CN112348853B - 基于红外显著性特征融合的粒子滤波跟踪的方法 - Google Patents

基于红外显著性特征融合的粒子滤波跟踪的方法 Download PDF

Info

Publication number
CN112348853B
CN112348853B CN202011219656.4A CN202011219656A CN112348853B CN 112348853 B CN112348853 B CN 112348853B CN 202011219656 A CN202011219656 A CN 202011219656A CN 112348853 B CN112348853 B CN 112348853B
Authority
CN
China
Prior art keywords
target
particle
time
representing
tracked
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
CN202011219656.4A
Other languages
English (en)
Other versions
CN112348853A (zh
Inventor
王好贤
陈雅婷
谢飞
周志权
王军
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.)
Harbin Institute of Technology Weihai
Original Assignee
Harbin Institute of Technology Weihai
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 Harbin Institute of Technology Weihai filed Critical Harbin Institute of Technology Weihai
Priority to CN202011219656.4A priority Critical patent/CN112348853B/zh
Publication of CN112348853A publication Critical patent/CN112348853A/zh
Application granted granted Critical
Publication of CN112348853B publication Critical patent/CN112348853B/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
    • G06T7/246—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments
    • G06T7/251—Analysis of motion using feature-based methods, e.g. the tracking of corners or segments involving models
    • 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

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

本发明涉及基于红外显著性特征融合的粒子滤波跟踪的方法。本发明的目的是采用粒子滤波框架，通过多特征融合的方式建立相应特征观测模型计算粒子权重，利用粒子的位置信息和权重得到估计目标状态实现目标跟踪，说明书摘要附图中图1为发明的具体实现流程图。

