CN109389624B - 基于相似度度量的模型漂移抑制方法及其装置 - Google Patents

基于相似度度量的模型漂移抑制方法及其装置 Download PDF

Info

Publication number
CN109389624B
CN109389624B CN201811229008.XA CN201811229008A CN109389624B CN 109389624 B CN109389624 B CN 109389624B CN 201811229008 A CN201811229008 A CN 201811229008A CN 109389624 B CN109389624 B CN 109389624B
Authority
CN
China
Prior art keywords
target
frame
similarity
target set
updating
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
CN201811229008.XA
Other languages
English (en)
Other versions
CN109389624A (zh
Inventor
何雪东
周盛宗
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.)
Fujian Institute of Research on the Structure of Matter of CAS
Original Assignee
Fujian Institute of Research on the Structure of Matter of CAS
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 Fujian Institute of Research on the Structure of Matter of CAS filed Critical Fujian Institute of Research on the Structure of Matter of CAS
Priority to CN201811229008.XA priority Critical patent/CN109389624B/zh
Publication of CN109389624A publication Critical patent/CN109389624A/zh
Application granted granted Critical
Publication of CN109389624B publication Critical patent/CN109389624B/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
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • 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

本申请公开了一种基于相似度度量的模型漂移抑制方法及其装置，该方法包括以下步骤：步骤S100：根据初始化帧得到相关滤波跟踪算法中参数；步骤S200：对初始化帧中的目标位置和目标尺度进行采样，提取初始目标特征，提取跟踪t时间后，第i帧图像中框选目标的特征，计算框选目标与初始目标的相似度，进行相似度判断；步骤S300：如果更新目标集，则根据更新阈值β对训练模型进行更新。该方法设定固定数量的目标集，将跟踪过程中跟踪算法获得的目标块，经相似度度量判断后，确定是否更新目标集和模型，从而避免由于模板更新导致的模型漂移现象的发生。本发明的又一方面还提供了一种基于相似度度量的模型漂移抑制的装置。

