发明内容
为解决现有技术存在的上述问题,本发明提供一种对ECO特征提取性能进行优化的目标跟踪方法及装置。
本发明是这样实现的:
一方面,本发明提供一种对ECO特征提取性能进行优化的目标跟踪方法,包括以下步骤:
S1、读取视频或图像序列的第一帧图像,确定跟踪目标;
S2、将初始帧中跟踪目标所在候选区域缩放到特定大小,利用并行方式计算傅里叶变换来提取特征;
S3、针对特征制作label标签,修改高斯分布为多个极值;
S4、通过提取的特征和label标签训练ECO的相关滤波器;
S5、读取下一帧图像,利用训练好的相关滤波器卷积图像候选区域对应的特征,获取图像候选区域的置信度图,置信度图概率最大位置对应当前帧图像的目标位置及其置信度概率;
S6、将得到的目标作为样本,使用样本融合更新策略,更新ECO算法的样本集;
S7、利用更新的样本集采用步骤S2的方法提取特征,同时制作label标签训练ECO,更新相关滤波器;
S8、循环执行步骤S5~S7,直至当前视频或图像序列处理完。
进一步地,所述步骤S2具体包括:
先对跟踪目标所在候选区域z提取多尺度特征x,包括FHOG特征以及颜色CN特征,将提取的特征进行PCA降维,然后通过傅里叶变换由时域转为频域,傅里叶转化公式如下:
其中为降维后的离散特征,N、M对应二维离散特征的行数和列数。
进一步地,所述步骤S2中对跟踪目标所在候选区域提取FHOG特征具体包括:
(1)将输入的RGB三通道图像转化为单通道图像;
(2)采用gamma校正法对输入图像进行颜色空间的标准化,校正公式为:
其中0<gamma<1;
(3)计算图像梯度,包括每个像素点的梯度值和梯度方向,x方向和y方向的卷积核分别为:
得到水平方向梯度/>,垂直方向梯度/>,得到每个像素点的梯度和梯度方向/>分别为:
(4)构建18维hog特征向量,将图像分成若干个cell,每个cell的梯度方向按360度均分成18个方向块,每个方向块20度,计算每个cell的梯度方向直方图,则每个cell对应一个18维特征向量;
(5)通过归一化截断得到每个cell对应的36维特征向量;
将步骤(4)中每个cell的梯度方向分为9个方向块,其中0-20度或180-200度对应一个方向块,则对于这第/>个cell便对应9维特征向量,同时与其相邻的特征向量为:
定义,则36维特征向量/>为:
(6)利用PCA降维,得到36维特征向量的前13维特征向量;
(7)将前13维特征向量与步骤(4)得到的18维特征向量相加最终得到31维的特征向量。
进一步地,所述步骤S2中傅里叶变换的处理方式如下:
傅里叶变换方便处理长度N=2^M的情况,如果长度不是2的整数次幂的情况,则通过补零即可;将x(n)分为奇偶两个序列,有,进一步把一个N 点的FFT拆成两个N/2的DFT,同理逐渐拆下去,将2^m的DFT拆成m-1个2点的FFT,最后将其拆成多个8点的FFT。
进一步地,所述步骤S3中修改高斯分布为具有4峰值的二维高斯分布,具体生成方式如下:
(1)先对25*25的区域生成具有单峰值的服从二维高斯分布的label;
(2)相邻行和相邻列求和取均值,将其调整为24*24大小的具有多峰值且服从二维高斯分布的label;
(3)同时利用傅里叶变换转换到频域。
进一步地,所述步骤S4具体包括:
将傅里叶转化后特征插值到连续域,公式如下:
其中Xd是第d层特征,Nd为每层特征的行数,bd为事先计算的权重,T为连续区间的右侧,随后将各个特征图和相关滤波器进行卷积操作,公式如下:
其中,fd对应的是第d层特征通道对应相关滤波器,为第d层特征通道的连续域特征图,/>为所有特征通道,/>为样本x的得分置信度;
求解相关滤波器则通过最小化损失函数来实现,公式如下:
其中yj为label,即由当前训练样本对应生成且服从高斯向分布,αj为训练样本xj对应的权重,w为正则化因子。
进一步地,所述步骤S6中使用的样本融合更新策略具体为:
设定样本集中最大样本数量,则若:
(1)样本集未满,将新样本放到空余处;
(2)样本集已满,且样本集中有低于阈值权重的样本,此时用新样本替换旧样本;
(3)样本集已满,且新样本与所有现有样本的距离中的最小值小于现有样本距离间的最小值,此时将新样本与最近样本融合;
(4)样本集已满,且新样本与所有现有样本的距离中的最小值大于现有样本距离间的最小值,此时将两个最近的现有样本融合,并将新样本放在融合后样本集空缺处。
另一方面,本发明还提供一种对ECO特征提取性能进行优化的目标跟踪装置,包括:
