDA0001753830940000061
其中，c是一个尺度参数，由以下公式定义：
Figure BDA0001753830940000062
4)频谱极值提取，过程如下：
通过一个掩膜矩阵提取极值，设计了一个掩膜操作定义为：
B＝mask(f(x＊)) (13)
这个公式表示的是响应图极值的位置，矩阵B是一种掩膜矩阵由0，1组成，函数响应图的极值就等于f(x).＊B，在得到极值之后，按照设定比例缩放极值，然后定义一个震荡指数，来表示当前频谱响应图的震荡程度，这个指数定义为：
Figure BDA0001753830940000063
其中，avg()表示对一个向量求均值，如果更新指数大于设定比例的历史值，就认为当前帧有更新的价值；如果不是这样，将以设定概率触发回溯算法；所述回溯算法是将目标短时间内的运动看着匀速直线运动，根据之前有效帧目标的位置取均值算出当前速度，用于预测目标的运动位置：
P＝Plast+ζavg(P) (15)
其中，ζ是尺度参数，避免计算出的速度过大而使目标被跟丢。

Claims (1)

1.一种震动检测和参数自适应的对冲方法，其特征在于，所述方法包括以下步骤：
1)目标区域提取过程如下：
给定输入第一帧的目标位置p,在目标位置提取HOG特征和CN特征；根据公式(1)和(2)来提取相应特征，公式(1)是一个线性函数，是把图像映射到一个K通道的特征图:
Figure FDA0003011849380000011
τ→RK，x是来自于有限网格
Figure FDA0003011849380000012
Figure FDA0003011849380000013
其中，h是另一个K通道的特征图，公式(2)是一个将图像映射到M通道ψx:H→RM,x是来自于有限网:
Figure FDA0003011849380000014
Figure FDA0003011849380000015
其中，β是一个M通道的特征图；
最终的融合的特征是根据公式(3)来确定：
f(x)＝(γtmpl+wtmpl)ftmpl(x)+(γhist+whist)fhist(x) (3)
其中，γ是固定参数,w是自适应的权重参数；
2)目标位置检测过程如下：选取公式(3)中最大值点所对应的位置，即为预测目标位置；
3)自适应权重更新过程如下：
当目标位置被预测结束后，针对两种特征都各设计了一个损失函数公式(4)和(5)：
Figure FDA0003011849380000016
Figure FDA0003011849380000017
其中，max是返回函数矩阵最大值，另一个ft(xp)是表示预测目标位置的函数值；引入一个测量函数，定义为：
Figure FDA0003011849380000018
其中，
Figure FDA0003011849380000019
累计测量函数定义为：
Figure FDA00030118493800000110
定义每一个特征的稳定性是根据下列公式定义的：
Figure FDA00030118493800000111
其中，μ是损失函数的历史均值，而σ是损失函数的标准差，这个st是用来衡量特征稳定性的，越小越稳定；自适应权重最终结果主要由历史表现决定，定义以下公式：
Mt＝(1-η)Mt+ηmt (9)
η＝min(δ,exp(-ρst)) (10)
其中，ρ是一个尺度因子，δ是定义当前帧测量函数的最大比例；
更新权重w来自于：
Figure FDA0003011849380000021
其中，c是一个尺度参数，由以下公式定义：
Figure FDA0003011849380000022
4)频谱极值提取，过程如下：
通过一个掩膜矩阵提取极值，设计了一个掩膜操作定义为：
B＝mask(f(x★)) (13)
这个公式表示的是响应图极值的位置，矩阵B是一种掩膜矩阵由0，1组成，函数响应图的极值就等于f(x).★B，在得到极值之后，按照设定比例缩放极值，然后定义一个震荡指数，来表示当前频谱响应图的震荡程度，这个指数定义为：
Figure FDA0003011849380000023
其中，avg()表示对一个向量求均值，如果更新指数大于设定比例的历史值，就认为当前帧有更新的价值；如果不是这样，将以设定概率触发回溯算法；所述回溯算法是将目标短时间内的运动看着匀速直线运动，根据之前有效帧目标的位置取均值算出当前速度，用于预测目标的运动位置：
P＝Plast+ζavg(P) (15)
其中，ζ是尺度参数。
CN201810878214.7A 2018-08-03 2018-08-03 一种震动检测和参数自适应的对冲方法 Active CN109255800B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810878214.7A CN109255800B (zh) 2018-08-03 2018-08-03 一种震动检测和参数自适应的对冲方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810878214.7A CN109255800B (zh) 2018-08-03 2018-08-03 一种震动检测和参数自适应的对冲方法