Description

基于红外显著性特征融合的粒子滤波跟踪的方法
技术领域：
本发明属于图像处理领域，具体地说是通过结合多特征融合和粒子滤波，得到目标运动的准确估计。
背景技术：
根据目标模型建立的不同，常见的目标跟踪算法可以分为生成类和判别类两种方法。应用到基于序列图像的检测前跟踪方法主要包括管道滤波、动态规划、多级假设检验、三维匹配滤波、粒子滤波等。管道滤波是基于多帧图像分析较常用的方法，它以每一帧的可疑目标位置为中心，并以此划分一个截面区域，当此区域内目标数与真实目标数误差在一定范围内判断为目标，算法需要考虑的参数有截面区域的形状大小、所选帧数的多少、判断的阈值等。动态规划方法是将目标运行轨迹搜索看作多阶优化问题采用分级处理。多级假设检验是采用树结构描述可疑目标轨迹，但是当弱信号在复杂场景中，可疑轨迹过多导致树结构的分支过多，实时性能无法得到保障。三维匹配滤波是根据已知的目标数和运动特征，设计多个滤波器包含所有目标轨迹，此方法对具有固定运动速度和路线的已知目标有良好的检测效果，但是不适合目标和轨迹样本过多的情况。
粒子滤波方法利用迭代后的样本均值估计模型参数，可以用作处理任何噪声模型下的非线性非高斯系统。随着计算机处理能力的提高，粒子滤波也成为近年的研究热点被应用在视觉跟踪、目标定位、信号处理等多种领域，但是存在粒子退化现象、粒子多样性不足、计算量过大等问题。我国拥有辽阔海域领土，来自军事安全的压力日益加剧，所以具备快速获取远距离舰船的位置、方向等信息的能力在海洋战略防范问题上显得尤为重要。因此，针对任意观测点的不同海洋场景，实现稳定准确的目标跟踪问题有着十分重要的研究价值。
粒子滤波中观测模型的建立需要针对检测目标和背景环境的特点，一般为了保证检测精度和稳定性，需要所使用的特征算子具有空间尺度、旋转、亮度不变性等特性。本发明通过分析海面小目标特征，采用WPCM显著性特征和具有鲁棒性的局部结构特征描述子SURF作为观测量，通过目标和模板间的相似性计算粒子权值，进而利用粒子的位置信息和权值大小得到目标状态对目标进行跟踪。
本发明是从目标纹理分布角度，采用多特征融合的方式建立相应特征观测模型，基于目标模板和候选模板的相似性差异，计算粒子权值，利用粒子的位置信息和权值大小估计出目标状态，作为目标跟踪的一种手段。
发明内容：
本发明的目的是采用多特征融合的方式建立相应特征观测模型，通过目标和模板间的相似性计算粒子权值，利用粒子的位置信息和权值大小得到目标状态。首先利用局部显著性和局部稳定的SURF特征检测算子构造了小目标检测系统的观测方程。然后以融合特征计算粒子权值，并估计目标状态。最后通过自适应判别更新目标模板。通过得到的数据得到目标运动的准确估计的目的。
本发明采用的技术方案是：
第一步：读取第0帧图像I0，并对图像I0进行粒子初始化，具体操作过程如下：
(a)采用一个宽为w0和高为h0的矩形框拟合图像I0中的待跟踪目标，得到初始时刻的目标状态X0＝[x0,y0,w0,h0]及以(x0,y0)为中心的待跟踪目标区域temp0(宽为w0，高为h0)；
(b)以目标初始状态为中心，传播半径r的范围内随机产生N个独立同分布的样本，从而得到初始粒子集
Figure GDA0003707507600000021
以及初始时刻的待跟踪目标区域集
Figure GDA0003707507600000022
其中
Figure GDA0003707507600000023
表示图像I0中以初始粒子集X0中第i个粒子位置坐标
Figure GDA0003707507600000024
为中心的待跟踪目标区域(宽为
Figure GDA0003707507600000025
高为
Figure GDA0003707507600000026
)，设置初始粒子权重为
Figure GDA0003707507600000027
其中i＝1,2,...,N表示粒子集中粒子的标号，N表示滤波的粒子数；
第二步：读取第k帧图像Ik，k＝1,2,3...表示图像帧数以及时刻；
第三步：采用式(1)计算得到k时刻的候选目标粒子集的第i个粒子
Figure GDA0003707507600000028
和图像Ik中以候选目标粒子集的第i个粒子位置坐标
Figure GDA0003707507600000029
为中心的候选目标区域
Figure GDA00037075076000000210
(宽为
Figure GDA00037075076000000211
高为
Figure GDA00037075076000000212
)，进而得到k时刻的候选目标粒子集
Figure GDA00037075076000000213
和候选目标区域集
Figure GDA00037075076000000214
Figure GDA00037075076000000215
和
Figure GDA00037075076000000216
分别表示k时刻、k-1时刻和k-2时刻候选目标粒子集中的第i个粒子，r是粒子的随机传播半径，一般设为
Figure GDA00037075076000000217
U(i)是计算第i个粒子时属于[-1,1]的随机数；
Figure GDA00037075076000000218
第四步：通过计算得到k时刻特征融合后的候选目标粒子集中第i个粒子的观测方程
Figure GDA00037075076000000219
进而得到k时刻特征融合后的观测方程集
Figure GDA00037075076000000220
具体的操作过程如下：
(a)通过计算得到待跟踪目标区域
Figure GDA00037075076000000221
的基于显著性特征的目标核函数直方图
Figure GDA00037075076000000222
(即目标模板)，进而得到待跟踪目标区域集
Figure GDA00037075076000000223
的基于显著性特征的目标核函数直方图集
Figure GDA00037075076000000224
具体操作过程如下：
(1)通过计算得到待跟踪目标区域
Figure GDA00037075076000000225
的基于块对比度加权的特征算子
Figure GDA00037075076000000226
进而得到初始时刻基于块对比度加权的特征算子集
Figure GDA00037075076000000227
具体操作过程如下：
1)设计滑动窗口对待跟踪目标区域
Figure GDA0003707507600000031
进行遍历扫描，滑动窗口由3×3排列的9个局部块组成，滑动窗口第一行三个局部块从左到右依次编号为P1、P2、P3，第二行三个局部块从左到右依次编号为P4、P0、P5，第三行三个局部块从左到右依次编号为P6、P7、P8，每个局部块由l×l个像素组成，l可取1～3之间的奇数；
2)采用滑动窗口对待跟踪目标区域
Figure GDA0003707507600000032
从上到下、从左到右进行遍历扫描，分别通过式(2)、(3)计算块均值
Figure GDA0003707507600000033
和
Figure GDA0003707507600000034
其中
Figure GDA0003707507600000035
表示待跟踪目标区域
Figure GDA0003707507600000036
在坐标(x,y)位置的灰度值，l(i)表示局部块的边长，采用式(4)计算
Figure GDA0003707507600000037
与
Figure GDA0003707507600000038
之间的对比度
Figure GDA0003707507600000039
通过公式(5)计算得到与中心块
Figure GDA00037075076000000310
最相似的相邻块
Figure GDA00037075076000000311
和
Figure GDA00037075076000000312
通过公式(6)计算得到(x,y)处的块对比度
Figure GDA00037075076000000313
进而得到的对比度显著图记为C(i)，其中r表示局部块的标号；
Figure GDA00037075076000000314
Figure GDA00037075076000000315
Figure GDA00037075076000000316
Figure GDA00037075076000000317
Figure GDA00037075076000000318
3)利用式(7)计算得到(x,y)处的局部显著性因子
Figure GDA00037075076000000319
进而得到的局部显著图记为W(i)；
Figure GDA00037075076000000320
其中的每个像素的强度因子
Figure GDA00037075076000000321
通过式(8)来进行计算：
Figure GDA00037075076000000322
4)通过式(9)计算得到基于块对比度加权的特征算子
Figure GDA00037075076000000323
也表示待跟踪目标区域
Figure GDA00037075076000000324
的显著性特征图；
Figure GDA00037075076000000325
(2)通过式(10)、(11)计算得到待跟踪目标区域
Figure GDA00037075076000000326
中以
Figure GDA00037075076000000327
为中心像素位置的基于显著性特征的目标核函数直方图
Figure GDA00037075076000000328
Figure GDA00037075076000000329
表示归一化常数，使
Figure GDA00037075076000000330
表示待跟踪目标区域
Figure GDA00037075076000000331
的大小，
Figure GDA00037075076000000332
表示目标区域中的像素，pixel表示目标区域中像素标号，||·||表示范数计算符，
Figure GDA00037075076000000333
表示像素
Figure GDA00037075076000000334
的显著性值，u＝1,2,...,256表示直方图的横坐标，δ(·)表示delta函数；
Figure GDA0003707507600000041
将k(v)代入公式(11)，取
Figure GDA0003707507600000042
得：
Figure GDA0003707507600000043
其中归一化常数
Figure GDA0003707507600000044
和目标区域的像素数
Figure GDA0003707507600000045