Description

基于相似度度量的模型漂移抑制方法及其装置
技术领域
本申请涉及一种基于相似度度量的模型漂移抑制方法及其装置，属于计算机视觉领域。
背景技术
目标跟踪是计算机视觉问题中的研究热点之一，在视频监控、无人机等领域有着非常广泛的应用。一般目标跟踪是仅在其初始状态下，估计视频中目标的轨迹的问题。最近，相关滤波理论由于其高效性和鲁棒性，被用于目标跟踪领域中，极大地推动了目标跟踪的发展。在目标跟踪过程中，可视化跟踪基准(Visual Tracker Benchmark)序列集中包含了11种属性，表示视觉跟踪中的可视化目标的轨迹。
模板漂移现象是指：在目标跟踪过程中，由于不断进行模板更新，目标会逐渐移出模板，而背景物体则逐渐占据整个模板的现象。
目标物体被遮挡、目标物体不在视野中等属性是导致模型漂移的重要因素。虽然研究人员已就相关滤波跟踪算法进行了较多改进，但对于模型漂移问题，仍然主要通过特征表征等手段进行校正，所用特征如方向梯度直方图(HOG)、颜色属性(CN)和深度特征。
现有的相关滤波跟踪算法，对于模型漂移现象均无法较好的避免。
发明内容
根据本申请的一个方面，提供了一种基于相似度度量的模型漂移抑制方法，该方法设定固定数量的目标集，将跟踪过程中跟踪算法获得的目标块，经相似度度量判断后，确定是否更新目标集和模型，从而避免由于模板更新导致的模型漂移现象的发生。
所述基于相似度度量的模型漂移抑制方法，其特征在于，包括以下步骤：
步骤S100：设定目标集中所含目标数量，并将初始化帧中目标放入目标集中并填满所述目标集；
步骤S200：提取跟踪t时间后第i帧图像中框选目标的特征，计算框选目标与目标集中目标块的相似度，根据所述相似度判断第i帧图像中框选目标样本是否放入目标集中，如果放入则输出更新阈值进行目标集更新；
步骤S300：如果更新目标集，则根据更新阈值对训练模型进行更新，否则不更新所述训练模型。
可选地，所述相关滤波跟踪算法中包括尺度估计步骤时，所述步骤S200中还包括将第i帧图像中框选目标缩放到初始化目标尺度后，对第i帧图像中框选目标进行特征提取步骤。
可选地，所述目标集更新策略为先进先出更新策略。
可选地，所述步骤S300中按
Figure BDA0001836665700000021
对训练模型参数进行更新，
其中，
Figure BDA0001836665700000022
为初始化帧滤波器模型参数，
Figure BDA0001836665700000023
为跟踪t-1时刻下滤波器模型参数，
Figure BDA0001836665700000031
为跟踪t时刻下滤波器模型参数。
Figure BDA0001836665700000032
为跟踪t-1时刻下目标外观模型参数，
Figure BDA0001836665700000033
为初始化帧目标外观模型参数，
Figure BDA0001836665700000034
为跟踪t时刻下目标外观模型参数，β为更新阈值，μ为训练模型学习率。
可选地，所述步骤S200包括以下步骤：
步骤S210：判断第i帧跟踪图像框选目标样本和与目标集中各目标块的相似度是否大于等于0.9，如果大于等于0.9则不更新目标集中，并设置更新阈值β＝1；
步骤S220：如果小于0.9，则判断第i帧跟踪图像框选目标样本与与目标集中各目标块的相似度大于等于0.7的数量是否占目标集总数的一半，如果是，则用第i帧跟踪图像框选目标样本更新所述目标集，并设置更新阈值β＝0.5；
步骤S230：如果不是判断第i帧跟踪图像框选目标样本与目标集中各目标块的相似度大于0.5的数量是否占目标集数的一半，如果是，则设置更新阈值β＝0。
可选地，所述步骤S100中包括：根据初始化帧中目标位置和尺度提取目标块，并提取初始化帧HOG特征并向量化，存入目标集。
