CN112364891A - 一种基于样本分类的自适应去污方法 - Google Patents

Abstract

本发明公开了一种基于样本分类的自适应去污方法，发明了样本分类机制以及滤波器参数和样本权值的更新策略。本发明根据滤波器响应图的峰值旁瓣比和设定的分类阈值把训练样本划分为不同类别的样本集，增加了样本集种类的多样性；对于不同类别样本集分别训练出对应的相关滤波器，采用峰值旁瓣比筛选特定样本集并动态更新该样本集中样本权值及其滤波器参数；同时在本发明中提出了更新后各类相关滤波器的融合方法，采用融合后的跟踪滤波器实现目标跟踪，提高了复杂环境中目标跟踪的准确率和鲁棒性。

Description

一种基于样本分类的自适应去污方法

技术领域

本发明属于目标跟踪领域，具体涉及一种基于样本分类的自适应去污方法。

背景技术

目标跟踪广泛应用于智能视频监控、人机交互以及精确制导等多个领域。在目标跟踪过程中，基于相关滤波的目标跟踪算法采集样本训练跟踪滤波器参数，通过滤波器响应峰值来定位目标位置，具有速度快、精度高等特点。然而由于目标姿态变化、交替遮挡和环境光照等因素干扰，训练样本会受到严重污染，导致滤波器模型漂移和目标跟踪失败。因此，提高训练样本质量对于保证跟踪滤波器的性能和准确性十分重要。

针对复杂环境下样本严重污染的问题，基于二元决策类的方法容易对单个训练样本产生过拟合，难以对跟踪模型和样本进行共同优化和更新；基于样本集去污的方法采用高容量样本集来改善跟踪滤波器的精度，然而当最新样本被严重污染后容易造成滤波器参数训练错误，在计算复杂度和跟踪鲁棒性方面仍存在不足。

发明内容

本发明的目的是提出了一种基于样本分类的自适应去污方法，该方法提出样本分类机制和参数动态更新策略，有效避免样本过拟合和滤波器模型漂移现象，具有较强的样本去污能力，提高了复杂环境中目标跟踪的准确率和鲁棒性。

本发明所采用的技术方案是，一种基于样本分类的自适应去污方法，具体按以下步骤实施：

步骤1，实施跟踪之前，采用人工的方式标定出目标在跟踪序列中第一帧中的位置及其尺度大小；

步骤2，在第一帧中，设置样本分类阈值

及其分类样本集数量M，并初始化每类样本集的权值

和每类样本集对应的跟踪滤波器参数

步骤3，在第t帧时，输入第t-1帧的样本集

样本权值

和子滤波器参数

其中t＞1；

步骤4，提取第t-1帧位置处目标的特征x_t-1，计算第t帧时

中每个子相关滤波器的响应图

找出每个响应图的最大值

步骤5，计算滤波器融合系数

融合子滤波器

将融合后跟踪滤波器记为θ^t-1；

步骤6，通过x_t-1和θ^t-1在第t帧中估计目标位置；

步骤7，提取第t帧训练样本(x_t,y_t)的特征，计算滤波器θ^t-1响应图的峰值旁瓣比值PSR；

步骤8，根据PSR值把第t帧训练样本(x_t,y_t)划分到指定样本集中，更新样本集

步骤9，根据PSR值筛选

和

中待更新的样本权值

和滤波器参数

步骤10，初始化样本集

的先验权值

采用交替凸搜索迭代器ACS更新样本权值

和滤波器参数

得到新的样本集权值

和跟踪滤波器

返回步骤3，直至跟踪结束为止。

本发明的特点还在于：

其中步骤2中分类阈值p_n需要满足0≤p_n≤PSR_max，PSR_max为PSR所能取得的最大值，样本的初始化权值

为

其中步骤4中子滤波器的响应图为上一帧估计的位置处提取的特征与上一帧的子滤波器的卷积，其结果为一个二维矩阵，卷积过程的数学表达如下式：

式中，符号“*”代表循环卷积，d为滤波器通道数，θ^l为第l个通道对应的滤波器，

为第l通道对应的特征；

其中步骤5中融合系数

的计算如式(2)所示，子滤波器

的融合方法如式(3)所示；

式中，γ_i代表第i个滤波器的融合系数，

是第i个相关滤波器θⁱ的响应图的最大值，θ为当前帧融合后的滤波器；

其中步骤6估计目标位置的具体过程按以下步骤实施：

步骤6.1，粗估计目标位置：利用公式(1)计算出融合后滤波器θ^t-1的特征响应图，找出该响应图最大值对应的下标即为当前帧目标粗估计的移动距离(u⁽⁰⁾,v⁽⁰⁾)；

