CN113298844A - 基于多特征融合和区域生长的低小慢目标跟踪方法及装置 - Google Patents
基于多特征融合和区域生长的低小慢目标跟踪方法及装置 Download PDFInfo
- Publication number
- CN113298844A CN113298844A CN202110565534.9A CN202110565534A CN113298844A CN 113298844 A CN113298844 A CN 113298844A CN 202110565534 A CN202110565534 A CN 202110565534A CN 113298844 A CN113298844 A CN 113298844A
- Authority
- CN
- China
- Prior art keywords
- target
- region
- description template
- candidate
- template
- 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.)
- Granted
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
- G06T7/10—Segmentation; Edge detection
- G06T7/187—Segmentation; Edge detection involving region growing; involving region merging; involving connected component labelling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/20—Image preprocessing
- G06V10/25—Determination of region of interest [ROI] or a volume of interest [VOI]
-
- 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
- G06V10/50—Extraction of image or video features by performing operations within image blocks; by using histograms, e.g. histogram of oriented gradients [HoG]; by summing image-intensity values; Projection analysis
- G06V10/507—Summing image-intensity values; Histogram projection analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Image Analysis (AREA)
Abstract
本发明公开一种基于多特征融合和区域生长的低小慢目标跟踪方法及装置,该方法步骤包括:S1.依次获取目标跟踪图像中各帧图像进行迭代处理,根据前一帧图片中目标的位置在当前帧图片中截取ROI区域作为候选目标区域,分别计算目标ROI区域、候选目标区域的特征参数,建立目标描述模板、候选目标描述模板;S2.根据目标描述模板、候选目标描述模板之间的相似度,判断是否满足收敛判决条件,确定初始目标位置;S3.以确定的初始目标位置为生长点,使用区域生长方法进行区域生长,重新截取ROI区域,并更新目标描述模板,直至得到最终的目标位置。本发明能够实现低小慢型目标的检测跟踪,且具有跟踪效率以及精度高、鲁邦性强等优点。
Description
技术领域
本发明涉及目标检测技术领域,尤其涉及一种基于多特征融合和区域生长的低小慢目标跟踪方法及装置。
背景技术
随着科技水平的不断提高,无人机等低空小型飞行器制造技术和手段也越来越成熟,如小型无人机技术就在矿产资源勘探、环境保护治理、公共安全以及海洋环境监测等领域均有广泛的应用。但是当前类似无人机“黑飞”、“滥飞”事件也层出不穷,无人机非法、不当的使用具有严重的安全隐患。反无人机监测系统即是要实现无人机的监测跟踪,以监测无人机的状态。
针对无人机跟踪,现有技术中主要采用以下几种方式:
1、音频跟踪方式:该类方式主要是通过分析声音信号中目标(如无人机)电机以及机翼的声音,如果目标距离监测平台较远或者声音较小的目标,该类音频检测方式就难以检测到,因而该类音频检测方式就不适用于低空小型目标的检测,且声音在介质中传播损耗较大,因此音频检测只适合短距离检测,还易受环境噪声的影响。
2、热跟踪方式。该类方式是通过探测目标表面的温度,与环境温度对比从而找出目标,因而该类方案必须要求目标所辐射的热量与周围环境相差较大,适用受限,且该类方式的监控范围通常也较小。如现有技术中的热检测方式主要即是依靠红外探测器成像,然后进行图像处理后得到目标,而一般红外探测器视野较小,不适合大视野的监控。