本发明的又一方面提供了一种基于相似度度量的模型漂移抑制装置，包括：
初始帧提取模块，用于设定目标集中所含目标数量，并将初始化帧中目标放入目标集中并填满所述目标集；
相似性模块，用于提取跟踪t时间后第i帧图像中框选目标的特征，计算框选目标与目标集中目标块的相似度，根据所述相似度判断第i帧图像中框选目标样本是否放入目标集中，如果放入则输出更新阈值进行目标集更新；
更新模块，用于如果更新目标集，则根据更新阈值对训练模型进行更新，否则不更新所述训练模型。
可选地，所述更新模块中按
Figure BDA0001836665700000041
对训练模型参数进行更新，
其中，
Figure BDA0001836665700000042
为初始化帧滤波器模型参数，
Figure BDA0001836665700000043
为跟踪t-1时刻下滤波器模型参数，
Figure BDA0001836665700000044
为跟踪t时刻下滤波器模型参数。
Figure BDA0001836665700000045
为跟踪t-1时刻下目标外观模型参数，
Figure BDA0001836665700000046
为初始化帧目标外观模型参数，
Figure BDA0001836665700000047
为跟踪t时刻下目标外观模型参数，β为更新阈值，μ为训练模型学习率。
可选地，所述相似性模块中包括：
第一判断模块，用于判断第i帧跟踪图像框选目标样本和与目标集中各目标块的相似度是否大于等于0.9，如果大于等于0.9则不更新目标集中，并设置更新阈值β＝1；
第二判断模块，用于如果小于0.9，则判断第i帧跟踪图像框选目标样本与与目标集中各目标块的相似度大于等于0.7的数量是否占目标集总数的一半，如果是，则用第i帧跟踪图像框选目标样本更新所述目标集，并设置更新阈值β＝0.5；
第三判断模块，用于如果不是判断第i帧跟踪图像框选目标样本与目标集中各目标块的相似度大于0.5的数量是否占目标集数的一半，如果是，则设置更新阈值β＝0。
可选地，所述目标集更新策略为先进先出更新策略。
本申请中，目标集中所含目标数量简写为nums。
本申请能产生的有益效果包括：
1)本申请所提供的基于相似度度量的模型漂移抑制方法及其装置，解决了相关滤波跟踪算法的模型漂移问题。该方法应用成本低、运作过程能耗低、鲁棒性强，可以应用在任何相关滤波跟踪算法中，以解决目标跟踪过程中的模型漂移问题。
2)本申请所提供的基于相似度度量的模型漂移抑制方法及其装置，设定固定数量的目标集，通过相似度方法来更新目标集。避免同步更新目标集和模型，采用不同的判定条件判断目标集和模型是否需要进行更新，从而有效避免学习跟踪背景导致的跟踪失败问题。
3)现有算法主要是依靠强大的特征提取，如CNN，比如ECO算法对模型均采用每隔5帧进行更新，依靠强大的特征提取，缓慢的更新模型虽然部分解决了模型漂移问题，但现有算法的学习率是固定，无法适应目标物体快速变换的情况。本申请仅仅依靠HOG特征就能防止遮挡后模型污染等情况。根据跟踪过程中的目标变化情况来进行学习率调整，使得模型免受污染，在目标重现后，能够准确检测并实现继续跟踪。
附图说明
图1为本申请一种实施方式中基于相似度度量的模型漂移抑制方法流程示意图；
图2为本申请一种实施方式中基于相似度度量的模型漂移抑制装置结构示意图；
图3为分别采用本申请优选实施例方法和对比例方法对盒子图像跟踪结果示意图，其中a)为初始帧；b)为视频第472帧，被追踪对象无遮挡时，框选正确；c)为视频第1161帧，被追踪对象无遮挡时，框选正确，其中能框住待追踪目标的选框为采用本申请提供方法所得结果，无法框选待追踪目标的选框为对比例所得结果；
图4为分别采用本申请优选实施例和对比例方法对玩偶追踪结果示意图，其中a)为初始帧；b)为视频第472帧，被追踪对象无遮挡时，框选正确；c)为视频第1161帧，被追踪对象无遮挡时，框选正确，其中能框住待追踪目标的选框为采用本申请提供方法所得结果，无法框选待追踪目标的选框为对比例所得结果。