步骤6.2，采用牛顿迭代法精估计目标位置，把(u⁽⁰⁾,v⁽⁰⁾)作为初始值，利用公式(4)得到精估计目标位置(u,v)，当前帧中实际目标位置为前一帧目标位置p^t-1加上(u,v)；

式中，W、H表示单通道下滤波器大小；

其中步骤7中，计算滤波器θ^t-1响应图的峰值旁瓣比值PSR具体按以下步骤实施：

步骤7.1，提取样本的灰度特征、HSV颜色特征和方向梯度直方图HOG特征，三种特征单元格的大小为4，灰度特征是将样本图像中所有像素按照灰度值的大小，统计其出现的频率；HSV颜色特征是根据将图像分割成若干区域，在每个区域中进行颜色空间量化并建立颜色索引，进而建立二进制图像颜色索引表；HOG特征是将图像划分为若干连通区域，然后采集连通区域中各像素点的梯度或边缘的方向直方图，HOG特征数学表达式为：

式中，I(x,y)为样本图像在坐标(x,y)处像素的灰度值，G_X(x,y)为该坐标处的水平梯度，G_Y(x,y)为该坐标处的垂直梯度，G(x,y)为该坐标处的梯度幅值，α为该坐标处的梯度方向；

步骤7.2，将步骤7.1中提取的三种特征融合为新的目标特征，并将其作为当前帧提取的待分类样本；

步骤7.3，计算当前帧PSR值，将其作为步骤8的样本分类方法的参数，PSR的计算方法如公式(6)所示：

式中，g_max为响应图的最大值，g_min为响应图的最小值，g_x,y为响应图中(x,y)处的值，N为响应图的大小；

其中步骤8中划分过程如公式(7)所示：

式中，p₁，L，p_n为不同样本集的分类阈值，

为上一帧样本集集合，

为分类后的子样本集；

其中步骤9中筛选过程是判断PSR所属的分类阈值区间，该阈值对应的样本集为待更新的样本集，样本集对应的滤波器为待更新的滤波器；

其中步骤10中参数更新的步骤具体为：

步骤10.1，根据公式(8)初始化待更新样本集

的先验权值

式中，K表示最新的样本数，学习率η满足η∈[0，1]，t表示当前帧的帧数；

步骤10.2，在单次ACS迭代器中滤波器θ的更新方法为：令α＝α^i-1，α^i-1表示i-1次迭代的权值；当i＝1时，α为上一帧计算出的权值；固定α的值，利用公式(9)来求θ，公式(9)为相关滤波器的损失函数，其数学表达式为：

式中，α_k为第k帧提取的样本的权重，(x_kj,y_kj)为训练样本R(θ)为正则化项，λ为常量权重，L(θ；x_kj,y_kj)是单个样本的损失值；

其定义为：

式中，y是理想的高斯标签，为一个二维矩阵；

步骤10.3，α更新方法为：固定θ＝θⁱ，采用凸二次规划的方法求解第k帧的样本集总损失函数来求求解该次迭代中的α，样本集总损失函数的定义如下所示：

式中，

为第k帧中第i次迭代的总损失函数，n_k表示第k帧总的样本数，(x_kj,y_kj)为训练样本。

本发明的有益效果是：

本发明的一种基于样本分类的自适应去污方法具有较强的样本去污能力，避免了样本过拟合和滤波器模型漂移现象，增强了严重污染场景下跟踪滤波器的鲁棒性和准确性；本发明提出的样本去污方法可以融合到现有相关滤波目标跟踪框架中，提升了复杂环境中目标跟踪性能，与现有同类方法相比，目标跟踪精度提高5％以上。