分别通过式(12)、(13)进行计算：
Figure GDA0003707507600000046
Figure GDA0003707507600000047
(b)采用步骤(a)计算方法计算候选目标区域
Figure GDA0003707507600000048
中以
Figure GDA0003707507600000049
为中心像素位置的基于显著性特征的核函数直方图
Figure GDA00037075076000000410
(即候选目标模板)，进而得到候选目标区域集
Figure GDA00037075076000000411
的基于显著性特征的核函数直方图集
Figure GDA00037075076000000412
(c)通过式(14)计算k时刻候选目标粒子集中第i个粒子的基于对比度显著性特征的观测方程
Figure GDA00037075076000000413
进而得到k时刻基于对比度显著性特征的观测方程集
Figure GDA00037075076000000414
其中σ1表示基于对比度显著性特征的观测标准差，
Figure GDA00037075076000000415
表示k时刻的候选目标粒子集中的第i个粒子，Zk表示k时刻的观测状态；
Figure GDA00037075076000000416
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于对比度显著性特征的相似度距离
Figure GDA00037075076000000417
通过式(15)进行计算，进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于对比度显著性特征的相似度距离集
Figure GDA00037075076000000418
其中
Figure GDA00037075076000000419
表示候选目标区域
Figure GDA00037075076000000420
中以
Figure GDA00037075076000000421
为中心像素位置的基于显著性特征的核函数直方图，
Figure GDA00037075076000000422
表示以k-1时刻目标粒子集中第i个粒子的位置坐标为中心的目标区域
Figure GDA00037075076000000423
中以
Figure GDA00037075076000000424
为中心像素位置的基于显著性特征的核函数直方图：
Figure GDA00037075076000000425
(d)通过计算得到待跟踪目标区域
Figure GDA00037075076000000426
的SURF特征点
Figure GDA00037075076000000427
进而得到初始粒子集的特征点集
Figure GDA0003707507600000051
其中
Figure GDA0003707507600000052
表示
Figure GDA0003707507600000053
的特征点的位置坐标，具体操作过程如下：
(1)通过式(16)计算得到待跟踪目标区域
Figure GDA0003707507600000054
的积分图像
Figure GDA0003707507600000055
其中
Figure GDA0003707507600000056
表示待跟踪目标区域
Figure GDA0003707507600000057
在坐标(x,y)处的像素值；
Figure GDA0003707507600000058
(2)通过式(17)构建图像中像素点X(x,y)处σ尺度的Hessian矩阵，其中σ表示尺度空间因子以及高斯函数g(σ)的标准差，temp表示图像像素矩阵；
Figure GDA0003707507600000059
其中的Lxx通过式(18)进行计算，其他Lxy、Lyy的计算方式类似，其中
Figure GDA00037075076000000510
*表示卷积：
Figure GDA00037075076000000511
(3)通过式(20)计算得到判别点X(x,y)是否为极值点的Hessian矩阵行列式det(H)；
det(H)＝LxxLyy-(Lxy)2 (20)
(4)通过式(21)计算得到
Figure GDA00037075076000000512
在某一尺度下的近似Hessian矩阵行列式
Figure GDA00037075076000000513
的行列式
Figure GDA00037075076000000514
其中
Figure GDA00037075076000000515
表示
Figure GDA00037075076000000516
的Hessian矩阵的近似矩阵，
Figure GDA00037075076000000517
Figure GDA00037075076000000518
表示盒子滤波器与积分图像
Figure GDA00037075076000000519
卷积的结果，0.9表示加权系数，用于修正盒子滤波器的近似误差；
Figure GDA00037075076000000520
(5)利用不同尺寸的盒子滤波器与积分图像
Figure GDA00037075076000000521
卷积产生的Hessian矩阵行列式的响应图像构建尺度金字塔，尺度金字塔有若干组，每组有若干层，最底层为第一组(即octave＝1)，盒子滤波器尺寸由式(22)来确定，其中FilterSize表示盒子滤波器的尺寸大小，octave表示图像所在组的标号(octave可取3、4)，interval表示图像所在层的标号(interval可取4～6)；
FilterSize＝3(2octave×interval+1) (22)
(6)采用3×3×3非极大值抑制，得到初步的特征点位置和尺度，即将经过Hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较，如果该点是这26个点中的最大值或者最小值，则保留下来，当做初步的特征点；
(7)采用3维线性插值法得到亚像素级的特征点，同时也去掉那些值小于一定阈值的点，增加极值使检测到的特征点数量减少，从而精确定位到特征点；
(8)采用统计的Harr小波特征构造SURF特征描述子，得到待跟踪目标区域
Figure GDA0003707507600000061
的SURF特征点
Figure GDA0003707507600000062
(e)通过式(23)计算k时刻候选目标粒子集中第i个粒子的基于SURF特征点的观测方程
Figure GDA0003707507600000063
进而得到k时刻基于SURF特征点的观测方程集
Figure GDA0003707507600000064
其中σ2表示基于SURF特征点的观测标准差；
Figure GDA0003707507600000065
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于SURF特征点的相似度距离
Figure GDA0003707507600000066
通过式(24)进行计算，进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于SURF特征点的相似度距离
Figure GDA0003707507600000067
其中
Figure GDA0003707507600000068
表示k-1时刻的目标粒子集中第i个粒子的特征点，
Figure GDA0003707507600000069
表示采用第四步中(d)步骤计算方法计算得到的k时刻的候选目标粒子集中第i个粒子的特征点，
Figure GDA00037075076000000610
和
Figure GDA00037075076000000611
分别表示k-1时刻的目标粒子集中第i个粒子的特征点和k时刻的候选目标粒子集中第i个粒子的特征点的位置坐标：
Figure GDA00037075076000000612
(f)利用式(25)计算得到k时刻特征融合后的候选目标粒子集中第i个粒子的观测方程
Figure GDA00037075076000000613
和
Figure GDA00037075076000000614
分别表示k时刻候选目标粒子集中第i个粒子的基于SURF特征点和基于对比度显著性特征的观测方程；
Figure GDA00037075076000000615
第五步：采用式(26)计算出k时刻候选目标粒子集中第i个粒子的权重
Figure GDA00037075076000000616
进而得到粒子权重集
Figure GDA00037075076000000617
其中
Figure GDA00037075076000000618
表示k时刻特征融合后的候选目标粒子集中第i个粒子的观测方程，
Figure GDA00037075076000000619
表示k-1时刻目标粒子集中第i个粒子的权重；
Figure GDA00037075076000000620
第六步：采用式(27)计算得到k时刻的有效粒子数
Figure GDA00037075076000000621
Figure GDA00037075076000000622
表示k时刻的归一化权值集，当
Figure GDA00037075076000000623
小于
Figure GDA00037075076000000624
时进行重采样，N表示滤波的粒子数，重采样后将粒子权值均置为
Figure GDA00037075076000000625
Figure GDA0003707507600000071
第七步：采用式(28)估计k时刻的目标状态
Figure GDA0003707507600000072
进而得到估计目标区域
Figure GDA0003707507600000073
其中
Figure GDA0003707507600000074
表示k时刻候选目标粒子集中第i个粒子的权重，
Figure GDA00037075076000000717
表示k时刻候选目标粒子集中第i个粒子；
Figure GDA0003707507600000075
第八步：采用第四步中(a)步骤和第四步中(d)步骤同样计算方法分别计算得到估计目标区域的基于显著性特征的核函数直方图gu,k(即估计目标模板)和估计目标区域集的SURF特征点
Figure GDA0003707507600000076
其中
Figure GDA0003707507600000077
表示k时刻估计目标区域特征点的位置坐标；
第九步：采用式(29)更新得到k时刻的目标粒子集中第i个粒子的目标模板