具体实施方式
下面结合实施例详述本申请，但本申请并不局限于这些实施例。
参见图1，本申请提供的基于相似度度量的模型漂移抑制方法，包括以下步骤：
步骤S100：设定目标集中所含目标数量，并将初始化帧中目标放入目标集中并填满所述目标集；
步骤S200：提取跟踪t时间后第i帧图像中框选目标的特征，计算框选目标与目标集中目标块的相似度，根据所述相似度判断第i帧图像中框选目标样本是否放入目标集中，如果放入则输出更新阈值进行目标集更新；
步骤S300：如果更新目标集，则根据更新阈值对训练模型进行更新，否则不更新所述训练模型。
本申请提供方法能用于各类相关滤波跟踪算法中，以解决模型漂移问题。步骤S100中填满所述目标集可以采用步骤S200中方法，也可以采用现有方法。
本申请提供的方法通过设置固定数目的目标集，可以避免目标集被无关跟踪结果污染，仅将相似度为0.7以上跟踪结果放入目标集。设置判定跟踪到的样本设置相似度，并对学习率进行调节，对于遮挡或不在视线内等其他因素引起的突然变化，均能够检测。避免对此类跟踪结果的学习，导致污染模型参数。
保存目标出现或恢复到初始化状态后能够快速检测到目标，并进行框选，继续学习和跟踪。特征的提取可根据目标集中目标数量进行选择。
现有各类相似度计算方法均可用于本申请中，例如：如欧式距离或余弦距离等。所述特征还包括如hog，sift等对形变，光线变化等不变的特征。当跟踪时间为t+1，并获得第i+1帧图像时，上述方法返回步骤S200～S300重复判断每个所得跟踪图像。
优选地，所述相关滤波跟踪算法中包括尺度估计步骤时，所述步骤S200中还包括将第i帧图像中框选目标缩放到初始化目标尺度后，对第i帧图像中框选目标进行特征提取步骤。
优选地，所述目标集更新策略为先进先出更新策略。
优选地，所述步骤S300中按：
Figure BDA0001836665700000081
对训练模型参数进行更新，
其中，
Figure BDA0001836665700000082
为初始化(当前帧不是初始化，当前帧单独训练得到的滤波参数通过插值方式和前t-1帧合成t帧滤波器参数)帧滤波器模型参数，
Figure BDA0001836665700000083
为跟踪t-1时刻下滤波器模型参数，
Figure BDA0001836665700000084
为跟踪t时刻下滤波器模型参数。
Figure BDA0001836665700000085
为跟踪t-1时刻下目标外观模型参数，
Figure BDA0001836665700000086
为初始化帧目标外观模型参数，
Figure BDA0001836665700000087
为跟踪t时刻下目标外观模型参数，β为更新阈值，μ为训练模型学习率。
Figure BDA0001836665700000088
和
Figure BDA0001836665700000089
均为训练模型参数。
Figure BDA00018366657000000810
和学习率可以根据所采用的相关滤波跟踪算法得到。
将该方法用于现有目标跟踪算法中，能根据
Figure BDA00018366657000000811
和
Figure BDA00018366657000000812
输出响应图最大值出的位置，从而准确获取目标位置。
为了保证目标集的时效性，且防止目标集中样本过于类似，优选地，所述步骤S200包括以下步骤：
步骤S210：判断第i帧跟踪图像框选目标样本和与目标集中各目标块的相似度是否大于等于0.9，如果大于等于0.9则不更新目标集中，并设置更新阈值β＝1；