附图说明

图1为本发明一种基于样本分类的自适应去污方法的流程图；

图2为本发明一种基于样本分类的自适应去污方法的样本分类机制示意图；

图3为本发明一种基于样本分类的自适应去污方法的参数更新示意图。

具体实施方式

下面结合附图和具体实施方式对本发明进行详细说明。

本发明提供了一种基于样本分类的自适应去污方法，如图1所示，具体按以下步骤实施：

步骤1，实施跟踪之前，采用人工的方式标定出目标在跟踪序列中第一帧中的位置及其尺度大小；

步骤2，在第一帧中，设置样本分类阈值

及其分类样本集数量M，并初始化每类样本集的权值

和每类样本集对应的跟踪滤波器参数

分类阈值p_n需要满足0≤p_n≤PSR_max，PSR_max为PSR所能取得的最大值，样本的初始化权值

为

步骤3，在第t帧时，输入第t-1帧的样本集

样本权值

和子滤波器参数

其中t＞1；

步骤4，提取第t-1帧位置处目标的特征x_t-1，计算第t帧时

中每个子相关滤波器的响应图

找出每个响应图的最大值

子滤波器的响应图为上一帧估计的位置处提取的特征与上一帧的子滤波器的卷积，其结果为一个二维矩阵，卷积过程的数学表达如下式：

式中，符号“*”代表循环卷积，d为滤波器通道数，θ^l为第l个通道对应的滤波器，

为第l通道对应的特征；

步骤5，计算滤波器融合系数

融合子滤波器

将融合后跟踪滤波器记为θ^t-1：

融合系数

的计算如式(2)所示，子滤波器

的融合方法如式(3)所示；

式中，γ_i代表第i个滤波器的融合系数，

是第i个相关滤波器θⁱ的响应图的最大值，θ为当前帧融合后的滤波器；

步骤6，通过x_t-1和θ^t-1在第t帧中估计目标位置；

估计目标位置的具体过程按以下步骤实施：

步骤6.1，粗估计目标位置：利用公式(1)计算出融合后滤波器θ^t-1的特征响应图，找出该响应图最大值对应的下标即为当前帧目标粗估计的移动距离(u⁽⁰⁾,v⁽⁰⁾)；

步骤6.2，采用牛顿迭代法精估计目标位置，把(u⁽⁰⁾,v⁽⁰⁾)作为初始值，利用公式(4)得到精估计目标位置(u,v)，当前帧中实际目标位置为前一帧目标位置p^t-1加上(u,v)；

式中，W、H表示单通道下滤波器大小；

步骤7，如图2所示，提取第t帧训练样本(x_t,y_t)的特征，计算滤波器θ^t-1响应图的峰值旁瓣比值PSR：

计算滤波器θ^t-1响应图的峰值旁瓣比值PSR具体按以下步骤实施：

步骤7.1，提取样本的灰度特征、HSV颜色特征和方向梯度直方图HOG特征，三种特征单元格的大小为4，灰度特征是将样本图像中所有像素按照灰度值的大小，统计其出现的频率；HSV颜色特征是根据将图像分割成若干区域，在每个区域中进行颜色空间量化并建立颜色索引，进而建立二进制图像颜色索引表；HOG特征是将图像划分为若干连通区域，然后采集连通区域中各像素点的梯度或边缘的方向直方图，HOG特征数学表达式为：

式中，I(x,y)为样本图像在坐标(x,y)处像素的灰度值，G_X(x,y)为该坐标处的水平梯度，G_Y(x,y)为该坐标处的垂直梯度，G(x,y)为该坐标处的梯度幅值，α为该坐标处的梯度方向；