跟踪目标确定模块,用于读取视频或图像序列的第一帧图像,确定跟踪目标;
特征提取模块,用于将初始帧中跟踪目标所在候选区域缩放到特定大小,利用并行方式计算傅里叶变换来提取特征;
label标签制作模块,用于针对特征制作label标签,修改高斯分布为多个极值;
滤波器训练模块,用于通过提取的特征和label标签训练ECO相关滤波器;
目标位置确定模块,用于读取下一帧图像,利用训练好的相关滤波器卷积图像候选区域对应的特征,获取图像候选区域的置信度图,置信度图概率最大位置对应当前帧图像的目标位置及其置信度概率;
样本集更新模块,用于将得到的目标作为样本,使用样本融合更新策略,更新ECO算法的样本集;
滤波器更新模块,用于利用更新的样本集提取特征,同时制作label标签训练ECO,更新相关滤波器;
循环控制模块,用于控制目标位置确定模块、样本集更新模块、滤波器更新模块循环执行,直至当前视频或图像序列处理完。
进一步地,所述特征提取模块具体用于:
先对跟踪目标所在候选区域z提取多尺度特征x,包括FHOG特征以及颜色CN特征,将提取的特征进行PCA降维,然后通过傅里叶变换由时域转为频域,傅里叶转化公式如下:
其中为降维后的离散特征,N、M对应二维离散特征的行数和列数。
进一步地,所述特征提取模块对跟踪目标所在候选区域提取FHOG特征具体包括:
(1)将输入的RGB三通道图像转化为单通道图像;
(2)采用gamma校正法对输入图像进行颜色空间的标准化,校正公式为:
其中0<gamma<1;
(3)计算图像梯度,包括每个像素点的梯度值和梯度方向,x方向和y方向的卷积核分别为:
得到水平方向梯度/>,垂直方向梯度/>,得到每个像素点的梯度和梯度方向/>分别为:
(4)构建18维hog特征向量,将图像分成若干个cell,每个cell的梯度方向按360度均分成18个方向块,每个方向块20度,计算每个cell的梯度方向直方图,则每个cell对应一个18维特征向量;
(5)通过归一化截断得到每个cell对应的36维特征向量;
将步骤(4)中每个cell的梯度方向分为9个方向块,其中0-20度或180-200度对应一个方向块,则对于这第/>个cell便对应9维特征向量,同时与其相邻的特征向量为:
定义,则36维特征向量/>为:
(6)利用PCA降维,得到36维特征向量的前13维特征向量;
(7)将前13维特征向量与步骤(4)得到的18维特征向量相加最终得到31维的特征向量。
与现有技术相比,本发明具有以下有益效果:
本发明提供的这种对ECO特征提取性能进行优化的目标跟踪方法及装置,主要对ECO目标跟踪算法的特征提取性能进行优化,以此提升算法的整体运行速度,考虑到ECO目标跟踪算法需要进行大量的傅里叶变换计算,本发明针对傅里叶变换原理,修改特征提取方式,更换提取的cell尺寸和候选卷积区域的大小,实现在嵌入式平台上能够并行加速计算;同时考虑到修改尺寸之后对目标寻优会带来影响,本发明将单峰值二维高斯分布处理成多峰值,提升寻优效果。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
如图1所示,本发明实施例提供一种对ECO特征提取性能进行优化的目标跟踪方法,包括以下步骤:
S1、读取视频或图像序列的第一帧图像,人为设定或通过目标检测算法来确定跟踪目标。
S2、将初始帧中跟踪目标所在候选区域缩放到特定大小,利用并行方式计算傅里叶变换来提取特征,具体包括:
先对跟踪目标所在候选区域z提取多尺度特征x,包括FHOG特征以及颜色CN特征,将提取的特征进行PCA降维,然后通过傅里叶变换由时域转为频域,傅里叶转化公式如下:
其中为降维后的离散特征,N、M对应二维离散特征的行数和列数。
上述过程中对跟踪目标所在候选区域提取FHOG特征具体包括:
(1)灰度化,即将输入的RGB三通道图像转化为单通道图像;
(2)采用gamma校正法对输入图像进行颜色空间的标准化,校正公式为:
其中0<gamma<1,优选地gamma=1/2,通过gamma压缩处理,可以降低光照变化以及局部图像阴影的影响;
(3)计算图像梯度,包括每个像素点的梯度值和梯度方向,x方向和y方向的卷积核分别为:
得到水平方向梯度/>,垂直方向梯度/>,得到每个像素点的梯度和梯度方向/>分别为:
(4)构建18维hog特征向量,将图像分成若干个cell,每个cell的梯度方向按360度均分成18个方向块,每个方向块20度,计算每个cell的梯度方向直方图,则每个cell对应一个18维特征向量;
(5)通过归一化截断得到每个cell对应的36维特征向量;
