CN109859242B - 一种预测自适应学习的目标跟踪方法 - Google Patents
一种预测自适应学习的目标跟踪方法 Download PDFInfo
- Publication number
- CN109859242B CN109859242B CN201910040310.9A CN201910040310A CN109859242B CN 109859242 B CN109859242 B CN 109859242B CN 201910040310 A CN201910040310 A CN 201910040310A CN 109859242 B CN109859242 B CN 109859242B
- Authority
- CN
- China
- Prior art keywords
- target
- frame
- tracking
- sample
- classifier
- 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
Links
Images
Abstract
本发明涉及一种预测自适应学习的目标跟踪方法,属于图像处理领域。该方法具体包括:S1:输入第t帧图像,利用运动向量预测目标位置;S2:通过LogGabor滤波器获得相位一致性图像;S3:采集正、负样本,利用随机稀疏矩阵的提取特征,并计算正负样本的压缩特征;S4:选取朴素贝叶斯分类器响应最大的候选位置作为当前帧的目标;S5:计算目标窗口相似度来自适应地更新分类器;S6:输出第t帧的目标位置及更新后的模型参数。本发明在跟踪成功率上有显著提升,平均中心误差明显降低,提高了原算法在光照变化、遮挡等情况下的跟踪精度,有着良好的跟踪性能。
Description
技术领域
本发明属于图像处理领域,涉及一种预测自适应学习的目标跟踪方法。
背景技术
随着计算机技术的迅速发展,目标跟踪作为计算机视觉领域的关键技术广泛应用于视频监控、人机交互、无人驾驶等领域,具有广阔的应用前景。在实际目标跟踪中往往会遇到各项干扰因素所带来的问题,其中需要考虑的关键因素有:1)复杂的背景;2)目标的遮挡;3)目标的形变;4)算法实时性。因此,保证长期稳定的目标跟踪成为了众多学者的研究重点。
早期的研究大部分是基于生成模型进行跟踪,这种跟踪算法计算量大且复杂度高,难以进行实时跟踪。随着跟踪算法的快速发展,基于判别模型的跟踪成为了众多专家学者的研究重点。有学者提出了基于压缩感知的跟踪算法(Compressive Tracking,CT),该跟踪算法复杂度低且实时性强,但漂移现象较为明显。还有学者提出了快速压缩跟踪(FastCompressive Tracking,FCT)算法,该算法虽然较好地解决了严重的漂移现象,但仅能在目标遇到少量遮挡时保持较好跟踪效果。这些算法在实际应用中都能取得较好的跟踪效果,但仍然存在一些问题,如当跟踪目标的运动状态变化较大、光照变化明显时,其跟踪效果较差。因此,能在复杂环境下实现鲁棒、稳定的跟踪目标的算法仍然有待研究。
为了解决上述存在的问题和缺陷,本发明提出了一种将压缩感知和相位一致性理论相结合的跟踪算法。之后根据运动向量的原理,来预测下一帧中目标的位置。利用压缩感知理论对所提取的特征进行降维,减少运算信息量,更加提升跟踪的速度,满足实时性的要求。并自适应的更新滤波器参数,来提高跟踪算法的准确性。
发明内容
有鉴于此,本发明的目的在于提供一种预测自适应学习的目标跟踪方法,用于解决压缩跟踪在光照变化、遮挡情况下跟踪不稳定问题,利用相位一致性不易受光照变化影响和能够检测大范围特征的特点,并根据相似度自适应更新分类器,使得分类结果更准确。
为达到上述目的,本发明提供如下技术方案:
一种预测自适应学习的目标跟踪方法,包括压缩跟踪与相位一致性、预测机制及分类器自适应更新,如图1所示,该方法具体包括以下步骤:
S1:输入第t帧图像,按照式(1)利用运动向量预测目标位置Lp;
其中,(x2,y2)表示当前帧位置,(x3,y3)表示预测位置,(Δx,Δy)表示运动向量;
S2:对目标搜索区域Tsearch用式(2)进行相位一致性变换,得到相位一致性图像imgpc;
其中,参数o表示方向的索引,m是小波变换的尺度,下面只从一个方向上来说明相关参数的含义:PC2(x,y)为二维信号的相位一致性,Am(x,y)为第m级傅里叶级数成分的振幅,W(x,y)是控制频率展宽函数,为相位偏移量,ε为恒定系数,T为预估噪声系数;
S3:采集正、负样本,利用随机稀疏矩阵的提取特征,正、负样本的搜索区域分别为TPOS={x|l(z)-Lp<a}、Tneg={x|b<l(z)-Lp<c},并根据式(3)计算正负样本的压缩特征;
