CN114708307B - 基于相关滤波器的目标跟踪方法、系统、存储介质及设备 - Google Patents

基于相关滤波器的目标跟踪方法、系统、存储介质及设备 Download PDF

Info

Publication number
CN114708307B
CN114708307B CN202210531575.0A CN202210531575A CN114708307B CN 114708307 B CN114708307 B CN 114708307B CN 202210531575 A CN202210531575 A CN 202210531575A CN 114708307 B CN114708307 B CN 114708307B
Authority
CN
China
Prior art keywords
model
correlation filter
target
sample set
sample
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.)
Expired - Fee Related
Application number
CN202210531575.0A
Other languages
English (en)
Other versions
CN114708307A (zh
Inventor
赵思聪
曹扬
吴京辉
贾帅楠
吴双
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.)
Beijing Aerospace Chenxin Technology Co ltd
Original Assignee
Beijing Aerospace Chenxin Technology Co ltd
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 Beijing Aerospace Chenxin Technology Co ltd filed Critical Beijing Aerospace Chenxin Technology Co ltd
Priority to CN202210531575.0A priority Critical patent/CN114708307B/zh
Publication of CN114708307A publication Critical patent/CN114708307A/zh
Application granted granted Critical
Publication of CN114708307B publication Critical patent/CN114708307B/zh
Expired - Fee Related 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
    • G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
    • 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

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

本发明提供一种基于相关滤波器的目标跟踪方法、系统、存储介质及设备，方法包括：通过采样窗口策略采集基准样本，对基准样本进行循环采样得到训练样本集，对模型参数进行加速求解以构建得到表观模型；根据表观模型计算当前帧样本与上一帧样本之间的相似度并判断相似度是否高于阈值；若相似度不高于阈值，将提取当前帧的样本特征，并将提取后的特征样本与训练样本集进行加权叠加以更新训练样本集，根据新训练样本集计算得出新表观模型以进行目标定位。上述基于相关滤波器的目标跟踪方法、系统、存储介质及设备，通过建立新型鲁棒性相关滤波器模型，替换传统的相关滤波器模型，根据对样本特征进行选择，降低样本集特征的不稳定性及跟踪误差。