将步骤(4)中每个cell的梯度方向分为9个方向块,其中0-20度或180-200度对应一个方向块,则对于这第/>个cell便对应9维特征向量,同时与其相邻的特征向量为:
定义,则36维特征向量/>为:
(6)利用PCA降维,得到36维特征向量的前13维特征向量;
(7)将前13维特征向量与步骤(4)得到的18维特征向量相加最终得到31维的特征向量。
对于150*150大小的候选区域,经过FHOG特征提取(cell的size为6*6)之后,特征大小为25*25*31。
优选地,上述过程中傅里叶变换的处理方式如下:
傅里叶变换方便处理长度N=2^M的情况,如果长度不是2的整数次幂的情况,则通过补零即可;将x(n)分为奇偶两个序列,有,进一步把一个N 点的FFT拆成两个N/2的DFT,同理逐渐拆下去,将2^m的DFT拆成m-1个2点的FFT,最后将其拆成多个8点的FFT,如图2所示。
于是本发明考虑将特征区域宽高修改成8的倍数,故设置候选区域原大小为96*96,同时cell大小设置为4*4,则最终特征提取之后即可变为24*24,成为了8的倍数,以此实现在FPGA上并行计算。
S3、针对特征制作label标签,修改高斯分布为多个极值;
优选地,修改高斯分布为具有4峰值的二维高斯分布,具体生成方式如下:
(1)先对25*25的区域生成具有单峰值的服从二维高斯分布的label;
(2)相邻行和相邻列求和取均值,将其调整为24*24大小的具有多峰值且服从二维高斯分布的label;
(3)同时利用傅里叶变换转换到频域,同样可以进行并行加速。
S4、通过提取的特征和label标签训练ECO的相关滤波器;具体包括:
将傅里叶转化后特征插值到连续域,公式如下:
其中Xd是第d层特征,Nd为每层特征的行数,bd为事先计算的权重,T为连续区间的右侧,随后将各个特征图和相关滤波器进行卷积操作,公式如下:
其中,fd对应的是第d层特征通道对应相关滤波器,为第d层特征通道的连续域特征图,/>为所有特征通道,/>为样本x的得分置信度;
求解相关滤波器则通过最小化损失函数来实现,公式如下:
其中yj为label,即由当前训练样本对应生成且服从高斯向分布,αj为训练样本xj对应的权重,w为正则化因子。
S5、读取下一帧图像,利用训练好的相关滤波器卷积图像候选区域对应的特征,获取图像候选区域的置信度图,置信度图概率最大位置对应当前帧图像的目标位置及其置信度概率;
S6、将得到的目标作为样本,使用样本融合更新策略,更新ECO算法的样本集;样本融合更新策略具体为:
设定样本集中最大样本数量,则若:
(1)样本集未满,将新样本放到空余处;
(2)样本集已满,且样本集中有低于阈值权重的样本,此时用新样本替换旧样本;
(3)样本集已满,且新样本与所有现有样本的距离中的最小值小于现有样本距离间的最小值,此时将新样本与最近样本融合;
(4)样本集已满,且新样本与所有现有样本的距离中的最小值大于现有样本距离间的最小值,此时将两个最近的现有样本融合,并将新样本放在融合后样本集空缺处。
S7、利用更新的样本集采用步骤S2的方法提取特征,同时制作label标签训练ECO,更新相关滤波器;
S8、循环执行步骤S5~S7,直至当前视频或图像序列处理完。
基于同一发明构思,本发明实施例还提供一种对ECO特征提取性能进行优化的目标跟踪装置,由于该装置解决技术问题的原理与上述方法实施例相似,故该装置的实施可以参照上述方法的实施,重复之处不再赘述。
如图3所示,为本发明实施例提供的一种对ECO特征提取性能进行优化的目标跟踪装置,该装置包括:
跟踪目标确定模块,用于读取视频或图像序列的第一帧图像,确定跟踪目标;
特征提取模块,用于将初始帧中跟踪目标所在候选区域缩放到特定大小,利用并行方式计算傅里叶变换来提取特征;
label标签制作模块,用于针对特征制作label标签,修改高斯分布为多个极值;
滤波器训练模块,用于通过提取的特征和label标签训练ECO相关滤波器;
目标位置确定模块,用于读取下一帧图像,利用训练好的相关滤波器卷积图像候选区域对应的特征,获取图像候选区域的置信度图,置信度图概率最大位置对应当前帧图像的目标位置及其置信度概率;
样本集更新模块,用于将得到的目标作为样本,使用样本融合更新策略,更新ECO算法的样本集;
滤波器更新模块,用于利用更新的样本集采用步骤S2的方法提取特征,同时制作label标签训练ECO,更新相关滤波器;
循环控制模块,用于控制目标位置确定模块、样本集更新模块、滤波器更新模块循环执行,直至当前视频或图像序列处理完。