步骤S220：如果小于0.9，则判断第i帧跟踪图像框选目标样本与与目标集中各目标块的相似度大于等于0.7的数量是否占目标集总数的一半，如果是，则用第i帧跟踪图像框选目标样本更新所述目标集，并设置更新阈值β＝0.5；
步骤S230：如果不是判断第i帧跟踪图像框选目标样本与目标集中各目标块的相似度大于0.5的数量是否占目标集数的一半，如果是，则设置更新阈值β＝0。
优选地，步骤S100中填满所述目标集采用上述步骤S210～S230进行。
优选地，所述更新阈值β为0～1。
Figure BDA0001836665700000091
优选地，步骤S100中包括：根据初始化帧中目标位置和尺度提取目标块，并提取初始化帧HOG特征并向量化，存入目标集。
参见图2，本申请的又一方面还提供了一种基于相似度度量的模型漂移抑制装置，包括：
初始帧提取模块100，用于设定目标集中所含目标数量，并将初始化帧中目标放入目标集中并填满所述目标集；
相似性模块200，用于提取跟踪t时间后第i帧图像中框选目标的特征，计算框选目标与目标集中目标块的相似度，根据所述相似度判断第i帧图像中框选目标样本是否放入目标集中，如果放入则输出更新阈值进行目标集更新；更新模块300，用于如果更新目标集，则根据更新阈值对训练模型进行更新，否则不更新所述训练模型。优选地，所述更新模块300中按
Figure BDA0001836665700000092
对训练模型参数进行更新，
其中，
Figure BDA0001836665700000093
为初始化帧滤波器模型参数，
Figure BDA0001836665700000094
为跟踪t-1时刻下滤波器模型参数，
Figure BDA0001836665700000095
为跟踪t时刻下滤波器模型参数。
Figure BDA0001836665700000096
为跟踪t-1时刻下目标外观模型参数，
Figure BDA0001836665700000097
为初始化帧目标外观模型参数，
Figure BDA0001836665700000098
为跟踪t时刻下目标外观模型参数，β为更新阈值，μ为训练模型学习率。
为了保证目标集的时效性，且防止目标集中样本过于类似，优选地，所述相似性模块200中包括：
第一判断模块，用于判断第i帧跟踪图像框选目标样本和与目标集中各目标块的相似度是否大于等于0.9，如果大于等于0.9则不更新目标集中，并设置更新阈值β＝1；
第二判断模块，用于如果小于0.9，则判断第i帧跟踪图像框选目标样本与与目标集中各目标块的相似度大于等于0.7的数量是否占目标集总数的一半，如果是，则用第i帧跟踪图像框选目标样本更新所述目标集，并设置更新阈值β＝0.5；
第三判断模块，用于如果不是判断第i帧跟踪图像框选目标样本与目标集中各目标块的相似度大于0.5的数量是否占目标集数的一半，如果是，则设置更新阈值β＝0。
优选地，所述目标集更新策略为先进先出更新策略。
以下结合具体实例对本申请提供的方法进行详细说明。
本实施例中，将本发明提供方法与KFC算法结合使用。对比例中仅使用KFC算法。基于核相关滤波跟踪算法(KCF)跟踪目标相关参数和步骤参考KCF算法，学习率设定为μ＝0.02。相似度采用余弦距离
Figure BDA0001836665700000101
提取的特征：相似度、hog，sift等对形变、光线变化。设定目标数量nums＝10。其他参数实施例和对比例均相同，且按现有KFC算法设置。实施例和对比例中所处理视频素材相同。
输入
●图像It，位置Pt-1和尺度St-1，模型大小sz，设置目标集nums大小为10
●模型参数
Figure BDA0001836665700000111
输出
●位置Pt和尺度St，模型参数
Figure BDA0001836665700000112
和
Figure BDA0001836665700000113
位置评估：