3、雷达监测和射频监测方式。该类方式是通过雷达、射频方式来实现目标检测,但是该类方式容易受到空间中的各种电磁波的影响,而且成本较高、操作复杂。
4、视频监测方式。该类方式是基于视频采集及图像处理来实现目标检测,不仅可视化程度高、成本低、检测速度快且使用场景广泛,而且可以有效地应对多种环境下的空中无人机目标的检测与跟踪。
针对无人机的视频监测,目前有利用CNN网络识别无人机目标,然后基于离散卡尔曼滤波算法对识别到的无人机目标建立跟踪模型,实现了在视场中的长期跟踪,但是算法采用CNN网络作为检测手段,实时性不强;同时,针对小型飞行目标跟踪的再定位跟踪(TRL)框架,可以缓解复杂背景下运动目标丢失的问题,但是算法对目标的尺度变化较敏感,对于尺度变化频繁的目标会导致额外的时间开销;基于鹰眼视觉通路原理的监测器,通过构建目标显著图,实现对目标的粗定位,然后结合目标HOG特征与贝叶斯分类器实现小目标的精确定位与跟踪,但是算法同样不能自适应更新目标检测框尺寸,在跟踪过程中会积累目标尺度变化带来的误差导致跟踪失败。
发明内容
本发明要解决的技术问题就在于:针对现有技术存在的技术问题,本发明提供一种实现方法简单、成本低、跟踪效率以及精度高、鲁邦性强的基于多特征融合和区域生长的低小慢目标跟踪方法及装置。
为解决上述技术问题,本发明提出的技术方案为:
一种基于多特征融合和区域生长的低小慢目标跟踪方法,步骤包括:
S1.迭代执行:依次获取目标跟踪图像中各帧图像进行迭代处理,以首帧图片中目标位置为目标起点位置并截取初始ROI区域,每次迭代处理时根据前一帧图片中目标的位置在当前帧图片中截取ROI区域作为候选目标区域,以前一帧图片截取的ROI区域作为目标ROI区域,分别计算所述目标ROI区域、候选目标区域的多个特征参数,根据所述特征参数建立对应的目标描述模板、候选目标描述模板;
S2.初始位置确定:根据所述目标描述模板、候选目标描述模板之间的相似度,判断当前迭代是否满足收敛判决条件,如果满足则将当前帧图片中目标的位置确定为初始目标位置,转入步骤S3;如果不满足则重新截取所述候选目标区域计算所述候选目标描述模板,返回步骤S2;
S3.区域生长更新:以确定的所述初始目标位置为生长点,使用区域生长方法进行区域生长,根据所述区域生长的结果重新截取当前帧图片的ROI区域,并更新所述目标描述模板,继续执行所述迭代处理,直至所述区域生长的结果满足预设条件,得到最终的目标位置。
进一步的,所述特征参数包括Hu特征向量、灰度直方图以及HOG(Histogram ofOriented Gradient,方向梯度直方图)特征,所述灰度特征以及HOG特征用于建立所述目标描述模型,所述Hu特征向量用于判断是否满足预设收敛判决条件。
进一步的所述步骤S1中按照下式建立所述目标描述模板:
以及按照下式建立所述候选目标描述模板:
其中,δ[]为冲激函数,α(zij)表示目标区域中像素位置zij处的灰度值在灰度直方图中区间索引值,β(zij)表示目标区域中像素位置zij处的HOG值在HOG直方图中区间索引值,f表示当前候选区域目标的中心位置坐标,u表示灰度直方图所划分区间索引值向量,v表示HOG直方图所划分的区间索引值向量,zij *表示以目标中心为原点的归一化像素位置,K是核函数,h为核函数窗口大小,c是归一化系数,m表示区域的行数,n表示区域的列数。
进一步的所述步骤S1中,具体根据前一帧图片中目标的位置使用Meanshift算法迭代得到目标的下一个位置,以得到的所述目标的下一个位置为中心截取ROI区域,得到所述候选目标区域。
进一步的所述步骤S2中具体基于Bhattacharyya(巴氏)系数计算所述目标描述模板、候选目标描述模板之间的相似度,所述目标描述模板、候选目标描述模板之间的相似度具体按下式计算得到:
其中,ρ(P,Q)表示候选目标描述模板、目标描述模板之间的相似度,P和Q分别表示基于灰度直方图和HOG直方图建立的候选目标描述模板、目标描述模板,qij表示候选模板中灰度索引值为i、HOG索引值为j的统计值,pij表示目标模板中灰度索引值为i、HOG索引值为j的统计值,M为灰度特征划分区间数,N为HOG特征划分区间数。
进一步的,所述步骤S2中具体当同时满足:所述目标描述模板、候选目标描述模板之间的相似度为最大,且所述目标描述模板的Hu不变矩向量、候选目标描述模板的Hu不变矩向量之间的欧氏距离最小时,判定为满足预设收敛判决条件,即收敛判别条件表示为:
ρ=max(ρ(P,Q))∧min dist(Ph(f)Qh)
其中,P和Q分别表示候选目标描述模型、目标描述模型,Ph和Qh分别表示候选目标描述模型、目标描述模型的Hu矩向量,ρ(P,Q)表示候选目标描述模板与目标描述模板之间的Bhattacharyya系数,dist表示欧式距离。