在一个实施例中,所述特征提取模块具体用于:
先对跟踪目标所在候选区域z提取多尺度特征x,包括FHOG特征以及颜色CN特征,将提取的特征进行PCA降维,然后通过傅里叶变换由时域转为频域,傅里叶转化公式如下:
其中为降维后的离散特征,N、M对应二维离散特征的行数和列数。
在一个实施例中,所述特征提取模块对跟踪目标所在候选区域提取FHOG特征具体包括:
(1)将输入的RGB三通道图像转化为单通道图像;
(2)采用gamma校正法对输入图像进行颜色空间的标准化,校正公式为:
其中0<gamma<1;
(3)计算图像梯度,包括每个像素点的梯度值和梯度方向,x方向和y方向的卷积核分别为:
得到水平方向梯度/>,垂直方向梯度/>,得到每个像素点的梯度和梯度方向/>分别为:
(4)构建18维hog特征向量,将图像分成若干个cell,每个cell的梯度方向按360度均分成18个方向块,每个方向块20度,计算每个cell的梯度方向直方图,则每个cell对应一个18维特征向量;
(5)通过归一化截断得到每个cell对应的36维特征向量;
将步骤(4)中每个cell的梯度方向分为9个方向块,其中0-20度或180-200度对应一个方向块,则对于这第/>个cell便对应9维特征向量,同时与其相邻的特征向量为:
定义,则36维特征向量/>为:
(6)利用PCA降维,得到36维特征向量的前13维特征向量;
(7)将前13维特征向量与步骤(4)得到的18维特征向量相加最终得到31维的特征向量。
在一个实施例中,所述特征提取模块进行傅里叶变换的处理方式如下:
傅里叶变换方便处理长度N=2^M的情况,如果长度不是2的整数次幂的情况,则通过补零即可;将x(n)分为奇偶两个序列,有,进一步把一个N 点的FFT拆成两个N/2的DFT,同理逐渐拆下去,将2^m的DFT拆成m-1个2点的FFT,最后将其拆成多个8点的FFT。
在一个实施例中,所述label标签制作模块修改高斯分布为具有4峰值的二维高斯分布,具体生成方式如下:
(1)先对25*25的区域生成具有单峰值的服从二维高斯分布的label;
(2)相邻行和相邻列求和取均值,将其调整为24*24大小的具有多峰值且服从二维高斯分布的label;
(3)同时利用傅里叶变换转换到频域。
在一个实施例中,所述滤波器训练模块具体用于:
将傅里叶转化后特征插值到连续域,公式如下:
其中Xd是第d层特征,Nd为每层特征的行数,bd为事先计算的权重,T为连续区间的右侧,随后将各个特征图和相关滤波器进行卷积操作,公式如下:
其中,fd对应的是第d层特征通道对应相关滤波器,为第d层特征通道的连续域特征图,/>为所有特征通道,/>为样本x的得分置信度;
求解相关滤波器则通过最小化损失函数来实现,公式如下:
其中yj为label,即由当前训练样本对应生成且服从高斯向分布,αj为训练样本xj对应的权重,w为正则化因子。
在一个实施例中,所述样本集更新模块使用的样本融合更新策略具体为:
设定样本集中最大样本数量,则若:
(1)样本集未满,将新样本放到空余处;
(2)样本集已满,且样本集中有低于阈值权重的样本,此时用新样本替换旧样本;
(3)样本集已满,且新样本与所有现有样本的距离中的最小值小于现有样本距离间的最小值,此时将新样本与最近样本融合;
(4)样本集已满,且新样本与所有现有样本的距离中的最小值大于现有样本距离间的最小值,此时将两个最近的现有样本融合,并将新样本放在融合后样本集空缺处。
综上所述,本发明实施例提供的这种对ECO特征提取性能进行优化的目标跟踪方法及装置,主要对ECO目标跟踪算法的特征提取性能进行优化,以此提升算法的整体运行速度,考虑到ECO目标跟踪算法需要进行大量的傅里叶变换计算,本发明针对傅里叶变换原理,修改特征提取方式,更换提取的cell尺寸和候选卷积区域的大小,实现在嵌入式平台上能够并行加速计算;同时考虑到修改尺寸之后对目标寻优会带来影响,本发明将单峰值二维高斯分布处理成多峰值,提升寻优效果。
本领域普通技术人员可以理解实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成,该程序可以存储于一计算机可读存储介质中,存储介质可以包括:只读存储器(ROM,Read Only Memory)、随机存取存储器(RAM,Random AccessMemory)、磁盘或光盘等。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。