CN109859242B - 一种预测自适应学习的目标跟踪方法 - Google Patents

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

一种预测自适应学习的目标跟踪方法

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L_p；

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T_search用式(2)进行相位一致性变换，得到相位一致性图像img_pc；

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，A_m(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T_POS＝{x|l(z)-L_p＜a}、T_neg＝{x|b＜l(z)-L_p＜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，L_p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L_t；

其中，v为样本z的低维特征，v＝(v₁,v₂,...,v_n)^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，H(x)是F(x)的Hilbert变换，

I(x)是信号，

和

分别是m尺度下奇偶小波，则局部能量函数定义为：

其中，PC(x)为一维信号在x处信号的相位一致性函数，A_m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：

其中，A_m是第m级Fourier的振幅，

表示Fourier级数在x处的局部相位信息，

表示Fourier级数在x处的局部相位角均值，参数几何意义如图3所示：

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R^m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：T_POS＝{x|l(z)-L_p＜a}、T_neg＝{x|b＜l(z)-L_p＜c}，其中L_p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T_search，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(v_i|y＝1)和p(v_i|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L_p；

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T_search用式(2)进行相位一致性变换，得到相位一致性图像img_pc；

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，A_m(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T_POS＝{x|l(z)-L_p＜a}、T_neg＝{x|b＜l(z)-L_p＜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，L_p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,...,v_n)^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。

3.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图像特征，即：

其中，H(x)是F(x)的Hilbert变换，

I(x)是信号，

和

分别是m尺度下奇偶小波，则局部能量函数定义为：

其中，PC(x)为一维信号在x处信号的相位一致性函数，A_m为第m级傅里叶级数成分的振幅。

4.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。

Images