进一步的,所述步骤S3中进行区域生长的步骤包括:获得当前帧目标的面积信息area,以及根据当前帧目标的大小信息截取ROI区域后计算出参考面积信息flagarea,将所述当前帧目标的面积信息area与当前参考面积信息flagarea进行比较,如果比较结果满足预设面积判断条件,则重新截取当前帧图片的ROI区域,并更新所述目标描述模板,以及使用所述当前帧目标的面积信息area更新所述当前面积参考值flagarea,否则不进行更新。
进一步的,所述面积判断条件为:
一种基于多特征融合和区域生长的低小慢目标跟踪装置,包括:
迭代执行模块,用于依次获取目标跟踪图像中各帧图像进行迭代处理,所述迭代处理时,以首帧图片中目标位置为目标起点位置并截取初始ROI区域,根据前一帧图片中目标的位置在当前帧图片中截取ROI区域作为候选目标区域,以前一帧图片截取的ROI区域作为目标ROI区域,分别计算所述ROI区域、候选目标区域的多个特征参数,根据所述特征参数建立对应的目标描述模板、候选目标描述模板;
初始位置确定模块,用于根据所述目标描述模板、候选目标描述模板之间的相似度,判断当前迭代是否满足收敛判决条件,如果满足则将当前帧图片中确定的目标位置作为初始目标位置,转入区域生长更新模块;如果不满足则重新截取所述候选目标区域计算所述候选目标描述模板,返回执行所述初始位置确定模块;
区域生长更新模块,用于以确定的所述初始目标位置为生长点,使用区域生长方法进行区域生长,根据所述区域生长的结果重新截取当前帧图片的ROI区域,并更新所述目标描述模板,继续执行所述迭代处理,直至所述区域生长的结果满足预设条件,得到最终的目标位置。
一种存储有计算机程序的计算机可读存储介质,所述计算机程序执行时实现上述方法。
与现有技术相比,本发明的优点在于:
1、本发明通过对目标跟踪图像进行迭代处理,不断依据前后帧图像的ROI区域融合多特征建立目标描述模板、候选目标描述模板,直至目标模板之间的相似度满足收敛判决条件,确定出初始目标位置后,再结合区域生长方法控制目标描述模板更新,得到最终的目标位置,可以有效的实现低空小型目标的跟踪检测,不仅跟踪效率及精度高,而且对低空小机动目标尺度变化、旋转、畸变等变化不敏感,能够鲁棒地跟踪低空无人机。
2、本发明进一步融合Hu不变矩向量和目标模板相似度函数建立新的迭代收敛判决条件,通过计算候选模板与目标模板之间的Bhattacharyya系数以及候选目标区域与ROI区域之间的Hu矩的欧氏距离作为迭代收敛判决条件,能够有效提高迭代的收敛速度和收敛精度。
3、本发明进一步通过实时监测目标的面积变化,以此为依据建立目标更新机制,可以应对目标发型大幅度形变,大大提高对低小慢目标跟踪的鲁棒性,且能很好地避免因目标与跟踪平台产生大径向运动而导致目标丢失的情况。
附图说明
图1是本实施例基于多特征融合和区域生长的低小慢目标跟踪方法的实现流程示意图。
图2是本实施例中融合灰度特征与HOG特征构建目标描述模板的原理示意图。
图3是本发明在具体应用实施例中实现低小慢目标跟踪的详细流程示意图。
具体实施方式
以下结合说明书附图和具体优选的实施例对本发明作进一步描述,但并不因此而限制本发明的保护范围。
如图1所示,本实施例基于多特征融合和区域生长的低小慢目标跟踪方法的步骤包括:
S1.迭代执行:依次获取目标跟踪图像中各帧图像进行迭代处理,以首帧图片中目标位置为目标起点位置并截取初始ROI区域,每次迭代处理时根据前一帧图片中目标的位置在当前帧图片中截取ROI区域作为候选目标区域,以前一帧图片截取的ROI区域作为目标ROI区域,分别计算ROI区域、候选目标区域的多个特征参数,根据特征参数建立对应的目标描述模板、候选目标描述模板;
S2.初始位置确定:根据目标描述模板、候选目标描述模板之间的相似度,判断当前迭代是否满足预设收敛判决条件,如果满足则将当前帧图片中目标的位置确定为初始目标位置,转入步骤S3;如果不满足则重新截取所述候选目标区域计算所述候选目标描述模板,返回步骤S2;
S3.区域生长更新:以确定的初始目标位置为生长点,使用区域生长方法进行区域生长,根据区域生长的结果重新截取当前帧图片的ROI区域,并更新目标描述模板,继续执行迭代处理,直至区域生长的结果满足预设条件,得到最终的目标位置。
考虑到低空无人机目标具有较强的机动性,且容易产生旋转、畸变等变化,本实施例通过对目标跟踪图像进行迭代处理,不断依据前后帧图像的ROI区域融合多特征建立目标描述模板、候选目标描述模板,直至目标模板之间的相似度满足收敛判决条件,确定出初始目标位置后,再结合区域生长方法控制目标描述模板更新,得到最终的目标位置,可以有效的实现低空小型目标的跟踪检测,不仅跟踪效率及精度高,而且对低空小机动目标尺度变化、旋转、畸变等变化不敏感,能够鲁棒地跟踪低空无人机。
上述特征参数具体包括Hu特征向量、灰度直方图以及HOG特征,使用灰度直方图以及HOG特征构建目标描述模型,使用Hu特征向量以及目标描述模型判断是否满足收敛判决条件。即步骤S1中迭代处理时,每次计算前一帧图像中ROI区域的灰度直方图以及HOG特征,对ROI区域基于计算的灰度直方图以及HOG特征建立目标描述模板,以及计算前帧图片中候选目标区域的灰度直方图以及HOG特征,对候选目标区域基于计算的灰度直方图以及HOG特征建立候选目标描述模板;步骤S2中结合目标描述模板、候选目标描述模板,计算目标描述模板、候选目标描述模板之间的相似度,根据相似度结果以及模板对应的Hu特征向量判断是否满足预设收敛判决条件。