Figure GDA0003707507600000078
进而得到新目标模板集
Figure GDA0003707507600000079
其中
Figure GDA00037075076000000710
表示k-1时刻的目标粒子集中第i个粒子的目标模板，
Figure GDA00037075076000000711
表示k时刻估计目标模板gu,k与
Figure GDA00037075076000000712
之间的基于对比度显著性特征的相似度距离，
Figure GDA00037075076000000713
表示k时刻估计目标区域的特征点
Figure GDA00037075076000000714
与k-1时刻的目标粒子集中第i个粒子的特征点
Figure GDA00037075076000000715
之间基于SURF特征点的相似度距离，λ表示调整系数，取值范围为[0,1]，Tn表示距离阈值，根据经验，Tn＝0.15；
Figure GDA00037075076000000716
第十步：令k＝k+1，并判断是否已经处理到最后一帧图像，如果是结束循环，否则转到第二步。
本发明优点在于：
1、能够提高复杂场景下目标跟踪的精度；
2、通过多特征处理能够有效地弥补传统单特征的不稳定性。
附图说明
图1为本发明的流程图；
图2(a)为拥有一个动态船目标的第10帧图像；
图2(b)为拥有一个动态船目标的第20帧图像；
图2(c)为拥有一个动态船目标的第30帧图像；
图2(d)为拥有一个动态船目标的第40帧图像；
图2(e)为拥有一个动态船目标的第50帧图像；
图2(f)为拥有一个动态船目标的第60帧图像；
具体实施方式：
1：读取第0帧图像I0，并对图像I0进行粒子初始化，具体操作过程如下：
(a)采用一个宽为w0和高为h0的矩形框拟合图像I0中的待跟踪目标，得到初始时刻的目标状态X0＝[x0,y0,w0,h0]及以(x0,y0)为中心的待跟踪目标区域temp0(宽为w0，高为h0)；
(b)以目标初始状态为中心，传播半径r的范围内随机产生N个独立同分布的样本，从而得到初始粒子集
Figure GDA0003707507600000081
以及初始时刻的待跟踪目标区域集
Figure GDA0003707507600000082
其中
Figure GDA0003707507600000083
表示图像I0中以初始粒子集X0中第i个粒子位置坐标
Figure GDA0003707507600000084
为中心的待跟踪目标区域(宽为
Figure GDA0003707507600000085
高为
Figure GDA0003707507600000086
)，设置初始粒子权重为
Figure GDA0003707507600000087
其中i＝1,2,...,N表示粒子集中粒子的标号，N表示滤波的粒子数；
2：读取第k帧图像Ik，k＝1,2,3...表示图像帧数以及时刻；
3：采用式(1)计算得到k时刻的候选目标粒子集的第i个粒子
Figure GDA0003707507600000088
和图像Ik中以候选目标粒子集的第i个粒子位置坐标
Figure GDA0003707507600000089
为中心的候选目标区域
Figure GDA00037075076000000810
(宽为
Figure GDA00037075076000000811
高为
Figure GDA00037075076000000812
)，进而得到k时刻的候选目标粒子集
Figure GDA00037075076000000813
和候选目标区域集
Figure GDA00037075076000000814
Figure GDA00037075076000000815
和
Figure GDA00037075076000000816
分别表示k时刻、k-1时刻和k-2时刻候选目标粒子集中的第i个粒子，r是粒子的随机传播半径，一般设为
Figure GDA00037075076000000817
U(i)是计算第i个粒子时属于[-1,1]的随机数；
Figure GDA00037075076000000818
4：通过计算得到k时刻特征融合后的候选目标粒子集中第i个粒子的观测方程
Figure GDA00037075076000000819
进而得到k时刻特征融合后的观测方程集
Figure GDA00037075076000000820
具体的操作过程如下：
(a)通过计算得到待跟踪目标区域
Figure GDA00037075076000000821
的基于显著性特征的目标核函数直方图
Figure GDA00037075076000000822
(即目标模板)，进而得到待跟踪目标区域集
Figure GDA00037075076000000823
的基于显著性特征的目标核函数直方图集
Figure GDA00037075076000000824
具体操作过程如下：
(1)通过计算得到待跟踪目标区域
Figure GDA00037075076000000825
的基于块对比度加权的特征算子
Figure GDA00037075076000000826
进而得到初始时刻基于块对比度加权的特征算子集
Figure GDA00037075076000000827
具体操作过程如下：
1)设计滑动窗口对待跟踪目标区域
Figure GDA00037075076000000828
进行遍历扫描，滑动窗口由3×3排列的9个局部块组成，滑动窗口第一行三个局部块从左到右依次编号为P1、P2、P3，第二行三个局部块从左到右依次编号为P4、P0、P5，第三行三个局部块从左到右依次编号为P6、P7、P8，每个局部块由l×l个像素组成，l可取1～3之间的奇数；
2)采用滑动窗口对待跟踪目标区域
Figure GDA0003707507600000091
从上到下、从左到右进行遍历扫描，分别通过式(2)、(3)计算块均值
Figure GDA0003707507600000092
和
Figure GDA0003707507600000093
其中
Figure GDA0003707507600000094
表示待跟踪目标区域
Figure GDA0003707507600000095
在坐标(x,y)位置的灰度值，l(i)表示局部块的边长，采用式(4)计算
Figure GDA0003707507600000096
与
Figure GDA0003707507600000097
之间的对比度
Figure GDA0003707507600000098
通过公式(5)计算得到与中心块
Figure GDA0003707507600000099
最相似的相邻块
Figure GDA00037075076000000910
和
Figure GDA00037075076000000911
通过公式(6)计算得到(x,y)处的块对比度
Figure GDA00037075076000000912
进而得到的对比度显著图记为C(i)，其中r表示局部块的标号；
Figure GDA00037075076000000913
Figure GDA00037075076000000914
Figure GDA00037075076000000915
Figure GDA00037075076000000916
Figure GDA00037075076000000917
3)利用式(7)计算得到(x,y)处的局部显著性因子
Figure GDA00037075076000000918
进而得到的局部显著图记为W(i)；
Figure GDA00037075076000000919
其中的每个像素的强度因子
Figure GDA00037075076000000920
通过式(8)来进行计算：
Figure GDA00037075076000000921
4)通过式(9)计算得到基于块对比度加权的特征算子
Figure GDA00037075076000000922
也表示待跟踪目标区域
Figure GDA00037075076000000923
的显著性特征图；
Figure GDA00037075076000000924
(2)通过式(10)、(11)计算得到待跟踪目标区域
Figure GDA00037075076000000925
中以
Figure GDA00037075076000000926
为中心像素位置的基于显著性特征的目标核函数直方图
Figure GDA00037075076000000927
表示归一化常数，使
Figure GDA00037075076000000928
表示待跟踪目标区域
Figure GDA00037075076000000929
的大小，
Figure GDA00037075076000000930
表示目标区域中的像素，pixel表示目标区域中像素标号，||·||表示范数计算符，
Figure GDA00037075076000000931
表示像素
Figure GDA00037075076000000932
的显著性值，u＝1,2,...,256表示直方图的横坐标，δ(·)表示delta函数；
Figure GDA0003707507600000101
将k(v)代入公式(11)，取
Figure GDA0003707507600000102
得：
Figure GDA0003707507600000103
其中归一化常数
Figure GDA0003707507600000104
和目标区域的像素数
Figure GDA0003707507600000105
分别通过式(12)、(13)进行计算：
Figure GDA0003707507600000106
Figure GDA0003707507600000107
(b)采用步骤(a)计算方法计算候选目标区域
Figure GDA0003707507600000108
中以
Figure GDA0003707507600000109
为中心像素位置的基于显著性特征的核函数直方图
Figure GDA00037075076000001010
(即候选目标模板)，进而得到候选目标区域集
Figure GDA00037075076000001011
的基于显著性特征的核函数直方图集
Figure GDA00037075076000001012
(c)通过式(14)计算k时刻候选目标粒子集中第i个粒子的基于对比度显著性特征的观测方程
Figure GDA00037075076000001013
进而得到k时刻基于对比度显著性特征的观测方程集
Figure GDA00037075076000001014
其中σ1表示基于对比度显著性特征的观测标准差，