V=RX (3)
其中,l(z)表示第i帧图像中样本z的中心位置,Lp表示第i帧图像中目标的中心位置,a为正样本搜索半径,b为负样本搜索内半径,c为负样本搜索外半径,且a<b<c;R为测量矩阵,V是原高维信号x在R下的投影;
S4:将特征值代入式(4),设样本为目标(即正样本)时y=1,样本为背景(即负样本)时y=0,假设先验概率p(y=1)=p(y=0)选取朴素贝叶斯分类器响应最大的候选位置作为当前帧的目标Lt;
其中,v为样本z的低维特征,v=(v1,v2,...,vn)T。
S5:分类器自适应更新:计算第t帧和初始帧目标窗口的巴氏系数B;
S6:判断B与q和p的关系,其中q,p为自适应阈值,且q>p,利用学习参数λ更新分类器参数;
S7:最终输出第t帧的目标位置及更新后的模型参数。
进一步,步骤S1中,假设当前帧位置为(x2,y2),上一帧位置为(x1,y1);当物体快速移动时,利用运动向量信息以及当前帧的位置信息来预测下一帧的目标位置,即位置预测方法:利用运动向量(Δx,Δy)来确定下一帧目标位置时,通过计算(x2+Δx,y2+Δy)来作为目标的初始位置,在目标快速运动的情况下,以预测位置为中心进行跟踪。
进一步,步骤S2中,使用压缩跟踪对图像进行多尺度降维,将多维特征向量映射到低维特征中,并利用局部能量模型进行相位一致计算从而提取线性、阶跃等重要图像特征,即:
其中,PC(x)为一维信号在x处信号的相位一致性函数,Am为第m级Fourier的振幅。
进一步,步骤S5中,所述分类器自适应更新具体包括:采用Bhattacharyya系数来度量初始帧目标窗口和当前帧目标窗口的相似性;对于连续概率分布,其表达式为:
其中,p(x)和q(x)分别为初始帧目标窗口和当前帧目标窗口图像的密度函数;B表示巴氏系数,通过比较两帧搜索窗口B∈[0,1]图像的相似度;B值越大,两窗口目标图像相似度越大。
进一步,步骤S6中,所述判断B与q和p的关系具体为:
(1)若B<p,则提取初始帧的正样本、t帧的负样本,利用学习参数λ更新分类器参数;
(2)若p≤B≤q,则仅采集t帧的负样本,利用学习参数λ更新分类器参数;
(3)若B>q,则采集t帧正、负样本,利用学习参数λ更新分类器参数。
本发明的有益效果在于:本发明通过使用运动向量预测更准确的目标位置,利用相位一致性不易受光照变化影响和能够检测大范围特征的特点,并根据相似度自适应更新分类器,使得分类结果更准确。运用本发明对多个视频序列进行测试,实验结果表明,本发明在跟踪成功率上有显著提升,平均中心误差明显降低,提高了原算法在光照变化、遮挡等情况下的跟踪精度;有着良好的跟踪性能在目标在被大面积遮挡和光照变化的情况时,仍能保证目标跟踪具有更好的鲁棒性。
附图说明
为了使本发明的目的、技术方案和有益效果更加清楚,本发明提供如下附图进行说明:
图1为本发明所述跟踪方法流程图;
图2为位置预测方法示意图;
图3为x处Fourier成分的极坐标图;
图4为自适应更新分类器示意图;
图5为特征生成示意图;
图6选取搜索区域示意图。
具体实施方式
下面将结合附图,对本发明的优选实施例进行详细的描述。
如图1所示,本发明所述的一种预测自适应学习的目标跟踪方法,具体包括以下步骤:
S1:在目标快速运动时,传统压缩跟踪算法容易产生跟踪丢失的问题,为了解决这个问题,本发明引入位置预测机制。假设当前帧位置为(x2,y2),上一帧位置为(x1,y1)。当物体快速移动时,按照传统方法将(x2,y2)作为下一帧的初始位置,会产生跟踪误差。利用运动向量信息以及当前帧的位置信息来预测下一帧的目标位置,提出了位置预测机制,如图2所示,利用运动向量(Δx,Δy)来确定下一帧目标位置时,计算预测位置(x2+Δx,y2+Δy)作为目标的初始位置。引入位置预测法后,在目标快速运动的情况下,以预测位置为中心进行跟踪更容易覆盖目标,故该方法对于快速运动的目标跟踪具有较好的鲁棒性。
S2:对于一维信号,在x处信号的相位一致性函数为:
相位一致性的计算可延伸到二维信号当中,以正交滤波器来计算PC值,将信号与LogGabor小波滤波器卷积获得局部能量函数来替代Hilbert变换。在(x,y)处的图像相位一致性表示为:
其中,参数o表示方向的索引。
S3:随机高斯测量矩阵是经典的测量矩阵,但高斯矩阵是稠密的,不利于存储和快速计算。这里给出了一种非常稀疏的随机测量矩阵,形式如下:
式中,s取值为2-4时,该矩阵满足推论Johnsen-lindenstrauss定理。利用一个稀疏的测量矩阵R将高维特征向量X映射到低维空间Rm中,将压缩后的低维特征向量记为V,如图5所示:
上述压缩感知提取特征的公式为:
V=RX