HOG特征是用来进行物体检测的特征描述子。在一幅图像中,局部目标的表象和形状能够被梯度或边缘的方向密度分布很好地描述,HOG就是通过计算和统计图像局部区域的梯度方向直方图来构成特征。如图2所示,对于图像块而言,灰度特征、HOG特征都是基于统计的一维向量,将图像的HOG特征规定为长度为9的特征,将灰度特征规定为长度为8的特征,于是可以建立一个8*9的二维描述模板建立目标模型。
本实施例通过在灰度特征的基础上,融合HOG特征来构建目标模板,相比于传统如Meanshift算法只使用灰度特征,可以提高对目标的描述能力,同时使得模板具有鲁棒性。
本实施例中建立目标描述模板的表达式具体为:
其中,δ[]为冲激函数,α(zij)表示目标区域中像素位置zij处的灰度值在灰度直方图中区间索引值,β(zij)表示目标区域中像素位置zij处的HOG值在HOG直方图中区间索引值,f表示当前候选区域目标的中心位置坐标,u表示灰度直方图所划分区间索引值向量,v表示HOG直方图所划分的区间索引值向量,zij*表示以目标中心为原点的归一化像素位置,K是核函数,h为核函数窗口大小,c是归一化系数,m表示区域的行数,n表示区域的列数。
候选目标区域的候选目标描述模板P的表达式具体为:
进一步计算候选区域每个点的权重值:
其中,qij表示候选模板中灰度索引值为i,HOG索引值为j的统计值,pij表示目标模板中灰度索引值为i,HOG索引值为j的统计值,M为灰度特征划分区间数(本实施例具体M=8),N为HOG特征划分区间数(本实施例具体N=9)。
因此目标区域的位置中心迭代公式如下:
其中,g(x)=-K’(x),当两个位置之间的距离小于阈值,则停止当前帧的搜索,以fk+1作为当前帧的目标位置,并且以此作为下一帧的初始位置。
Hu矩利用图像归一化以后的二阶、三阶中心矩构成了7个不变矩特征向量,其具有旋转、尺度、平移不变性,在图像匹配、目标表示等方面有大量的应用。设一幅图像的灰度分布函数为f(x,y),则其(p+q)阶矩定义为:
mpq=∫∫xpyqf(x,y)dxdy p,q=0,1,2,…(5)
其(p+q)阶中心矩定义为:
μpq=∫∫(x-x0)p(y-y0)qf(x,y)dxdy p,q=0,1,2,…(6)
其中矩心(x0,y0)为:
由于图像变化时,mpq也会发生相应的变化,会导致中心矩μpq对旋转、尺度变化敏感,因此定义归一化中心矩:
对ROI区域按照上式(9)计算Hu矩向量即得到目标描述模型的Hu矩向量,对候选目标区域按照上式(9)计算Hu矩向量即得到候选目标描述模型的Hu矩向量。
本实施例具体基于Bhattacharyya系数确定模板之间的相似度,即计算ROI区域与候选目标区域之间的模板相似度系数的计算公式具体为:
其中,ρ(P,Q)表示候选目标描述模板、目标描述模板之间的相似度,P和Q分别表示基于灰度直方图和HOG直方图建立的候选目标描述模板、目标描述模板,pij,qij分别代表模板P,Q之中对应的元素,i表示二维模板相应的行数,j表示二维模板相应的列数,qij表示候选模板中灰度索引值为i、HOG索引值为j的统计值,pij表示目标模板中灰度索引值为i、HOG索引值为j的统计值,M为灰度特征划分区间数(本实施例具体M=8),N为HOG特征划分区间数(本实施例具体N=9)。
本实施例步骤S1中,每次迭代处理时具体根据前一帧图片中目标的位置使用Meanshift算法迭代得到目标的下一个位置,以得到的目标的下一个位置为中心截取ROI区域,得到候选目标区域。步骤S2中如果判断到不满足预设收敛条件时,根据前一帧图片中目标的位置以及得到的目标的下一个位置重新截取候选目标区域。Meanshift算法为非参数核密度估计算法,首先确定一个当前点,然后算出该点的偏移均值,然后将当前点加上该偏移均值作为第二次迭代的起始点,如此循环往复,直到满足一定的停止条件,结束算法,确定终点。本实施例采用Meanshift算法迭代得到目标的下一个位置表达式具体为:
其中,fk+1为第k+1次迭代得到的下一个目标位置,fk为第k+1次迭代得到的目标位置,ωij表示候选区域像素点对应的权重,zij表示候选区域的位置中心,h表示核函数带宽,g(x)=-K’(x),为核函数导数的负数。
确定出目标的下一个位置fk+1后,再以fk+1为中心截取候选目标区域。如果依据当前候选目标区域得到的候选目标描述模板,判断为不满足预设收敛条件,则依据前一帧图片中目标的位置fk以及确定出的下一个位置fk+1重新截取候选目标区域,如取fk、fk+1的中心位置为初始位置截取候选目标区域,具体可根据实际需求配置,直至候选目标区域对应的模板与目标描述模板之间满足预设收敛条件。