Figure GDA00037075076000001015
表示k时刻的候选目标粒子集中的第i个粒子，Zk表示k时刻的观测状态；
Figure GDA00037075076000001016
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于对比度显著性特征的相似度距离
Figure GDA00037075076000001017
通过式(15)进行计算，进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于对比度显著性特征的相似度距离集
Figure GDA00037075076000001018
其中
Figure GDA00037075076000001019
表示候选目标区域
Figure GDA00037075076000001020
中以
Figure GDA00037075076000001021
为中心像素位置的基于显著性特征的核函数直方图，
Figure GDA00037075076000001022
表示以k-1时刻目标粒子集中第i个粒子的位置坐标为中心的目标区域
Figure GDA00037075076000001023
中以
Figure GDA00037075076000001024
为中心像素位置的基于显著性特征的核函数直方图：
Figure GDA00037075076000001025
(d)通过计算得到待跟踪目标区域
Figure GDA00037075076000001026
的SURF特征点
Figure GDA00037075076000001027
进而得到初始粒子集的特征点集
Figure GDA00037075076000001028
其中
Figure GDA00037075076000001029
表示
Figure GDA00037075076000001030
的特征点的位置坐标，具体操作过程如下：
(1)通过式(16)计算得到待跟踪目标区域
Figure GDA0003707507600000111
的积分图像
Figure GDA0003707507600000112
其中
Figure GDA0003707507600000113
表示待跟踪目标区域
Figure GDA0003707507600000114
在坐标(x,y)处的像素值；
Figure GDA0003707507600000115
(2)通过式(17)构建图像中像素点X(x,y)处σ尺度的Hessian矩阵，其中σ表示尺度空间因子以及高斯函数g(σ)的标准差，temp表示图像像素矩阵；
Figure GDA0003707507600000116
其中的Lxx通过式(18)进行计算，其他Lxy、Lyy的计算方式类似，其中
Figure GDA0003707507600000117
*表示卷积：
Figure GDA0003707507600000118
(3)通过式(20)计算得到判别点X(x,y)是否为极值点的Hessian矩阵行列式det(H)；
det(H)＝LxxLyy-(Lxy)2 (20)
(4)通过式(21)计算得到
Figure GDA0003707507600000119
在某一尺度下的近似Hessian矩阵行列式
Figure GDA00037075076000001110
的行列式
Figure GDA00037075076000001111
其中
Figure GDA00037075076000001112
表示
Figure GDA00037075076000001113
的Hessian矩阵的近似矩阵，
Figure GDA00037075076000001114
Figure GDA00037075076000001115
表示盒子滤波器与积分图像
Figure GDA00037075076000001116
卷积的结果，0.9表示加权系数，用于修正盒子滤波器的近似误差；
Figure GDA00037075076000001117
(5)利用不同尺寸的盒子滤波器与积分图像
Figure GDA00037075076000001118
卷积产生的Hessian矩阵行列式的响应图像构建尺度金字塔，尺度金字塔有若干组，每组有若干层，最底层为第一组(即octave＝1)，盒子滤波器尺寸由式(22)来确定，其中FilterSize表示盒子滤波器的尺寸大小，octave表示图像所在组的标号(octave可取3、4)，interval表示图像所在层的标号(interval可取4～6)；
FilterSize＝3(2octave×interval+1) (22)
(6)采用3×3×3非极大值抑制，得到初步的特征点位置和尺度，即将经过Hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较，如果该点是这26个点中的最大值或者最小值，则保留下来，当做初步的特征点；
(7)采用3维线性插值法得到亚像素级的特征点，同时也去掉那些值小于一定阈值的点，增加极值使检测到的特征点数量减少，从而精确定位到特征点；
(8)采用统计的Harr小波特征构造SURF特征描述子，得到待跟踪目标区域
Figure GDA0003707507600000121
的SURF特征点
Figure GDA0003707507600000122
(e)通过式(23)计算k时刻候选目标粒子集中第i个粒子的基于SURF特征点的观测方程
Figure GDA0003707507600000123
进而得到k时刻基于SURF特征点的观测方程集
Figure GDA0003707507600000124
其中σ2表示基于SURF特征点的观测标准差；
Figure GDA0003707507600000125
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于SURF特征点的相似度距离
Figure GDA0003707507600000126
通过式(24)进行计算，进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于SURF特征点的相似度距离
Figure GDA0003707507600000127
其中
Figure GDA0003707507600000128
表示k-1时刻的目标粒子集中第i个粒子的特征点，
Figure GDA0003707507600000129
表示采用第四步中(d)步骤计算方法计算得到的k时刻的候选目标粒子集中第i个粒子的特征点，
Figure GDA00037075076000001210
和
Figure GDA00037075076000001211
分别表示k-1时刻的目标粒子集中第i个粒子的特征点和k时刻的候选目标粒子集中第i个粒子的特征点的位置坐标：
Figure GDA00037075076000001212
(f)利用式(25)计算得到k时刻特征融合后的候选目标粒子集中第i个粒子的观测方程
Figure GDA00037075076000001213
和
Figure GDA00037075076000001214
分别表示k时刻候选目标粒子集中第i个粒子的基于SURF特征点和基于对比度显著性特征的观测方程；
Figure GDA00037075076000001215
5：采用式(26)计算出k时刻候选目标粒子集中第i个粒子的权重
Figure GDA00037075076000001216
进而得到粒子权重集
Figure GDA00037075076000001217
其中
Figure GDA00037075076000001218
表示k时刻特征融合后的候选目标粒子集中第i个粒子的观测方程，
Figure GDA00037075076000001219
表示k-1时刻目标粒子集中第i个粒子的权重；
Figure GDA00037075076000001220
6：采用式(27)计算得到k时刻的有效粒子数
Figure GDA00037075076000001221
Figure GDA00037075076000001222
表示k时刻的归一化权值集，当
Figure GDA00037075076000001223
小于
Figure GDA00037075076000001224
时进行重采样，N表示滤波的粒子数，重采样后将粒子权值均置为
Figure GDA00037075076000001225
Figure GDA00037075076000001226
7：采用式(28)估计k时刻的目标状态
Figure GDA0003707507600000131
进而得到估计目标区域
Figure GDA0003707507600000132
其中
Figure GDA0003707507600000133
表示k时刻候选目标粒子集中第i个粒子的权重，
Figure GDA0003707507600000134
表示k时刻候选目标粒子集中第i个粒子；
Figure GDA0003707507600000135
8：采用第四步中(a)步骤和第四步中(d)步骤同样计算方法分别计算得到估计目标区域的基于显著性特征的核函数直方图gu,k(即估计目标模板)和估计目标区域集的SURF特征点
Figure GDA0003707507600000136
其中
Figure GDA0003707507600000137
表示k时刻估计目标区域特征点的位置坐标；
9：采用式(29)更新得到k时刻的目标粒子集中第i个粒子的目标模板
Figure GDA0003707507600000138
进而得到新目标模板集
Figure GDA0003707507600000139
其中
Figure GDA00037075076000001310
表示k-1时刻的目标粒子集中第i个粒子的目标模板，
Figure GDA00037075076000001311
表示k时刻估计目标模板gu,k与
Figure GDA00037075076000001312
之间的基于对比度显著性特征的相似度距离，
Figure GDA00037075076000001313
表示k时刻估计目标区域的特征点
Figure GDA00037075076000001314
与k-1时刻的目标粒子集中第i个粒子的特征点
Figure GDA00037075076000001315
之间基于SURF特征点的相似度距离，λ表示调整系数，取值范围为[0,1]，Tn表示距离阈值，根据经验，Tn＝0.15；
Figure GDA00037075076000001316
10：令k＝k+1，并判断是否已经处理到最后一帧图像，如果是结束循环，否则转到第二步。