步骤7.2，将步骤7.1中提取的三种特征融合为新的目标特征，将其作为当前帧提取的待分类样本；

步骤7.3，计算当前帧PSR值，将其作为步骤8的样本分类方法的参数，PSR的计算方法如公式(6)所示：

式中，g_max为响应图的最大值，g_min为响应图的最小值，g_x,y为响应图中(x,y)处的值，N为响应图的大小；

步骤8，根据PSR值把第t帧训练样本(x_t,y_t)划分到指定样本集中，更新样本集

划分过程如公式(7)所示：

式中，p₁，L，p_n为不同样本集的分类阈值，

为上一帧样本集集合，

为分类后的子样本集；

步骤9，根据PSR值筛选

和

中待更新的样本权值

和滤波器参数

筛选过程是判断PSR所属的分类阈值区间，该阈值对应的样本集为待更新的样本集，样本集对应的滤波器为待更新的滤波器；

步骤10，如图3所示，初始化样本集

的先验权值

采用交替凸搜索迭代器ACS更新样本权值

和滤波器参数

得到新的样本集权值

和跟踪滤波器

返回步骤3，直至跟踪结束为止；

参数更新的步骤具体为：

步骤10.1，根据公式(8)初始化待更新样本集

的先验权值

式中，K表示最新的样本数，学习率η满足η∈[0，1]，t表示当前帧的帧数；

步骤10.2，在单次ACS迭代器中滤波器θ的更新方法为：令α＝α^i-1，α^i-1表示i-¹次迭代的权值；当i＝1时，α为上一帧计算出的权值；固定α的值，利用公式(9)来求θ，公式(9)为相关滤波器的损失函数，其数学表达式为：

式中，α_k为第k帧提取的样本的权重，(x_kj,y_kj)为训练样本R(θ)为正则化项，λ为常量权重，L(θ；x_kj,y_kj)是单个样本的损失值；

其定义为：

式中，y是理想的高斯标签，为一个二维矩阵；

步骤10.3，α更新方法为：固定θ＝θⁱ，采用凸二次规划的方法求解第k帧的样本集总损失函数来求求解该次迭代中的α，样本集总损失函数的定义如下所示：

式中，

为第k帧中第i次迭代的总损失函数，n_k表示第k帧总的样本数，(x_kj,y_kj)为训练样本。

Claims (9)

1.一种基于样本分类的自适应去污方法，其特征在于，具体按以下步骤实施：

步骤1，实施跟踪之前，采用人工的方式标定出目标在跟踪序列中第一帧中的位置及其尺度大小；

步骤2，在第一帧中，设置样本分类阈值

及其分类样本集数量M，并初始化每类样本集的权值

和每类样本集对应的跟踪滤波器参数

步骤3，在第t帧时，输入第t-1帧的样本集

样本权值

和子滤波器参数

其中t＞1；

步骤4，提取第t-1帧位置处目标的特征x_t-1，计算第t帧时

中每个子相关滤波器的响应图

找出每个响应图的最大值

步骤5，计算滤波器融合系数

融合子滤波器

将融合后跟踪滤波器记为θ^t-1；

步骤6，通过x_t-1和θ^t-1在第t帧中估计目标位置；

步骤7，提取第t帧训练样本(x_t,y_t)的特征，计算滤波器θ^t-1响应图的峰值旁瓣比值PSR；

步骤8，根据PSR值把第t帧训练样本(x_t,y_t)划分到指定样本集中，更新样本集

步骤9，根据PSR值筛选

和

中待更新的样本权值

和滤波器参数

步骤10，初始化样本集

的先验权值

采用交替凸搜索迭代器ACS更新样本权值

和滤波器参数

得到新的样本集权值

和跟踪滤波器

返回步骤3，直至跟踪结束为止。

2.根据权利要求1所述的一种基于样本分类的自适应去污方法，其特征在于，所述步骤2中分类阈值p_n需要满足0≤p_n≤PSR_max，PSR_max为PSR所能取得的最大值，样本的初始化权值

为

3.根据权利要求1所述的一种基于样本分类的自适应去污方法，其特征在于，所述步骤4中子滤波器的响应图为上一帧估计的位置处提取的特征与上一帧的子滤波器的卷积，其结果为一个二维矩阵，卷积过程的数学表达如下式：