本实施例步骤S2中具体融合Hu不变矩向量和目标模板相似度函数建立新的迭代收敛判决条件,当同时满足:目标描述模板、候选目标描述模板之间的相似度为最大,且所述目标描述模板的Hu不变矩向量、候选目标描述模板的Hu不变矩向量之间的欧氏距离最小时,判定为满足预设收敛判决条件,即收敛判决条件具体表示为:
ρ=max(ρ(P,Q))∧min dist(Ph(f)Qh) (12)
其中,P和Q分别表示候选目标描述模型、目标描述模型,Ph和Qh分别表示候选目标描述模型、目标描述模型的Hu矩向量,ρ(P,Q)表示候选目标描述模板与目标描述模板之间的Bhattacharyya系数,dist表示欧式距离,ρ为收敛标志,取值为0或者1,当候选区域同时满足模板之间的相似度系数最大且Hu向量欧氏距离最小时,ρ取1,此时算法收敛,否则ρ为0,算法继续。
Hu矩向量具有旋转、尺度、平移不变性,本实施例通过融合Hu不变矩向量和目标模板相似度函数建立新的迭代收敛判决条件,通过计算候选模板与目标模板之间的Bhattacharyya系数以及候选目标区域与ROI区域之间的Hu矩的欧氏距离作为迭代收敛判决条件,能够有效提高迭代的收敛速度和收敛精度。
本实施例上述在传统Meanshift算法的基础上,融合HOG特征与灰度特征建立目标描述模板,可以增强对目标的描述能力,同时加入Hu不变矩特征建立收敛判决条件,可以有效提高收敛精度,从而提高低小慢目标的跟踪效率。
本实施例步骤S3中进行区域生长的步骤包括:获得当前帧目标的面积信息area,以及根据当前帧目标的大小信息截取ROI区域后计算出参考面积信息flagarea,将当前帧目标的面积信息area与当前参考面积信息flagarea进行比较,如果比较结果满足预设面积判断条件,则重新截取当前帧图片的ROI区域,并更新目标描述模板,以及使用当前帧目标的面积信息area更新当前面积参考值flagarea,如更新为flagarea=area,否则不进行更新,继续跟踪目标。通过实时监测目标的面积变化,以此为依据建立目标更新机制,可以应对目标发型大幅度形变,能够大大提高对低小慢目标跟踪的鲁棒性,且能很好地避免因目标与跟踪平台产生大径向运动而导致目标丢失的情况。
上述面积判断条件具体为:
如图3所示,本发明在具体应用实施例中采用上述方法实现低小慢目标跟踪的详细步骤为:
步骤1:读取第一帧图片,获取首帧图像中目标位置y0,并截取ROI区域;
步骤2:计算ROI区域Hu特征向量,以及计算灰度直方图、HOG特征,使用ROI区域Hu特征向量建立目标描述模板;
步骤3:读取下一帧图片;
步骤4:在当前帧图片中以上一帧图像中目标位置y0为初始位置截取候选目标区域;
步骤5:计算候选目标区域的Hu特征向量,以及计算灰度直方图、HOG特征后,迭代计算出新目标位置y1;
步骤6:计算候选目标区域与ROI区域之间的模板巴氏系数(目标描述模板之间的巴氏系数)以及Hu特征向量之间的欧式距离;
步骤8:使用区域生长方法判断是否需要更新目标模板,如果需要则使用区域生长方法重新获取当前帧目标的大小、位置信息更新目标位置y0,返回步骤3以重新读取下一帧图片进行处理;如果不需要更新目标模板,转入步骤9;
步骤9:判断当前视频中是否所有帧图片完成处理,如果是则结束处理,否则返回步骤3。
本实施例上述步骤中,先读取视频序列的前几帧做差分运算,得到目标的初始位置信息,然后以目标的位置为生长点,进行区域生长,获得目标的大小信息,将其作为窗口大小,截取一个包含目标的矩形区域作为ROI区域,并设此时的目标面积为参考面积flagarea,然后计算ROI区域的灰度直方图、以及HOG特征,根据灰度直方图和HOG特征更新目标描述模板,直至区域生长结果满足预设条件后,得到最终的目标位置。
本实施例上述跟踪方法,以传统Meanshift算法为基础,首先通过融合HOG特征与灰度特征建立目标描述模板,可以增强算法对目标的描述能力,同时加入Hu不变矩特征建立新的收敛判决条件,能够有效提高收敛精度,最后采用区域生长的方法检测目标的面积变化以建立更新机制,可以应对目标发型大幅度形变,对低小慢目标的跟踪具有较强的鲁棒性,且能很好地克服因目标与跟踪平台产生大径向运动而导致目标丢失的情况。
本实施例基于多特征融合和区域生长的低小慢目标跟踪装置包括:
迭代执行模块,用于依次获取目标跟踪图像中各帧图像进行迭代处理,迭代处理时,以首帧图片中目标位置为目标起点位置并截取初始ROI区域,根据前一帧图片中目标的位置在当前帧图片中截取ROI区域作为候选目标区域,以前一帧图片截取的ROI区域作为目标ROI区域,分别计算ROI区域、候选目标区域的多个特征参数,根据特征参数建立对应的目标描述模板、候选目标描述模板;
初始位置确定模块,用于根据目标描述模板、候选目标描述模板之间的相似度,判断当前迭代是否满足收敛判决条件,如果满足则将当前帧图片中确定的目标位置作为初始目标位置,转入区域生长更新模块;如果不满足则重新截取所述候选目标区域计算所述候选目标描述模板,返回执行所述初始位置确定模块;
