CN110189357A - 面向复杂环境的图像目标特征提取与实时跟踪方法 - Google Patents

面向复杂环境的图像目标特征提取与实时跟踪方法 Download PDF

Info

Publication number
CN110189357A
CN110189357A CN201910347527.4A CN201910347527A CN110189357A CN 110189357 A CN110189357 A CN 110189357A CN 201910347527 A CN201910347527 A CN 201910347527A CN 110189357 A CN110189357 A CN 110189357A
Authority
CN
China
Prior art keywords
particle
target
weight
template
new
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.)
Pending
Application number
CN201910347527.4A
Other languages
English (en)
Inventor
徐梦溪
吕莉
施建强
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.)
Nanjing Institute of Technology
Original Assignee
Nanjing 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 Nanjing Institute of Technology filed Critical Nanjing Institute of Technology
Priority to CN201910347527.4A priority Critical patent/CN110189357A/zh
Publication of CN110189357A publication Critical patent/CN110189357A/zh
Pending legal-status Critical Current

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
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/513—Sparse representations

Landscapes

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

Abstract

本发明公开了一种面向复杂环境的图像目标特征提取与实时跟踪方法首先采用摄像机采集目标图像序列；选中跟踪的目标，计算目标区域的特征，在目标区域采集粒子，结合协同字典表示的方法来获得候选解；获取模板的自适应权重值；对采集的粒子，采用模板自适应权重值更新粒子的位置，接着用更新的粒子位置来更新粒子的权重；最后根据粒子的新权重和新位置来估计目标的下一帧的位置，实现目标的定位和跟踪。本发明利用字典协同来表示目标，更能挖掘模板之间的关系，使目标表观模型更稳定；利用自适应权重来更新粒子权重，能降低相似度较高的模板之间的影响，从而有效提高目标定位的准确率。