对初始帧手动选取目标区域T,目标位置记为(x,y,w,h),其中x,y为目标区域的左上角坐标,w,h分别为目标区域的宽和高。本发明中选取搜索区域如图6所示:
对于正样本的搜索区域为正中心的矩形表示目标区域,a,b,c表示正负样本的搜索半径,正样本的搜索区域和负样本的搜索区域分别为:TPOS={x|l(z)-Lp<a}、Tneg={x|b<l(z)-Lp<c},其中Lp是t帧的预测位置,并且a<b<c。为保证t帧正负样本均在搜索区域进行选取,因而我们将最大的矩形作为我们的搜索区域Tsearch,其中X=c+w/2,Y=c+h/2。
S4:在特征提取后要进行分类器的构建与更新,假设v中的所有元素都是独立分布的并用朴素贝叶斯分类器对其进行建模,设样本为目标(即正样本)时y=1,样本为背景(即负样本)时y=0,假设先验概率p(y=1)=p(y=0),朴素贝叶斯分类器模型定义为:
其中p(vi|y=1)和p(vi|y=0)条件概率都服从高斯分布,即:
式中参数μ1和σ1分别为目标样本的均值与方差,参数μ0和σ0表示背景样本的均值与方差。目标样本选取靠近目标位置的区域,背景样本选取远离目标的若干区域。最后,取H(v)最大候选区域作为下一帧的目标区域,并且对相关系数更新,即:
其中,λ>0是一个学习参数。
S5:压缩跟踪算法中的特征服从高斯分布,由于目标和背景存在一定的差异,使得特征在正、负类中服从不同的高斯分布。采用Bhattacharyya系数来度量初始帧目标窗口和当前帧目标窗口的相似性。对于连续概率分布,其表达式为:
其中p(x)和q(x)是初始帧目标窗口和当前帧目标窗口图像的密度函数,B表示巴氏系数,通过比较两帧搜索窗口B∈[0,1]图像的相似度。B值越大,两窗口目标图像相似度越大。
本发明考虑到在遮挡情况下目标跟踪不稳定问题,尤其当目标大部分或完全被遮挡时,如果仍利用当前正样本更新分类器,那么下一帧的目标可能会被误认为是遮挡物,导致跟踪窗口随着遮挡物移动而偏离目标位置。为了解决以上问题,算法根据两窗口图形相似度B设定了两个阈值为q和p来自适应更新分类器,其流程如图4所示。
S6:判断B与q和p的关系:
(1)若B<p,则提取初始帧的正样本、t帧的负样本,利用学习参数λ更新分类器参数;
(2)若p≤B≤q,则仅采集t帧的负样本,利用学习参数λ更新分类器参数;
(3)若B>q,则采集t帧正、负样本,利用学习参数λ更新分类器参数。
S7:最终输出第t帧的目标位置及更新后的模型参数。
最后说明的是,以上优选实施例仅用以说明本发明的技术方案而非限制,尽管通过上述优选实施例已经对本发明进行了详细的描述,但本领域技术人员应当理解,可以在形式上和细节上对其作出各种各样的改变,而不偏离本发明权利要求书所限定的范围。
Claims (4)
1.一种预测自适应学习的目标跟踪方法,其特征在于,该方法具体包括以下步骤:
S1:输入第t帧图像,按照式(1)利用运动向量预测目标位置Lp;
其中,(x2,y2)表示当前帧位置,(x3,y3)表示预测位置,(Δx,Δy)表示运动向量;
S2:对目标搜索区域Tsearch用式(2)进行相位一致性变换,得到相位一致性图像imgpc;
其中,参数o表示方向的索引,下面只从一个方向上来说明相关参数的含义:PC2(x,y)为二维信号的相位一致性,Am(x,y)为第m级傅里叶级数成分的振幅,W(x,y)是控制频率展宽函数,为相位偏移量,ε为恒定系数,T为预估噪声系数;
S3:采集正、负样本,利用随机稀疏矩阵的提取特征,正、负样本的搜索区域分别为TPOS={x|l(z)-Lp<a}、Tneg={x|b<l(z)-Lp<c},并根据式(3)计算正负样本的压缩特征;
V=RX (3)
其中,l(z)表示第i帧图像中样本z的中心位置,Lp表示第i帧图像中目标的中心位置,a为正样本搜索半径,b为负样本搜索内半径,c为负样本搜索外半径,且a<b<c;R为测量矩阵,V是原高维信号x在R下的投影,X=c+w/2,w为目标区域的宽;
S4:将特征值代入式(4),设样本为目标即正样本时y=1,样本为背景即负样本时y=0,假设先验概率p(y=1)=p(y=0)选取朴素贝叶斯分类器响应最大的候选位置作为当前帧的目标;
其中,v为样本z的低维特征,v=(v1,v2,...,vn)T,H(v)表示朴素贝叶斯分类器模型;
S5:分类器自适应更新:计算第t帧和初始帧目标窗口的巴氏系数B;
S6:判断B与q和p的关系,其中q,p为自适应阈值,且q>p,利用学习参数λ更新分类器参数;所述判断B与q和p的关系具体为:
(1)若B<p,则提取初始帧的正样本、t帧的负样本,利用学习参数λ更新分类器参数;
(2)若p≤B≤q,则仅采集t帧的负样本,利用学习参数λ更新分类器参数;
(3)若B>q,则采集t帧正、负样本,利用学习参数λ更新分类器参数;