区域生长更新模块,用于以确定的初始目标位置为生长点,使用区域生长方法进行区域生长,根据区域生长的结果重新截取当前帧图片的ROI区域,并更新目标描述模板,继续执行迭代处理,直至区域生长的结果满足预设条件,得到最终的目标位置。
本实施例基于多特征融合和区域生长的低小慢目标跟踪装置是与上述基于多特征融合和区域生长的低小慢目标跟踪方法一一对应的,且具有相同的实现原理以及效果,在此不再一一赘述。
在另一实施例中,本发明存储有计算机程序的计算机可读存储介质,计算机程序执行时实现如上述基于多特征融合和区域生长的低小慢目标跟踪方法。
上述只是本发明的较佳实施例,并非对本发明作任何形式上的限制。虽然本发明已以较佳实施例揭露如上,然而并非用以限定本发明。因此,凡是未脱离本发明技术方案的内容,依据本发明技术实质对以上实施例所做的任何简单修改、等同变化及修饰,均应落在本发明技术方案保护的范围内。
Claims (10)
1.一种基于多特征融合和区域生长的低小慢目标跟踪方法,其特征在于,步骤包括:
S1.迭代执行:依次获取目标跟踪图像中各帧图像进行迭代处理,以首帧图片中目标位置为目标起点位置并截取初始ROI区域,每次迭代处理时根据前一帧图片中目标的位置在当前帧图片中截取ROI区域作为候选目标区域,以前一帧图片截取的ROI区域作为目标ROI区域,分别计算所述目标ROI区域、候选目标区域的特征参数,根据所述特征参数建立对应的目标描述模板、候选目标描述模板;
S2.初始位置确定:根据所述目标描述模板、候选目标描述模板之间的相似度,判断当前迭代是否满足预设收敛判决条件,如果满足则将当前帧图片中目标的位置确定为初始目标位置,转入步骤S3;如果不满足则重新截取所述候选目标区域计算所述候选目标描述模板,返回步骤S2;
S3.区域生长更新:以确定的所述初始目标位置为生长点,使用区域生长方法进行区域生长,根据所述区域生长的结果重新截取当前帧图片的ROI区域,并更新所述目标描述模板,继续执行所述迭代处理,直至所述区域生长的结果满足预设条件,得到最终的目标位置。
2.根据权利要求1所述的基于多特征融合和区域生长的低小慢目标跟踪方法,其特征在于,所述特征参数包括Hu特征向量、灰度特征以及HOG特征,所述灰度特征以及HOG特征用于建立所述目标描述模型,所述Hu特征向量用于判断是否满足预设收敛判决条件。
4.根据权利要求1所述的基于多特征融合和区域生长的低小慢目标跟踪方法,其特征在于,所述步骤S1中,每次迭代处理时具体根据前一帧图片中目标的位置使用Meanshift算法迭代得到目标的下一个位置,以得到的所述目标的下一个位置为中心截取ROI区域,得到所述候选目标区域;所述步骤S2中如果判断到不满足预设收敛条件时,根据前一帧图片中目标的位置以及得到的所述目标的下一个位置重新截取所述候选目标区域。
6.根据权利要求1~4中任意一项所述的基于多特征融合和区域生长的低小慢目标跟踪方法,其特征在于,所述步骤S2中具体当同时满足:所述目标描述模板、候选目标描述模板之间的相似度为最大,且所述目标描述模板的Hu不变矩向量、候选目标描述模板的Hu不变矩向量之间的欧氏距离最小时,判定为满足预设收敛判决条件,即收敛判别条件表示为:
ρ=max(ρ(P,Q))∧mindist(Ph(f)Qh)
其中,P和Q分别表示候选目标描述模型、目标描述模型,Ph和Qh分别表示候选目标描述模型、目标描述模型的Hu矩向量,ρ(P,Q)表示候选目标描述模板与目标描述模板之间的Bhattacharyya系数,dist表示欧式距离。
7.根据权利要求1~4中任意一项所述的基于多特征融合和区域生长的低小慢目标跟踪方法,其特征在于,所述步骤S3中进行区域生长的步骤包括:获得当前帧目标的面积信息area,以及根据当前帧目标的大小信息截取ROI区域后计算出参考面积信息flagarea,将所述当前帧目标的面积信息area与当前参考面积信息flagarea进行比较,如果比较结果满足预设面积判断条件,则重新截取当前帧图片的ROI区域,并更新所述目标描述模板,以及使用所述当前帧目标的面积信息area更新所述当前面积参考值flagarea,否则不进行更新。
9.一种基于多特征融合和区域生长的低小慢目标跟踪装置,其特征在于,包括:
迭代执行模块,用于依次获取目标跟踪图像中各帧图像进行迭代处理,以首帧图片中目标位置为目标起点位置并截取初始ROI区域,每次迭代处理时根据前一帧图片中目标的位置在当前帧图片中截取ROI区域作为候选目标区域,以前一帧图片截取的ROI区域作为目标ROI区域,分别计算所述ROI区域、候选目标区域的多个特征参数,根据所述特征参数建立对应的目标描述模板、候选目标描述模板;
初始位置确定模块,用于根据所述目标描述模板、候选目标描述模板之间的相似度,判断当前迭代是否满足收敛判决条件,如果满足则将当前帧图片中确定的目标位置作为初始目标位置,转入区域生长更新模块;如果不满足则重新截取所述候选目标区域计算所述候选目标描述模板,返回执行所述初始位置确定模块;