1:根据Pt-1和St-1从It中提取填充样本z(大小和模型大小一样用于训练滤波器)。并提取目标样本放入目标集(第一帧直接放入，后续根据相似度判断原则，满足相似度要求后放入，直至填满)
2:根据z，
Figure BDA0001836665700000114
求得响应图response，
3:输出Pt为response最大值的位置。
模型更新：
根据更新阈值β情况，根据下式更新
Figure BDA0001836665700000115
此处更新步骤为按所用KCF跟踪方法中求目标下一帧位置的步骤进行。
本实例中所用KCF包括分类器训练、快速检测与模型更新三部分，本发明提供方法用于模型更新部分，主要是进行模型更新之前计算出更新阈值β，以此来调整模型更新速率。
本实例中采用本发明提供方法对KCF跟踪方法计算得到的每一帧进行相似性判断，之后计算出更新阈值β。
具体包括以下步骤：
更新
Figure BDA0001836665700000116
Figure BDA0001836665700000117
其中，
Figure BDA0001836665700000118
为初始化帧滤波器模型参数，
Figure BDA0001836665700000119
为跟踪t-1时刻下滤波器模型参数，
Figure BDA00018366657000001110
为跟踪t时刻下滤波器模型参数。
Figure BDA00018366657000001111
为跟踪t-1时刻下目标外观模型参数，
Figure BDA00018366657000001112
为初始化帧目标外观模型参数，
Figure BDA00018366657000001113
为跟踪t时刻下目标外观模型参数，β为更新阈值，μ为训练模型学习率。
样本集的填充和更新均按以下步骤进行：
步骤S210：判断第i帧跟踪图像框选目标样本和与目标集中各目标块的相似度是否大于等于0.9，如果大于等于0.9则不更新目标集中，并设置更新阈值β＝1；
步骤S220：如果小于0.9，则判断第i帧跟踪图像框选目标样本与与目标集中各目标块的相似度大于等于0.7的数量是否占目标集总数的一半，如果是，则用第i帧跟踪图像框选目标样本更新所述目标集，并设置更新阈值β＝0.5；
步骤S230：如果不是判断第i帧跟踪图像框选目标样本与目标集中各目标块的相似度大于0.5的数量是否占目标集数的一半，如果是，则设置更新阈值β＝0。
所得结果如图3～4所示。图3a)为初始帧，图3b)为处理视频的第472帧图像，其中目标存在部分遮挡，现有KFC算法无法识别部分遮挡目标，仍然停留在初始帧的位置上。图3c)为处理视频的第1161帧图像，其中待追踪目标盒子存在严重遮挡，此时按本发明提供方法实施的实施例，框选结果能准备识别被遮挡盒子位置，而现有KFC算法的跟踪结果仍然停留在初始帧中目标所处位置，无法准确跟踪被遮挡的目标。同时在图3c)中虽然跟踪物体经过对比例选框，但由于对比例中所用模型已被污染，依然无法跟踪目标。
图4a)为初始帧，图4b)为处理视频的第472帧图像，其中目标存在部分遮挡，现有KFC算法无法识别部分遮挡目标，仍然停留在初始帧的位置上。图4c)为处理视频的第1161帧图像，其中待追踪目标玩偶存在严重遮挡，此时按本发明提供方法实施的实施例，框选结果能准备识别被遮挡玩偶位置，而现有KFC算法的跟踪结果仍然停留在初始帧中目标所处位置，无法准确跟踪被遮挡的目标。同时在图4c)中虽然跟踪物体经过对比例选框，但由于对比例中所用模型已被污染，依然无法跟踪目标。
以上所述，仅是本申请的几个实施例，并非对本申请做任何形式的限制，虽然本申请以较佳实施例揭示如上，然而并非用以限制本申请，任何熟悉本专业的技术人员，在不脱离本申请技术方案的范围内，利用上述揭示的技术内容做出些许的变动或修饰均等同于等效实施案例，均属于技术方案范围内。