Claims (1)

1.基于红外显著性特征融合的粒子滤波跟踪的方法，其特征在于如下步骤：
第一步：读取第0帧图像I0，并对图像I0进行粒子初始化，具体操作过程如下：
(a)采用一个宽为w0和高为h0的矩形框拟合图像I0中的待跟踪目标，得到初始时刻的目标状态X0＝[x0,y0,w0,h0]及以(x0,y0)为中心的待跟踪目标区域temp0(宽为w0，高为h0)；
(b)以目标初始状态为中心，传播半径r的范围内随机产生N个独立同分布的样本，从而得到初始粒子集
Figure FDA0003707507590000011
以及初始时刻的待跟踪目标区域集
Figure FDA0003707507590000012
其中
Figure FDA0003707507590000013
表示图像I0中以初始粒子集X0中第i个粒子位置坐标
Figure FDA0003707507590000014
为中心的待跟踪目标区域(宽为
Figure FDA0003707507590000015
高为
Figure FDA0003707507590000016
)，设置初始粒子权重为
Figure FDA0003707507590000017
其中i＝1,2,...,N表示粒子集中粒子的标号，N表示滤波的粒子数；
第二步：读取第k帧图像Ik，k＝1,2,3...表示图像帧数以及时刻；
第三步：采用式(1)计算得到k时刻的候选目标粒子集的第i个粒子
Figure FDA0003707507590000018
和图像Ik中以候选目标粒子集的第i个粒子位置坐标
Figure FDA0003707507590000019
为中心的候选目标区域
Figure FDA00037075075900000110
(宽为
Figure FDA00037075075900000111
高为
Figure FDA00037075075900000112
)，进而得到k时刻的候选目标粒子集
Figure FDA00037075075900000113
和候选目标区域集
Figure FDA00037075075900000114
和
Figure FDA00037075075900000115
分别表示k时刻、k-1时刻和k-2时刻候选目标粒子集中的第i个粒子，r是粒子的随机传播半径，一般设为
Figure FDA00037075075900000116
U(i)是计算第i个粒子时属于[-1,1]的随机数；
Figure FDA00037075075900000117
第四步：通过计算得到k时刻特征融合后的候选目标粒子集中第i个粒子的观测方程
Figure FDA00037075075900000118
进而得到k时刻特征融合后的观测方程集
Figure FDA00037075075900000119
具体的操作过程如下：
(a)通过计算得到待跟踪目标区域
Figure FDA00037075075900000120
的基于显著性特征的目标核函数直方图
Figure FDA00037075075900000121
(即目标模板)，进而得到待跟踪目标区域集
Figure FDA00037075075900000122
的基于显著性特征的目标核函数直方图集
Figure FDA00037075075900000123
具体操作过程如下：
(1)通过计算得到待跟踪目标区域
Figure FDA00037075075900000124
的基于块对比度加权的特征算子
Figure FDA00037075075900000125
进而得到初始时刻基于块对比度加权的特征算子集
Figure FDA00037075075900000126
具体操作过程如下：
1)设计滑动窗口对待跟踪目标区域
Figure FDA00037075075900000127
进行遍历扫描，滑动窗口由3×3排列的9个局部块组成，滑动窗口第一行三个局部块从左到右依次编号为P1、P2、P3，第二行三个局部块从左到右依次编号为P4、P0、P5，第三行三个局部块从左到右依次编号为P6、P7、P8，每个局部块由l×l个像素组成，l可取1～3之间的奇数；
2)采用滑动窗口对待跟踪目标区域
Figure FDA0003707507590000021
从上到下、从左到右进行遍历扫描，分别通过式(2)、(3)计算块均值
Figure FDA0003707507590000022
和
Figure FDA0003707507590000023
其中
Figure FDA0003707507590000024
表示待跟踪目标区域
Figure FDA0003707507590000025
在坐标(x,y)位置的灰度值，l(i)表示局部块的边长，采用式(4)计算
Figure FDA0003707507590000026
r＝1,2,…8与
Figure FDA0003707507590000027
之间的对比度
Figure FDA0003707507590000028
通过公式(5)计算得到与中心块
Figure FDA0003707507590000029
最相似的相邻块
Figure FDA00037075075900000210
和
Figure FDA00037075075900000211
通过公式(6)计算得到(x,y)处的块对比度
Figure FDA00037075075900000212
进而得到的对比度显著图记为C(i)，其中r表示局部块的标号；
Figure FDA00037075075900000213
Figure FDA00037075075900000214
Figure FDA00037075075900000215
Figure FDA00037075075900000216
Figure FDA00037075075900000217
3)利用式(7)计算得到(x,y)处的局部显著性因子
Figure FDA00037075075900000218
进而得到的局部显著图记为W(i)；
Figure FDA00037075075900000219
其中的每个像素的强度因子
Figure FDA00037075075900000220
通过式(8)来进行计算：
Figure FDA00037075075900000221
4)通过式(9)计算得到基于块对比度加权的特征算子
Figure FDA00037075075900000222
也表示待跟踪目标区域
Figure FDA00037075075900000223
的显著性特征图；
Figure FDA00037075075900000224
(2)通过式(10)、(11)计算得到待跟踪目标区域
Figure FDA00037075075900000225
中以
Figure FDA00037075075900000226
为中心像素位置的基于显著性特征的目标核函数直方图
Figure FDA00037075075900000227
表示归一化常数，使
Figure FDA00037075075900000228
表示待跟踪目标区域
Figure FDA00037075075900000229
的大小，
Figure FDA00037075075900000230
表示目标区域中的像素，pixel表示目标区域中像素标号，||·||表示范数计算符，
Figure FDA00037075075900000231
表示像素
Figure FDA00037075075900000232
的显著性值，u＝1,2,...,256表示直方图的横坐标，δ(·)表示delta函数；
Figure FDA00037075075900000233
将k(v)代入公式(11)，取
Figure FDA0003707507590000031
得：
Figure FDA0003707507590000032
其中归一化常数
Figure FDA0003707507590000033
和目标区域的像素数
Figure FDA0003707507590000034
分别通过式(12)、(13)进行计算：
Figure FDA0003707507590000035
Figure FDA0003707507590000036
(b)采用步骤(a)计算方法计算候选目标区域
Figure FDA0003707507590000037
中以
Figure FDA0003707507590000038
为中心像素位置的基于显著性特征的核函数直方图
Figure FDA0003707507590000039
(即候选目标模板)，进而得到候选目标区域集
Figure FDA00037075075900000310
的基于显著性特征的核函数直方图集
Figure FDA00037075075900000311
(c)通过式(14)计算k时刻候选目标粒子集中第i个粒子的基于对比度显著性特征的观测方程
Figure FDA00037075075900000312
进而得到k时刻基于对比度显著性特征的观测方程集
Figure FDA00037075075900000313
其中σ1表示基于对比度显著性特征的观测标准差，
Figure FDA00037075075900000314
表示k时刻的候选目标粒子集中的第i个粒子，Zk表示k时刻的观测状态；
Figure FDA00037075075900000315
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于对比度显著性特征的相似度距离
Figure FDA00037075075900000316
通过式(15)进行计算，进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于对比度显著性特征的相似度距离集
Figure FDA00037075075900000317
其中
Figure FDA00037075075900000318
表示候选目标区域
Figure FDA00037075075900000319
中以
Figure FDA00037075075900000320
为中心像素位置的基于显著性特征的核函数直方图，
Figure FDA00037075075900000321
表示以k-1时刻目标粒子集中第i个粒子的位置坐标为中心的目标区域