区域生长更新模块,用于以确定的所述初始目标位置为生长点,使用区域生长方法进行区域生长,根据所述区域生长的结果重新截取当前帧图片的ROI区域,并更新所述目标描述模板,继续执行所述迭代处理,直至所述区域生长的结果满足预设条件,得到最终的目标位置。
10.一种存储有计算机程序的计算机可读存储介质,其特征在于,所述计算机程序执行时实现如权利要求1~8中任意一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565534.9A CN113298844B (zh) | 2021-05-24 | 2021-05-24 | 基于多特征融合和区域生长的低小慢目标跟踪方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110565534.9A CN113298844B (zh) | 2021-05-24 | 2021-05-24 | 基于多特征融合和区域生长的低小慢目标跟踪方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113298844A true CN113298844A (zh) | 2021-08-24 |
CN113298844B CN113298844B (zh) | 2023-07-25 |
Family
ID=77324349
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110565534.9A Active CN113298844B (zh) | 2021-05-24 | 2021-05-24 | 基于多特征融合和区域生长的低小慢目标跟踪方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298844B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998701A (zh) * | 2022-07-13 | 2022-09-02 | 济南大学 | 基于像素特征匹配的目标检测损失优化方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
WO2019129255A1 (zh) * | 2017-12-29 | 2019-07-04 | 华为技术有限公司 | 一种目标跟踪方法及装置 |
CN111158457A (zh) * | 2019-12-31 | 2020-05-15 | 苏州莱孚斯特电子科技有限公司 | 一种基于手势识别的车载hud人机交互系统 |
CN111241931A (zh) * | 2019-12-30 | 2020-06-05 | 沈阳理工大学 | 一种基于YOLOv3的空中无人机目标识别和跟踪方法 |
CN112132862A (zh) * | 2020-09-11 | 2020-12-25 | 桂林电子科技大学 | 一种基于无人机的自适应尺度估计目标跟踪算法 |
-
2021
- 2021-05-24 CN CN202110565534.9A patent/CN113298844B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1897015A (zh) * | 2006-05-18 | 2007-01-17 | 王海燕 | 基于机器视觉的车辆检测和跟踪方法及系统 |
WO2019129255A1 (zh) * | 2017-12-29 | 2019-07-04 | 华为技术有限公司 | 一种目标跟踪方法及装置 |
CN111241931A (zh) * | 2019-12-30 | 2020-06-05 | 沈阳理工大学 | 一种基于YOLOv3的空中无人机目标识别和跟踪方法 |
CN111158457A (zh) * | 2019-12-31 | 2020-05-15 | 苏州莱孚斯特电子科技有限公司 | 一种基于手势识别的车载hud人机交互系统 |
CN112132862A (zh) * | 2020-09-11 | 2020-12-25 | 桂林电子科技大学 | 一种基于无人机的自适应尺度估计目标跟踪算法 |
Non-Patent Citations (9)
Title |
---|
卢晓鹏等: "基于核密度相关度量的视频目标跟踪", 《中国科学院研究生院学报》 * |
张秋余等: "基于区域生长的Mean shift动态变形手势跟踪算法", 《模式识别与人工智能》 * |
张长城等: "基于MSPF方法的红外弱小目标自适应跟踪算法分析", 《红外技术》 * |
张长城等: "基于粒子滤波的红外小目标跟踪方法", 《现代防御技术》 * |
杜静雯等: "尺度自适应的HLBP纹理特征目标跟踪算法", 《计算机工程与设计》 * |
杨双祥;黄山;: "提取目标不变矩的压缩感知跟踪", 电光与控制 * |
杨德贵等: "基于圆投影和粒子滤波的红外目标跟踪", 《信号处理》 * |