Publications (2)

Publication Number Publication Date
CN109255800A CN109255800A (zh) 2019-01-22
CN109255800B true CN109255800B (zh) 2021-08-03

Family

ID=65049228

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810878214.7A Active CN109255800B (zh) 2018-08-03 2018-08-03 一种震动检测和参数自适应的对冲方法

Country Status (1)

Country Link
CN (1) CN109255800B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111724411B (zh) * 2020-05-26 2023-07-28 浙江工业大学 一种基于对冲算法的多特征融合跟踪方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644430A (zh) * 2017-07-27 2018-01-30 孙战里 基于自适应特征融合的目标跟踪
CN108288282A (zh) * 2017-12-26 2018-07-17 浙江工业大学 一种基于卷积神经网络的自适应特征选择目标跟踪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107644430A (zh) * 2017-07-27 2018-01-30 孙战里 基于自适应特征融合的目标跟踪
CN108288282A (zh) * 2017-12-26 2018-07-17 浙江工业大学 一种基于卷积神经网络的自适应特征选择目标跟踪方法

Also Published As

Publication number Publication date
CN109255800A (zh) 2019-01-22

Similar Documents

Publication Publication Date Title
CN106934381B (zh) 一种人脸识别跟踪方法
CN108564069B (zh) 一种工业佩戴安全帽视频检测方法
CN111062273B (zh) 一种遗留物品追溯检测与报警方法
CN103854292B (zh) 一种人数及人群运动方向的计算方法及装置
CN108109162B (zh) 一种利用自适应特征融合的多尺度目标跟踪方法
CN107316316A (zh) 基于多特征自适应融合和核相关滤波技术的目标跟踪方法
CN109461172A (zh) 人工与深度特征联合的相关滤波视频自适应跟踪方法
CN107368802B (zh) 基于kcf和人脑记忆机制的运动目标跟踪方法
CN109977895B (zh) 一种基于多特征图融合的野生动物视频目标检测方法
CN106952293B (zh) 一种基于非参数在线聚类的目标跟踪方法
CN110490907A (zh) 基于多目标特征和改进相关滤波器的运动目标跟踪方法
CN108053424B (zh) 目标跟踪方法、装置、电子设备及存储介质
CN105976397B (zh) 一种目标跟踪方法
CN110555870A (zh) 基于神经网络的dcf跟踪置信度评价与分类器更新方法
CN111402303A (zh) 一种基于kfstrcf的目标跟踪架构
US11821986B1 (en) Target tracking method, system, device and storage medium
CN109255800B (zh) 一种震动检测和参数自适应的对冲方法
CN113379789A (zh) 一种复杂环境下运动目标跟踪方法
CN110378932B (zh) 一种基于空间正则矫正的相关滤波视觉跟踪方法
CN114998392A (zh) 一种基于粒子滤波的视频多目标跟踪方法
TW202230201A (zh) 目標物影像追蹤系統及方法
CN111145216B (zh) 一种视频图像目标的跟踪方法
CN109389624B (zh) 基于相似度度量的模型漂移抑制方法及其装置
CN109615007B (zh) 基于粒子滤波的深度学习网络目标检测方法
CN109166138B (zh) 基于高阶累积量的目标跟踪方法、装置及存储介质

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