Claims (8)

1.一种基于相似度度量的模型漂移抑制方法，其特征在于，包括以下步骤：
步骤S100：设定目标集中所含目标数量，并将初始化帧中目标放入目标集中并填满所述目标集；
步骤S200：提取跟踪t时间后第i帧图像中框选目标的特征，计算框选目标与目标集中目标块的相似度，根据所述相似度判断第i帧图像中框选目标样本是否放入目标集中，如果放入则输出更新阈值进行目标集更新；
步骤S300：如果更新目标集，则根据更新阈值对训练模型进行更新，否则不更新所述训练模型；
所述步骤S200包括以下步骤：
步骤S210：判断第i帧跟踪图像框选目标样本和与目标集中各目标块的相似度是否大于等于0.9，如果大于等于0.9则不更新目标集中，并设置更新阈值β＝1；
步骤S220：如果小于0.9，则判断第i帧跟踪图像框选目标样本与目标集中各目标块的相似度大于等于0.7的数量是否占目标集总数的一半，如果是，则用第i帧跟踪图像框选目标样本更新所述目标集，并设置更新阈值β＝0.5；
步骤S230：如果不是判断第i帧跟踪图像框选目标样本与目标集中各目标块的相似度大于0.5的数量是否占目标集数的一半，如果是，则设置更新阈值β＝0。
2.根据权利要求1所述的基于相似度度量的模型漂移抑制方法，其特征在于，所述基于相似度度量的模型漂移抑制方法中，还可以包括尺度估计步骤，当包含尺度估计步骤时，所述步骤S200中还包括将第i帧图像中框选目标缩放到初始化目标尺度后，对第i帧图像中框选目标进行特征提取的步骤。
3.根据权利要求1所述的基于相似度度量的模型漂移抑制方法，其特征在于，步骤S200中，所述目标集更新的策略为先进先出更新策略。
4.根据权利要求1所述的基于相似度度量的模型漂移抑制方法，其特征在于，所述步骤S300中按
Figure FDA0003384053530000021
对训练模型参数进行更新，
其中，
Figure FDA0003384053530000022
为初始化帧滤波器模型参数，
Figure FDA0003384053530000023
为跟踪t-1时刻下滤波器模型参数，
Figure FDA0003384053530000024
为跟踪t时刻下滤波器模型参数，
Figure FDA0003384053530000025
为跟踪t-1时刻下目标外观模型参数，
Figure FDA0003384053530000026
为初始化帧目标外观模型参数，
Figure FDA0003384053530000027
为跟踪t时刻下目标外观模型参数，β为更新阈值，μ为训练模型学习率。
5.根据权利要求1所述的基于相似度度量的模型漂移抑制方法，其特征在于，所述步骤S100中包括：根据初始化帧中目标位置和尺度提取目标块，并提取初始化帧HOG特征并向量化，存入目标集。
6.一种基于相似度度量的模型漂移抑制装置，其特征在于，包括：
初始帧提取模块，用于设定目标集中所含目标数量，并将初始化帧中目标放入目标集中并填满所述目标集；
相似性模块，用于提取跟踪t时间后第i帧图像中框选目标的特征，计算框选目标与目标集中目标块的相似度，根据所述相似度判断第i帧图像中框选目标样本是否放入目标集中，如果放入则输出更新阈值进行目标集更新；
更新模块，用于如果更新目标集，则根据更新阈值对训练模型进行更新，否则不更新所述训练模型；
所述相似性模块中包括：
第一判断模块，用于判断第i帧跟踪图像框选目标样本和与目标集中各目标块的相似度是否大于等于0.9，如果大于等于0.9则不更新目标集中，并设置更新阈值β＝1；
第二判断模块，用于如果小于0.9，则判断第i帧跟踪图像框选目标样本与目标集中各目标块的相似度大于等于0.7的数量是否占目标集总数的一半，如果是，则用第i帧跟踪图像框选目标样本更新所述目标集，并设置更新阈值β＝0.5；
第三判断模块，用于如果不是判断第i帧跟踪图像框选目标样本与目标集中各目标块的相似度大于0.5的数量是否占目标集数的一半，如果是，则设置更新阈值β＝0。
7.根据权利要求6所述的基于相似度度量的模型漂移抑制装置，其特征在于，所述更新模块中按
Figure FDA0003384053530000041
对训练模型参数进行更新，
其中，
Figure FDA0003384053530000042
为初始化帧滤波器模型参数，
Figure FDA0003384053530000043
为跟踪t-1时刻下滤波器模型参数，
Figure FDA0003384053530000044
为跟踪t时刻下滤波器模型参数，
Figure FDA0003384053530000045
为跟踪t-1时刻下目标外观模型参数，
Figure FDA0003384053530000046
为初始化帧目标外观模型参数，
Figure FDA0003384053530000047
为跟踪t时刻下目标外观模型参数，β为更新阈值，μ为训练模型学习率。
8.根据权利要求6所述的基于相似度度量的模型漂移抑制装置，其特征在于，所述目标集更新策略为先进先出更新策略。
CN201811229008.XA 2018-10-22 2018-10-22 基于相似度度量的模型漂移抑制方法及其装置 Active CN109389624B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811229008.XA CN109389624B (zh) 2018-10-22 2018-10-22 基于相似度度量的模型漂移抑制方法及其装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811229008.XA CN109389624B (zh) 2018-10-22 2018-10-22 基于相似度度量的模型漂移抑制方法及其装置