Description

面向复杂环境的图像目标特征提取与实时跟踪方法
技术领域
本发明涉及图像目标定位跟踪方法，具体涉及一种面向复杂环境的图像目标特征提取与实时跟踪方法。
背景技术
近年来，目标跟踪的相关技术得到了提升，但仍然会受到较多因素的影响，如目标的遮挡、光照的变化、目标自身的尺度及轮廓的改变、目标自身的运动等，使得目标跟踪具有许多不确定因素。尤其是遮挡、复杂背景、目标与背景很相似时，更增加了检测和跟踪的难度。一个好的跟踪方法同时还面临表观模型和目标运动模型是否良好的挑战。因此，如何在复杂环境下对目标进行可靠和实时性跟踪，探索有效应对复杂环境的目标跟踪方法，仍是研究亟待解决的课题。
已有的成果研究表明：很多目标跟踪算法在进行表观模型建模时，有的仅仅从目标的单一特征进行建模，能在一定程度上提取目标的特征，但目标的结构信息未被充分利用，不能很好地挖掘样本之间的差异和联系。
稀疏表示的模式分类取得了较好的发展，其基本思想是在系数约束字典下对样本进行编码，然后基于编码向量进行分类。但大多数研究者提出的稀疏表示的分类器过分强调系数稀疏范数的l1求解，需要多次迭代，使得计算复杂度较高，准确率不够。
发明内容
发明目的：本发明的目的是提供一种面向复杂环境的图像目标特征提取与实时跟踪方法，解决现有目标跟踪不能充分利用目标信息，目标定位跟踪准确率不够的问题。
技术方案：本发明所述的面向复杂环境的图像目标特征提取与实时跟踪方法，其特征在于，包括以下步骤：
(1)首先采用摄像机采集目标图像序列；
(2)选中要跟踪的目标，计算目标区域的特征，在目标区域采集粒子，结合协同字典表示的方法来获得候选解；
(3)获取模板的自适应权重值；
(4)对采集的粒子，采用模板自适应权重值更新粒子的位置，接着用更新的粒子位置来更新粒子的权重；
(5)最后根据粒子的新权重和新位置来估计目标的下一帧的位置，实现目标的定位和跟踪。
所述步骤(2)所述获取候选解的方法如下：
通过来得到候选解，其中D是字典，λ，μ为常数，I为单位矩阵，e、h的计算按如下获得：
增广拉格朗日函数
y为输入图像模板，α为编码向量，e为残差，h为拉格朗日乘数向量，通过迭代来最小化使增广拉格朗日函数最小，然后通过迭代求出e,α,h，分别表示如下：
hk+1＝hk+μk(y-e-Dα)
αk+1＝(DTD+2λ/μkI)-1DT(y-ek+hk/μk)
粒子权重可以反映粒子的重要性，通过粒子不同的权重来表示目标，这样可以更有效地表示目标，从而可以提高目标的识别率，所述步骤(3)采用来获取自适应权重，其中y是模板，D是字典，c为粒子权重。
为了在粒子滤波框架下，粒子的权重分布更接近真实情况，在一定程度上可以减少贫化现象的发生，所述步骤(4)所述的更新粒子权重方法如下：
用公式得出初始粒子权重，其中σobser为Gaussian核的标准差，为目标的观测值，w为权重，为第i粒子在t-1 时刻的权重；然后利用更新权重，dis是候选解和模板之间的距离，是观测模型，最后根据权重来估计粒子的位置，并且根据粒子的新位置和新自适应权重来更新粒子的权重。
为使计算简单且与真实位置更接近，提高目标跟踪的成功率，所述步骤(5)估计粒子位置是按进行计算，最后按照计算出目标的下一帧位置。其中，粒子状态集rand为服从正态分布的随机数，σprocess为[3,3,0.1,0.1]，st和st-1分别为目标在t和t-1时刻的位置，和为估计目标在 t和t-1时刻的位置。
有益效果：本发明利用字典协同来表示目标，更能挖掘模板之间的关系，使目标表观模型更稳定；利用自适应权重来更新粒子权重，能降低相似度较高的模板之间的影响，从而有效提高目标定位的准确率。鉴于以上特点，本方法能够用于光学成像检测、交通视频监控、安防监控、人机交互等目标定位和跟踪。
附图说明
图1是本发明的工作流程图。
具体实施方式
下面结合附图对本发明进行进一步说明。
面向复杂环境的图像目标特征提取与实时跟踪方法，包括如下步骤：
(1)首先采用摄像机采集目标图像序列；
(2)选中要跟踪的目标，计算目标区域的特征，在目标区域采集粒子，结合协同字典表示的方法来获得候选解；
(3)获取模板的自适应权重值。
(4)对采集的粒子，采用模板自适应权重值更新粒子的位置，接着用更新的粒子位置来更新粒子的权重；
(5)最后根据粒子的新权重和新位置来估计目标的下一帧位置，实现目标的定位和跟踪；
其中，本发明获得候选解的方法首先利用稀疏编码直方图计算目标区域的特征，然后将该稀疏编码直方图特征作为协同字典学习的输入，求出该目标区域对应的字典，同时求出候选解，作为下一阶段的输入。其具体步骤如下：
给定一模板Y＝[Y1,Y2,...Yn]∈Rm×n，该模板是由选择目标的稀疏编码直方图特征组成的。t时刻时，第i个粒子的观测值表示如下：
其中，α＝[α1,α2,...,αl]∈Rl，β是噪声项，D＝[d1,d2,...,dl]∈Rm×l
根据协同字典学习的启发，估计为：
为估计z，需要估计通过迭代类似于健壮CRC的方法来估计。得到：
其中，I是单位矩阵，计算如下：
y为输入图像模板，α为编码向量，e为残差，h为拉格朗日乘数向量。D是字典，λ，μ为常数，I为单位矩阵，通过迭代来最小化使增广拉格朗日函数最小。通过迭代求出e,α,h。分别表示如下：
hk+1＝hk+μk(y-e-Dα)
αk+1＝(DTD+2λ/μkI)-1DT(y-ek+hk/μk)
设Q＝D(DTD+2λ/μAI)-1DT，D对于每一帧图像来说是固定不变的，则可以用来简单表示。
本发明中更新粒子权重的具体过程如下：
获取模板自适应权重：
按照下列公式求出粒子的初始权重。
更新权重，
其中σobser为Gaussian核的标准差，为目标的观测值，w为权重，为第i粒子在t-1时刻的权重；dis是候选解和模板之间的距离，是观测模型，为后验概率。最后根据权重来估计粒子的位置，并且根据粒子的新位置和新自适应权重来更新粒子的权重。
本发明利用权重来更新位置从而利用估计下一帧目标的位置。其中，粒子状态集rand为服从正态分布的随机数，σprocess为[3,3,0.1,0.1]，st和st-1分别为目标在t和t-1时刻的位置。和为估计目标在t和t-1时刻的位置，此完成一次目标的定位与跟踪。

Claims (5)