S7:最终输出第t帧的目标位置及更新后的模型参数。
2.根据权利要求1所述的一种预测自适应学习的目标跟踪方法,其特征在于,步骤S1中,假设当前帧位置为(x2,y2),上一帧位置为(x1,y1);当物体快速移动时,利用运动向量信息以及当前帧的位置信息来预测下一帧的目标位置,即位置预测方法:利用运动向量(Δx,Δy)来确定下一帧目标位置时,通过计算(x2+Δx,y2+Δy)来作为目标的初始位置,在目标快速运动的情况下,以预测位置为中心进行跟踪。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910040310.9A CN109859242B (zh) | 2019-01-16 | 2019-01-16 | 一种预测自适应学习的目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910040310.9A CN109859242B (zh) | 2019-01-16 | 2019-01-16 | 一种预测自适应学习的目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109859242A CN109859242A (zh) | 2019-06-07 |
CN109859242B true CN109859242B (zh) | 2022-09-09 |
Family
ID=66894968
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910040310.9A Active CN109859242B (zh) | 2019-01-16 | 2019-01-16 | 一种预测自适应学习的目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109859242B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110335289B (zh) * | 2019-06-13 | 2022-08-05 | 河海大学 | 一种基于在线学习的目标跟踪方法 |
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 |
CN111223130A (zh) * | 2019-12-25 | 2020-06-02 | 北京自行者科技有限公司 | 一种改进kcf的红外目标跟踪方法 |
CN112965040B (zh) * | 2021-02-05 | 2024-01-23 | 重庆邮电大学 | 一种基于背景预筛选的自适应cfar目标检测方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815562A (zh) * | 2016-12-19 | 2017-06-09 | 江苏慧眼数据科技股份有限公司 | 一种基于压缩特征的行人检测跟踪方法 |
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 |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4763549B2 (ja) * | 2006-08-18 | 2011-08-31 | 富士通セミコンダクター株式会社 | フレーム間予測処理装置、画像符号化装置、及び画像復号化装置 |
US9213901B2 (en) * | 2013-09-04 | 2015-12-15 | Xerox Corporation | Robust and computationally efficient video-based object tracking in regularized motion environments |
CN103885057B (zh) * | 2014-03-20 | 2016-08-24 | 西安电子科技大学 | 自适应变滑窗多目标跟踪方法 |
CN105427339B (zh) * | 2015-11-05 | 2018-11-23 | 天津工业大学 | 一种结合特征筛选与二次定位的快速压缩跟踪方法 |
CN106372650B (zh) * | 2016-08-19 | 2019-03-19 | 南通大学 | 一种基于运动预测的压缩跟踪方法 |
CN108062557B (zh) * | 2017-11-21 | 2020-01-10 | 杭州电子科技大学 | 基于快速压缩跟踪算法的尺度自适应目标跟踪方法 |