式中，符号“*”代表循环卷积，d为滤波器通道数，θ^l为第l个通道对应的滤波器，

为第l通道对应的特征。

4.根据权利要求1所述的一种基于样本分类的自适应去污方法，其特征在于，所述步骤5中融合系数

的计算如式(2)所示，子滤波器

的融合方法如式(3)所示；

式中，γ_i代表第i个滤波器的融合系数，

是第i个相关滤波器θⁱ的响应图的最大值，θ为当前帧融合后的滤波器。

5.根据权利要求1或3所述的一种基于样本分类的自适应去污方法，其特征在于，所述步骤7估计目标位置的具体过程按以下步骤实施：

步骤5.1，粗估计目标位置：利用公式(1)计算出融合后滤波器θ^t-1的特征响应图，找出该响应图最大值对应的下标即为当前帧目标粗估计的移动距离(u⁽⁰⁾,v⁽⁰⁾)；

步骤5.2，采用牛顿迭代法精估计目标位置，把(u⁽⁰⁾,v⁽⁰⁾)作为初始值，利用公式(4)得到精估计目标位置(u,v)，当前帧中实际目标位置为前一帧目标位置p^t-1加上(u,v)；

式中，W、H表示单通道下滤波器大小。

6.根据权利要求1所述的一种基于样本分类的自适应去污方法，其特征在于，所述步骤8中，计算滤波器θ^t-1响应图的峰值旁瓣比值PSR具体按以下步骤实施：

步骤6.1，提取样本的灰度特征、HSV颜色特征和方向梯度直方图HOG特征，三种特征单元格的大小为4，灰度特征是将样本图像中所有像素按照灰度值的大小，统计其出现的频率；HSV颜色特征是根据将图像分割成若干区域，在每个区域中进行颜色空间量化并建立颜色索引，进而建立二进制图像颜色索引表；HOG特征是将图像划分为若干连通区域，然后采集连通区域中各像素点的梯度或边缘的方向直方图，HOG特征数学表达式为：

式中，I(x,y)为样本图像在坐标(x,y)处像素的灰度值，G_X(x,y)为该坐标处的水平梯度，G_Y(x,y)为该坐标处的垂直梯度，G(x,y)为该坐标处的梯度幅值，α为该坐标处的梯度方向；

步骤6.2，将步骤6.1中提取的三种特征融合为新的目标特征，并将其作为当前帧提取的待分类样本；

步骤6.3，计算当前帧PSR值，将其作为步骤8的样本分类方法的参数，PSR的计算方法如公式(6)所示：

式中，g_max为响应图的最大值，g_min为响应图的最小值，g_x,y为响应图中(x,y)处的值，N为响应图的大小。

7.根据权利要求1所述的一种基于样本分类的自适应去污方法，其特征在于，所述步骤8中划分过程如公式(7)所示：

式中，p₁，L，p_n为不同样本集的分类阈值，

为上一帧样本集集合，

L,

为分类后的子样本集。

8.根据权利要求1所述的一种基于样本分类的自适应去污方法，其特征在于，所述步骤9中筛选过程是判断PSR所属的分类阈值区间，该阈值对应的样本集为待更新的样本集，样本集对应的滤波器为待更新的滤波器。

9.根据权利要求1所述的一种基于样本分类的自适应去污方法，其特征在于，所述步骤10中参数更新的步骤具体为：

步骤9.1，根据公式(8)初始化待更新样本集

的先验权值

∑_kρ_k＝1. (8)

式中，K表示最新的样本数，学习率η满足η∈[0，1]，t表示当前帧的帧数；

步骤9.2，在单次ACS迭代器中滤波器θ的更新方法为：令α＝α^i-1，α^i-1表示i-1次迭代的权值；当i＝1时，α为上一帧计算出的权值；固定α的值，利用公式(9)来求θ，公式(9)为相关滤波器的损失函数，其数学表达式为：

式中，α_k为第k帧提取的样本的权重，(x_kj,y_kj)为训练样本R(θ)为正则化项，λ为常量权重，L(θ；x_kj,y_kj)是单个样本的损失值；

其定义为：

式中，y是理想的高斯标签，为一个二维矩阵；

步骤9.3，α更新方法为：固定θ＝θⁱ，采用凸二次规划的方法求解第k帧的样本集总损失函数来求求解该次迭代中的α，样本集总损失函数的定义如下所示：

式中，

为第k帧中第i次迭代的总损失函数，n_k表示第k帧总的样本数，(x_kj,y_kj)为训练样本。

Images