1.一种面向复杂环境的图像目标特征提取与实时跟踪方法，其特征在于，包括以下步骤：
(1)首先采用摄像机采集目标图像序列；
(2)选中要跟踪的目标，计算目标区域的特征，在目标区域采集粒子，结合协同字典表示的方法来获得候选解；
(3)获取模板的自适应权重值；
(4)对采集的粒子，采用模板自适应权重值更新粒子的位置，接着用更新的粒子位置来更新粒子的权重；
(5)最后根据粒子的新权重和新位置来估计目标的下一帧的位置，实现目标的定位和跟踪。
2.根据权利要求1所述的面向复杂环境的图像目标特征提取与实时跟踪方法，其特征在于，所述步骤(2)所述获取候选解的方法如下：
通过来得到候选解，其中D是字典，λ＝0.001，μ＞0，为目标的观测值，I为单位矩阵，e、h的计算按如下获得：
增广拉格朗日函数
y为输入图像模板，α为编码向量，e为残差，h为拉格朗日乘数向量，μ表示表示误差的惩罚因子，通过迭代来最小化使增广拉格朗日函数最小，然后通过迭代求出e，α，h，分别表示如下：
hk+1＝hk+μk(y-e-Dα)
αk+1＝(DTD+2λ/μkI)-1DT(y-ek+hk/μk)
为一函数，定义为：[Sα(x)]i＝sign(xi).max{|xi|-α，0}，α≥0。
3.根据权利要求1所述的面向复杂环境的图像目标特征提取与实时跟踪方法，其特征在于，所述步骤(3)采用来获取自适应权重，其中y是模板，D是字典，c为粒子权重。
4.根据权利要求1所述的面向复杂环境的图像目标特征提取与实时跟踪方法，其特征在于，所述步骤(4)所述的更新粒子权重方法如下：
用公式得出初始粒子权重，其中σobser为Gaussian核的标准差，为目标的观测值，w为权重，为第i粒子在t-1时刻的权重；然后，利用更新权重，dis是候选解和模板之间的距离，是观测模型，最后根据权重来估计粒子的位置，并且根据粒子的新位置和新自适应权重来更新粒子的权重。
5.根据权利要求1所述的面向复杂环境的图像目标特征提取与实时跟踪方法，其特征在于，所述步骤(5)估计位置是按进行计算，最后按照计算出目标的下一帧位置，其中，粒子状态集rand为服从正态分布的随机数，σprocess为[3，3，0.1，0.1]，st和st-1分别为目标在t和t-1时刻的位置，和为估计目标在t和t-1时刻的位置。
CN201910347527.4A 2019-04-28 2019-04-28 面向复杂环境的图像目标特征提取与实时跟踪方法 Pending CN110189357A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910347527.4A CN110189357A (zh) 2019-04-28 2019-04-28 面向复杂环境的图像目标特征提取与实时跟踪方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910347527.4A CN110189357A (zh) 2019-04-28 2019-04-28 面向复杂环境的图像目标特征提取与实时跟踪方法

Publications (1)

Publication Number Publication Date
CN110189357A true CN110189357A (zh) 2019-08-30

Family

ID=67715222

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910347527.4A Pending CN110189357A (zh) 2019-04-28 2019-04-28 面向复杂环境的图像目标特征提取与实时跟踪方法

Country Status (1)

Country Link
CN (1) CN110189357A (zh)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361609A (zh) * 2014-11-18 2015-02-18 电子科技大学 一种基于稀疏表示的目标跟踪方法
CN107274436A (zh) * 2017-06-02 2017-10-20 浙江师范大学 一种鲁棒性的加权局部多任务稀疏跟踪方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104361609A (zh) * 2014-11-18 2015-02-18 电子科技大学 一种基于稀疏表示的目标跟踪方法
CN107274436A (zh) * 2017-06-02 2017-10-20 浙江师范大学 一种鲁棒性的加权局部多任务稀疏跟踪方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
LEI ZHANG等: "Collaborative Representation based Classification for Face Recognition", 《COMPUTER ENCE》 *
LI LV等: "Object tracking with double-dictionary appearance model", 《OPTICAL ENGINEERING》 *

Similar Documents

Publication Publication Date Title
CN110147743B (zh) 一种复杂场景下的实时在线行人分析与计数系统及方法
CN110033473B (zh) 基于模板匹配和深度分类网络的运动目标跟踪方法
US10248854B2 (en) Hand motion identification method and apparatus
CN105869178B (zh) 一种基于多尺度组合特征凸优化的复杂目标动态场景无监督分割方法
CN101276468B (zh) 在视频帧序列中跟踪目标的由计算机执行的方法
CN111310659B (zh) 基于增进式图卷积神经网络的人体动作识别方法
CN113963445B (zh) 一种基于姿态估计的行人摔倒动作识别方法及设备
CN106338733B (zh) 基于蛙眼视觉特性的前视声呐目标跟踪方法
CN109816692A (zh) 一种基于Camshift算法的运动目标跟踪方法
CN111862145B (zh) 一种基于多尺度行人检测的目标跟踪方法
CN111932583A (zh) 一种基于复杂背景下的时空信息一体化智能跟踪方法
CN115995063A (zh) 作业车辆检测与跟踪方法和系统
CN111462191B (zh) 一种基于深度学习的非局部滤波器无监督光流估计方法
CN106952293B (zh) 一种基于非参数在线聚类的目标跟踪方法
CN104778699B (zh) 一种自适应对象特征的跟踪方法
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
CN112488057A (zh) 一种利用人头点定位和关节点信息的单相机多目标跟踪方法
CN105279769A (zh) 一种联合多特征的层次粒子滤波跟踪方法
CN110334656A (zh) 基于信源概率加权的多源遥感图像水体提取方法及装置
CN110827320A (zh) 基于时序预测的目标跟踪方法和装置
Feng Mask RCNN-based single shot multibox detector for gesture recognition in physical education
CN109636834A (zh) 基于tld改进算法的视频车辆目标跟踪算法
CN114627339A (zh) 茂密丛林区域对越境人员的智能识别跟踪方法及存储介质
CN105809719B (zh) 一种基于像素多编码表匹配的对象跟踪方法
CN111862147A (zh) 视频中多车辆和多行人目标的跟踪方法

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20190830