CN108182447B (zh) * | 2017-12-14 | 2020-04-21 | 南京航空航天大学 | 一种基于深度学习的自适应粒子滤波目标跟踪方法 |
CN111311641B (zh) * | 2020-02-25 | 2023-06-09 | 重庆邮电大学 | 一种无人机目标跟踪控制方法 |
-
2019
- 2019-01-16 CN CN201910040310.9A patent/CN109859242B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106815562A (zh) * | 2016-12-19 | 2017-06-09 | 江苏慧眼数据科技股份有限公司 | 一种基于压缩特征的行人检测跟踪方法 |
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 |
Also Published As
Publication number | Publication date |
---|---|
CN109859242A (zh) | 2019-06-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109859242B (zh) | 一种预测自适应学习的目标跟踪方法 | |
CN111260689B (zh) | 一种基于置信度增强的相关滤波视觉跟踪方法 | |
CN107680120B (zh) | 基于稀疏表示和转移受限粒子滤波的红外小目标跟踪方法 | |
CN113012203B (zh) | 一种复杂背景下高精度多目标跟踪方法 | |
CN109584271B (zh) | 基于高置信度更新策略的高速相关滤波跟踪方法 | |
Yuan | Face detection and recognition based on visual attention mechanism guidance model in unrestricted posture | |
CN111080675A (zh) | 一种基于时空约束相关滤波的目标跟踪方法 | |
CN101924871A (zh) | 基于均值偏移的视频目标跟踪方法 | |
CN110276784B (zh) | 基于记忆机制与卷积特征的相关滤波运动目标跟踪方法 | |
CN109242019B (zh) | 一种水面光学小目标快速检测与跟踪方法 | |
Zhang et al. | Infrared small target tracking based on sample constrained particle filtering and sparse representation | |
CN113052873A (zh) | 一种在线自监督学习场景适应的单目标跟踪方法 | |
CN112329784A (zh) | 一种基于时空感知及多峰响应的相关滤波跟踪方法 | |
CN107368802B (zh) | 基于kcf和人脑记忆机制的运动目标跟踪方法 | |
CN110555864B (zh) | 基于pspce的自适应目标跟踪方法 | |
CN110232705B (zh) | 一种融合分数阶变分调整的反向低秩稀疏学习目标跟踪方法 | |
Zhang et al. | Residual memory inference network for regression tracking with weighted gradient harmonized loss | |
CN108985375B (zh) | 考虑粒子权值空间分布的多特征融合跟踪方法 | |
CN110751670B (zh) | 一种基于融合的目标跟踪方法 | |
CN108257148B (zh) | 特定对象的目标建议窗口生成方法及其在目标跟踪的应用 | |
Li | Multilevel image edge detection algorithm based on visual perception | |
CN112614158B (zh) | 一种采样框自适应的多特征融合在线目标跟踪方法 | |
CN115861226A (zh) | 基于特征值梯度变化的深度神经网络智能识别表面缺陷方法 | |
Zhang | Detection of aerobics action based on convolutional neural network | |
CN113989571A (zh) | 点云数据的分类方法、装置、电子设备及存储介质 |
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 |