闻凯: "基于复杂融合特征与灰度-纹理直方图描述子的红外弱小目标检测追踪算法", 《科学技术与工程》 * |
黎鹏等: "基于特征区分度和区域生长的Mean Shift跟踪算法", 《光电技术应用》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114998701A (zh) * | 2022-07-13 | 2022-09-02 | 济南大学 | 基于像素特征匹配的目标检测损失优化方法 |
CN114998701B (zh) * | 2022-07-13 | 2022-11-18 | 山东智驱力人工智能科技有限公司 | 基于像素特征匹配的目标检测损失优化方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113298844B (zh) | 2023-07-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111693972B (zh) | 一种基于双目序列图像的车辆位置与速度估计方法 | |
CN111260683A (zh) | 一种三维点云数据的目标检测与跟踪方法及其装置 | |
CN108446634B (zh) | 基于视频分析和定位信息结合的航空器持续跟踪方法 | |
CN109086724B (zh) | 一种加速的人脸检测方法及存储介质 | |
CN112634325B (zh) | 一种无人机视频多目标跟踪方法 | |
CN110910421B (zh) | 基于分块表征和可变邻域聚类的弱小运动目标检测方法 | |
CN113506318B (zh) | 一种车载边缘场景下的三维目标感知方法 | |
CN112767485A (zh) | 一种基于静态语义信息的点云地图创建与场景辨识方法 | |
CN115049700A (zh) | 一种目标检测方法及装置 | |
CN105160649A (zh) | 基于核函数非监督聚类的多目标跟踪方法及系统 | |
Eynard et al. | Real time UAV altitude, attitude and motion estimation from hybrid stereovision | |
CN110992378A (zh) | 基于旋翼飞行机器人的动态更新视觉跟踪航拍方法及系统 | |
Wang et al. | A framework for moving target detection, recognition and tracking in UAV videos | |
Ait Abdelali et al. | An adaptive object tracking using Kalman filter and probability product kernel | |
CN113689459B (zh) | 动态环境下基于gmm结合yolo实时跟踪与建图方法 | |
Jabar et al. | Object tracking using SIFT and KLT tracker for UAV-based applications | |
CN113298844A (zh) | 基于多特征融合和区域生长的低小慢目标跟踪方法及装置 | |
Fu et al. | Part-based background-aware tracking for uav with convolutional features | |
CN114627151A (zh) | 一种无人机集群对空中目标运动状态跟踪方法 | |
Gökçe et al. | Recognition of dynamic objects from UGVs using Interconnected Neuralnetwork-based Computer Vision system | |
Le et al. | Human detection and tracking for autonomous human-following quadcopter | |
Yu | Moving target tracking based on improved Meanshift and Kalman filter algorithm | |
Zhang et al. | Real TimeDetection and Tracking Method of Pilot’sHeadPositionBased on MTCNN-DeepSORT | |
WO2022252036A1 (zh) | 障碍物信息获取方法、装置、可移动平台及存储介质 | |
CN110322474B (zh) | 一种基于无人机平台的图像动目标实时检测方法 |
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 |