Publications (2)

Publication Number Publication Date
CN109389624A CN109389624A (zh) 2019-02-26
CN109389624B true CN109389624B (zh) 2022-04-19

Family

ID=65427614

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811229008.XA Active CN109389624B (zh) 2018-10-22 2018-10-22 基于相似度度量的模型漂移抑制方法及其装置

Country Status (1)

Country Link
CN (1) CN109389624B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110070126B (zh) * 2019-04-19 2022-08-16 中国科学院福建物质结构研究所 用于相关滤波目标跟踪的模型更新方法及其装置
CN111028269B (zh) * 2019-12-26 2023-12-26 陕西理工大学 一种简单模拟时域正则化的目标跟踪模型更新方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927762A (zh) * 2013-01-11 2014-07-16 浙江大华技术股份有限公司 一种目标车辆自动跟踪方法及装置
CN107680119A (zh) * 2017-09-05 2018-02-09 燕山大学 一种基于时空上下文融合多特征及尺度滤波的跟踪算法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8723795B2 (en) * 2008-04-24 2014-05-13 Oblong Industries, Inc. Detecting, representing, and interpreting three-space input: gestural continuum subsuming freespace, proximal, and surface-contact modes
KR20130102895A (ko) * 2012-03-08 2013-09-23 한국전자통신연구원 동영상에서의 전경 레이어 추출 장치 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103927762A (zh) * 2013-01-11 2014-07-16 浙江大华技术股份有限公司 一种目标车辆自动跟踪方法及装置
CN107680119A (zh) * 2017-09-05 2018-02-09 燕山大学 一种基于时空上下文融合多特征及尺度滤波的跟踪算法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
复杂环境目标跟踪点漂移校正与抑制方法研究;赖建宏;《中国优秀硕士学位论文全文数据库.信息科技辑》;20140115(第01期);第12页第2.2.2节，表2-2 *

Also Published As

Publication number Publication date
CN109389624A (zh) 2019-02-26

Similar Documents

Publication Publication Date Title
KR102275452B1 (ko) 색상과 형태를 동시에 고려한 실시간 영상 추적 방법 및 이를 위한 장치
CN107480704B (zh) 一种具有遮挡感知机制的实时视觉目标跟踪方法
CN107256225B (zh) 一种基于视频分析的热度图生成方法及装置
CN107358623B (zh) 一种基于显著性检测和鲁棒性尺度估计的相关滤波跟踪方法
CN105913028B (zh) 一种基于face++平台的人脸跟踪方法及其装置
CN110728697A (zh) 基于卷积神经网络的红外弱小目标检测跟踪方法
CN111322993B (zh) 一种视觉定位方法和装置
CN108846855B (zh) 目标跟踪方法及设备
CN109146917B (zh) 一种弹性更新策略的目标跟踪方法
CN107578424B (zh) 一种基于时空分类的动态背景差分检测方法、系统及装置
CN109389624B (zh) 基于相似度度量的模型漂移抑制方法及其装置
CN111178261B (zh) 一种基于视频编码技术的人脸检测加速方法
CN110689555A (zh) 基于前景检测的kcf跟踪目标丢失检测方法及系统
CN111199554A (zh) 一种目标跟踪抗遮挡的方法及装置
CN108765463B (zh) 一种结合区域提取与改进纹理特征的运动目标检测方法
CN112509003A (zh) 解决目标跟踪框漂移的方法及系统
CN105719251B (zh) 一种用于大像移线性模糊的压缩降质图像复原方法
CN110363789B (zh) 一种面向实际工程应用的长期视觉跟踪方法
CN113705380B (zh) 雾天的目标检测方法、装置、电子设备以及存储介质
CN114998628A (zh) 基于模板匹配的孪生网络长时目标跟踪方法
CN107452019B (zh) 一种基于模型切换的目标检测方法、装置、系统及存储介质
CN108010050B (zh) 一种基于自适应背景更新和选择性背景更新的前景检测方法
CN113379789A (zh) 一种复杂环境下运动目标跟踪方法
CN116091781B (zh) 一种用于图像识别的数据处理方法及装置
CN111028268B (zh) 一种目标跟踪中快速目标尺度估计方法

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