Figure FDA00037075075900000322
中以
Figure FDA00037075075900000323
为中心像素位置的基于显著性特征的核函数直方图：
Figure FDA00037075075900000324
(d)通过计算得到待跟踪目标区域
Figure FDA00037075075900000325
的SURF特征点
Figure FDA00037075075900000326
进而得到初始粒子集的特征点集
Figure FDA00037075075900000327
其中
Figure FDA00037075075900000328
表示
Figure FDA00037075075900000329
的特征点的位置坐标，具体操作过程如下：
(1)通过式(16)计算得到待跟踪目标区域
Figure FDA00037075075900000330
的积分图像
Figure FDA00037075075900000331
其中
Figure FDA0003707507590000041
表示待跟踪目标区域
Figure FDA0003707507590000042
在坐标(x,y)处的像素值；
Figure FDA0003707507590000043
(2)通过式(17)构建图像中像素点X(x,y)处σ尺度的Hessian矩阵，其中σ表示尺度空间因子以及高斯函数g(σ)的标准差，temp表示图像像素矩阵；
Figure FDA0003707507590000044
其中的Lxx通过式(18)进行计算，其他Lxy、Lyy的计算方式类似，其中
Figure FDA0003707507590000045
*表示卷积：
Figure FDA0003707507590000046
(3)通过式(20)计算得到判别点X(x,y)是否为极值点的Hessian矩阵行列式det(H)；
det(H)＝LxxLyy-(Lxy)2 (20)
(4)通过式(21)计算得到
Figure FDA0003707507590000047
在某一尺度下的近似Hessian矩阵行列式
Figure FDA0003707507590000048
的行列式
Figure FDA0003707507590000049
其中
Figure FDA00037075075900000410
表示
Figure FDA00037075075900000411
的Hessian矩阵的近似矩阵，
Figure FDA00037075075900000412
Figure FDA00037075075900000413
表示盒子滤波器与积分图像
Figure FDA00037075075900000414
卷积的结果，0.9表示加权系数，用于修正盒子滤波器的近似误差；
Figure FDA00037075075900000415
(5)利用不同尺寸的盒子滤波器与积分图像
Figure FDA00037075075900000416
卷积产生的Hessian矩阵行列式的响应图像构建尺度金字塔，尺度金字塔有若干组，每组有若干层，最底层为第一组(即octave＝1)，盒子滤波器尺寸由式(22)来确定，其中FilterSize表示盒子滤波器的尺寸大小，octave表示图像所在组的标号(octave可取3、4)，interval表示图像所在层的标号(interval可取4～6)；
FilterSize＝3(2octave×interval+1) (22)
(6)采用3×3×3非极大值抑制，得到初步的特征点位置和尺度，即将经过Hessian矩阵处理过的每个像素点与其3维领域的26个点进行大小比较，如果该点是这26个点中的最大值或者最小值，则保留下来，当做初步的特征点；
(7)采用3维线性插值法得到亚像素级的特征点，同时也去掉那些值小于一定阈值的点，增加极值使检测到的特征点数量减少，从而精确定位到特征点；
(8)采用统计的Harr小波特征构造SURF特征描述子，得到待跟踪目标区域
Figure FDA0003707507590000051
的SURF特征点
Figure FDA0003707507590000052
(e)通过式(23)计算k时刻候选目标粒子集中第i个粒子的基于SURF特征点的观测方程
Figure FDA0003707507590000053
进而得到k时刻基于SURF特征点的观测方程集
Figure FDA0003707507590000054
其中σ2表示基于SURF特征点的观测标准差；
Figure FDA0003707507590000055
其中k时刻的候选目标粒子集中第i个粒子与k-1时刻的目标粒子集中第i个粒子的基于SURF特征点的相似度距离
Figure FDA0003707507590000056
通过式(24)进行计算，进而得到k时刻的候选目标区域与k-1时刻的目标区域的基于SURF特征点的相似度距离
Figure FDA0003707507590000057
其中
Figure FDA0003707507590000058
表示k-1时刻的目标粒子集中第i个粒子的特征点，
Figure FDA0003707507590000059
表示采用第四步中(d)步骤计算方法计算得到的k时刻的候选目标粒子集中第i个粒子的特征点，
Figure FDA00037075075900000510
和
Figure FDA00037075075900000511
分别表示k-1时刻的目标粒子集中第i个粒子的特征点和k时刻的候选目标粒子集中第i个粒子的特征点的位置坐标：
Figure FDA00037075075900000512
(f)利用式(25)计算得到k时刻特征融合后的候选目标粒子集中第i个粒子的观测方程
Figure FDA00037075075900000513
和
Figure FDA00037075075900000514
分别表示k时刻候选目标粒子集中第i个粒子的基于SURF特征点和基于对比度显著性特征的观测方程；
Figure FDA00037075075900000515
第五步：采用式(26)计算出k时刻候选目标粒子集中第i个粒子的权重
Figure FDA00037075075900000516
进而得到粒子权重集
Figure FDA00037075075900000517
其中
Figure FDA00037075075900000518
表示k时刻特征融合后的候选目标粒子集中第i个粒子的观测方程，
Figure FDA00037075075900000519
表示k-1时刻目标粒子集中第i个粒子的权重；
Figure FDA00037075075900000520
第六步：采用式(27)计算得到k时刻的有效粒子数
Figure FDA00037075075900000521
Figure FDA00037075075900000522
表示k时刻的归一化权值集，当
Figure FDA00037075075900000523
小于
Figure FDA00037075075900000524
时进行重采样，N表示滤波的粒子数，重采样后将粒子权值均置为
Figure FDA00037075075900000525
Figure FDA00037075075900000526
第七步：采用式(28)估计k时刻的目标状态
Figure FDA00037075075900000527
进而得到估计目标区域
Figure FDA0003707507590000061
其中
Figure FDA0003707507590000062
表示k时刻候选目标粒子集中第i个粒子的权重，
Figure FDA0003707507590000063
表示k时刻候选目标粒子集中第i个粒子；
Figure FDA0003707507590000064
第八步：采用第四步中(a)步骤和第四步中(d)步骤同样计算方法分别计算得到估计目标区域的基于显著性特征的核函数直方图gu,k(即估计目标模板)和估计目标区域集的SURF特征点
Figure FDA0003707507590000065
其中
Figure FDA0003707507590000066
表示k时刻估计目标区域特征点的位置坐标；
第九步：采用式(29)更新得到k时刻的目标粒子集中第i个粒子的目标模板
Figure FDA0003707507590000067
进而得到新目标模板集
Figure FDA0003707507590000068
其中
Figure FDA0003707507590000069
表示k-1时刻的目标粒子集中第i个粒子的目标模板，
Figure FDA00037075075900000610
表示k时刻估计目标模板gu,k与
Figure FDA00037075075900000611
之间的基于对比度显著性特征的相似度距离，
Figure FDA00037075075900000612
表示k时刻估计目标区域的特征点
Figure FDA00037075075900000613
与k-1时刻的目标粒子集中第i个粒子的特征点
Figure FDA00037075075900000614
之间基于SURF特征点的相似度距离，λ表示调整系数，取值范围为[0,1]，Tn表示距离阈值，根据经验，Tn＝0.15；
Figure FDA00037075075900000615
第十步：令k＝k+1，并判断是否已经处理到最后一帧图像，如果是结束循环，否则转到第二步。
CN202011219656.4A 2020-11-04 2020-11-04 基于红外显著性特征融合的粒子滤波跟踪的方法 Active CN112348853B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202011219656.4A CN112348853B (zh) 2020-11-04 2020-11-04 基于红外显著性特征融合的粒子滤波跟踪的方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202011219656.4A CN112348853B (zh) 2020-11-04 2020-11-04 基于红外显著性特征融合的粒子滤波跟踪的方法

Publications (2)

Publication Number Publication Date
CN112348853A CN112348853A (zh) 2021-02-09
CN112348853B true CN112348853B (zh) 2022-09-23

Family

ID=74429234

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202011219656.4A Active CN112348853B (zh) 2020-11-04 2020-11-04 基于红外显著性特征融合的粒子滤波跟踪的方法

Country Status (1)

Country Link
CN (1) CN112348853B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114693732B (zh) * 2022-03-07 2022-11-25 四川大学华西医院 一种弱小目标检测与跟踪方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389807A (zh) * 2015-10-26 2016-03-09 南京理工大学 一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法
CN106023256A (zh) * 2016-05-19 2016-10-12 石家庄铁道大学 面向增强现实辅助维修系统平面目标粒子滤波跟踪的状态观测方法
CN107657628A (zh) * 2017-09-20 2018-02-02 中国科学院长春光学精密机械与物理研究所 一种实时彩色目标跟踪方法
CN108765468A (zh) * 2018-05-30 2018-11-06 中国石油大学(华东) 一种基于特征融合的目标跟踪方法和装置

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101806887B (zh) * 2010-03-19 2012-06-27 清华大学 基于空间跟踪滤波器的海杂波抑制和目标检测方法
CN104091348B (zh) * 2014-05-19 2017-04-05 南京工程学院 融合显著特征和分块模板的多目标跟踪方法
CN105139420B (zh) * 2015-08-03 2017-08-29 山东大学 一种基于粒子滤波和感知哈希的视频目标跟踪方法
CN105405151B (zh) * 2015-10-26 2018-01-23 西安电子科技大学 基于粒子滤波和加权Surf的抗遮挡目标跟踪方法
CN108122218B (zh) * 2016-11-29 2021-11-16 联芯科技有限公司 基于颜色空间的图像融合方法与装置
CN111369597B (zh) * 2020-03-09 2022-08-12 南京理工大学 一种基于多特征融合的粒子滤波目标跟踪方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105389807A (zh) * 2015-10-26 2016-03-09 南京理工大学 一种融合梯度特征和自适应模板的粒子滤波红外跟踪方法
CN106023256A (zh) * 2016-05-19 2016-10-12 石家庄铁道大学 面向增强现实辅助维修系统平面目标粒子滤波跟踪的状态观测方法
CN107657628A (zh) * 2017-09-20 2018-02-02 中国科学院长春光学精密机械与物理研究所 一种实时彩色目标跟踪方法
CN108765468A (zh) * 2018-05-30 2018-11-06 中国石油大学(华东) 一种基于特征融合的目标跟踪方法和装置

Also Published As

Publication number Publication date
CN112348853A (zh) 2021-02-09

Similar Documents

Publication Publication Date Title
CN109784333B (zh) 基于点云带权通道特征的三维目标检测方法及系统
CN108805904B (zh) 一种基于卫星序列图像的运动舰船检测与跟踪方法
CN111369597B (zh) 一种基于多特征融合的粒子滤波目标跟踪方法
CN110334762B (zh) 一种基于四叉树结合orb和sift的特征匹配方法
CN110246151B (zh) 一种基于深度学习和单目视觉的水下机器人目标跟踪方法
CN111028292B (zh) 一种亚像素级图像匹配导航定位方法
CN113269094B (zh) 基于特征提取算法和关键帧的激光slam系统及方法
CN107742306B (zh) 一种智能视觉中运动目标跟踪算法
CN109242019B (zh) 一种水面光学小目标快速检测与跟踪方法
CN114200477A (zh) 一种激光三维成像雷达地面目标点云数据处理方法
CN109410248B (zh) 一种基于r-K算法的浮选泡沫运动特征提取方法
CN112883850A (zh) 一种基于卷积神经网络的多视角空天遥感图像匹配方法
CN113888461A (zh) 基于深度学习的小五金件缺陷检测方法、系统及设备
CN111199245A (zh) 油菜害虫识别方法
CN112308873A (zh) 多尺度Gabor小波PCA融合图像边缘检测方法
CN110827262A (zh) 一种基于连续有限帧红外图像的弱小目标检测方法
CN107808391B (zh) 一种基于特征选择与光滑表示聚类的视频动态目标提取方法
CN113887624A (zh) 一种基于双目视觉的改进特征立体匹配方法
CN112508851A (zh) 一种基于cnn分类算法的泥岩岩性识别系统
CN112329764A (zh) 一种基于tv-l1模型的红外弱小目标检测方法
CN112348853B (zh) 基于红外显著性特征融合的粒子滤波跟踪的方法
CN113205494B (zh) 基于自适应尺度图像块加权差测量的红外小目标检测方法和系统
CN112613565B (zh) 基于多特征融合与自适应学习率更新的抗遮挡跟踪方法
CN112053385B (zh) 基于深度强化学习的遥感视频遮挡目标跟踪方法
CN116777956A (zh) 基于多尺度航迹管理的运动目标筛选方法

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