Description

基于相关滤波器的目标跟踪方法、系统、存储介质及设备
技术领域
本发明涉及计算机视觉技术领域，特别涉及一种基于相关滤波器的目标跟踪方法、系统、存储介质及设备。
背景技术
目标跟踪技术是计算机视觉、多媒体信息处理等领域的重要技术之一。目标跟踪可以用于军事侦察、视频监控、交通监测、视频编辑、运动分析、人机交互、虚拟现实、自动驾驶等军事和民用领域，具有广泛的应用前景。
一个典型的目标跟踪系统主要包括三个部分，即表观模型、运动模型和更新模型。在进行目标跟踪时，首先，根据第一帧图像及初始化信息建立表观模型，用于对感兴趣目标进行建模表示；其次，基于之前帧中的跟踪结果，利用运动模型预测目标可能出现的位置或者选择候选样本；再次，利用表观模型计算候选位置或候选样本的似然值，确定目标在当前帧的位置和状态；最后，根据得到的跟踪结果，利用更新模型对表观模型进行更新，以适应目标自身和周围环境的变化。
表观模型是目标跟踪系统的核心，直接关系到跟踪的效果。当前，根据是否使用背景信息，表观模型可以分为生成式模型和鉴别式模型。生成式模型仅利用目标自身的信息来建模。其中最简单的生成式模型为模板匹配，通过将第一帧选定的待跟踪目标区域作为匹配模板，在后续帧中选择与模板匹配误差最小的候选区域作为跟踪结果。其他的代表性算法包括基于子空间学习的目标跟踪方法、基于稀疏表示的目标跟踪算法等。鉴别式模型同时利用目标自身和背景信息构建表观模型，往往可以取得更好的跟踪效果。
现有技术中，由于鉴别式模型方法在使用目标样本特征建立目标的表观模型时，往往对特征不加选择地全部使用，导致表观模型鲁棒性差、跟踪误差大、易发生跟踪漂移等问题。
发明内容
基于此，本发明的目的是提供一种于相关滤波器的目标跟踪方法、系统、存储介质及设备，用于解决现有技术中鉴别式模型方法在使用目标样本特征建立目标的表观模型时，由于对特征不加选择地全部使用，导致表观模型鲁棒性差、跟踪误差大、易发生跟踪漂移等问题。
本发明一方面提供一种基于相关滤波器的目标跟踪方法，所述方法包括：
获取鲁棒性相关滤波器模型，通过采样窗口策略采集基准样本，使用环移位方式对所述基准样本进行循环采样以得到训练样本集，并对模型参数进行加速求解以构建得到表观模型；
根据所述表观模型计算当前帧样本与上一帧样本之间的相似度，并判断所述相似度是否高于阈值；
当相似度不高于阈值时，将提取当前帧的样本特征，并将提取后的特征样本与所述训练样本集进行加权叠加以更新训练样本集并得到新训练样本集，并根据所述新训练样本集计算得出新表观模型，根据所述新表观模型进行目标定位。
上述基于相关滤波器的目标跟踪方法，通过采样窗口策略采集基准样本，使用环移位方式对基准样本进行循环采样以得到训练样本集，并对模型参数进行加速求解以构建得到表观模型，从而建立了新型鲁棒性相关滤波器模型，替换了传统的相关滤波器模型，进一步的，根据表观模型计算当前帧样本与上一帧样本之间的相似度，并判断相似度是否高于阈值，从而对样本特征进行选择，当相似度不高于阈值时，将提取当前帧的样本特征，并将提取后的特征样本与训练样本集进行加权叠加以更新训练样本集并得到新训练样本集，并根据新训练样本集计算得出新表观模型，根据新表观模型进行目标定位，根据相邻样本相似度更新训练样本集的模型更新方法，降低样本集特征的不稳定性，降低了跟踪误差，解决了现有技术中鉴别式模型方法在使用目标样本特征建立目标的表观模型时，由于对特征不加选择地全部使用，导致表观模型鲁棒性差、跟踪误差大、易发生跟踪漂移等问题。
另外，根据本发明上述的基于相关滤波器的目标跟踪方法，还可以具有如下附加的技术特征：
进一步地，所述获取鲁棒性相关滤波器模型的步骤包括：
获取相关滤波器、并识取所述相关滤波器中的目标参数，将所述目标参数作为回归目标函数的正则项，以构建鲁棒性相关滤波器模型。
进一步地，所述判断所述相似度是否高于阈值的步骤之后还包括：
当相似度高于阈值时，则不对训练样本集进行更新，使用在上一帧中使用的表观模型进行目标定位。
进一步地，所述通过相关滤波方法对模型参数进行加速求解以构建得到表观模型的步骤之后包括：
利用所述表观模型在下一帧中的基准样本对目标进行跟踪定位。
进一步地，所述通过所述表观模型在下一帧中的基准样本对目标进行跟踪定位的步骤包括：
利用所述表观模型在下一帧中的基准样本进行响应值计算，根据最大响应值位置确定下一帧中目标位置。
进一步地，所述对模型参数进行加速求解以构建得到表观模型的步骤包括：
通过相关滤波方法对模型参数进行加速求解以构建得到表观模型。
本发明另一方面提供一种基于相关滤波器的目标跟踪系统，所述系统包括：
构建模块，用于获取鲁棒性相关滤波器模型，通过采样窗口策略采集基准样本，使用环移位方式对所述基准样本进行循环采样以得到训练样本集，并对模型参数进行加速求解以构建得到表观模型；
判断模块，用于根据所述表观模型计算当前帧样本与上一帧样本之间的相似度，并判断所述相似度是否高于阈值；
定位模块，用于当相似度不高于阈值时，将提取当前帧的样本特征，并将提取后的特征样本与所述训练样本集进行加权叠加以更新训练样本集并得到新训练样本集，并根据所述新训练样本集计算得出新表观模型，根据所述新表观模型进行目标定位。
本发明另一方面提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述的基于相关滤波器的目标跟踪方法。
本发明另一方面还提供一种数据处理设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述的基于相关滤波器的目标跟踪方法。
附图说明
图1为本发明第一实施例中基于相关滤波器的目标跟踪方法的流程图；
图2为本发明第二实施例中基于相关滤波器的目标跟踪方法的流程图；
图3为本发明第三实施例中基于相关滤波器的目标跟踪系统的系统框图。
如下具体实施方式将结合上述附图进一步说明本发明。
具体实施方式
为了便于理解本发明，下面将参照相关附图对本发明进行更全面的描述。附图中给出了本发明的若干实施例。但是，本发明可以以许多不同的形式来实现，并不限于本文所描述的实施例。相反地，提供这些实施例的目的是使对本发明的公开内容更加透彻全面。
除非另有定义，本文所使用的所有的技术和科学术语与属于本发明的技术领域的技术人员通常理解的含义相同。本文中在本发明的说明书中所使用的术语只是为了描述具体的实施例的目的，不是旨在于限制本发明。本文所使用的术语“及／或”包括一个或多个相关的所列项目的任意的和所有的组合。
实施例一
请参阅图1，所示为本发明第一实施例中的基于相关滤波器的目标跟踪方法，所述方法包括步骤S101-S103：
S101、获取鲁棒性相关滤波器模型，通过采样窗口策略采集基准样本，使用环移位方式对基准样本进行循环采样以得到训练样本集，并对模型参数进行加速求解以构建得到表观模型。
作为一个具体示例，获取相关滤波器、并识取相关滤波器中的目标参数，将目标参数作为回归目标函数的正则项，以构建鲁棒性相关滤波器模型。具体的，通过相关滤波方法对模型参数进行加速求解以构建得到表观模型。
S102、根据表观模型计算当前帧样本与上一帧样本之间的相似度，并判断相似度是否高于阈值。
具体的，利用表观模型在下一帧中的基准样本进行响应值计算，根据最大响应值位置确定下一帧中目标位置。
S103、当相似度不高于阈值时，将提取当前帧的样本特征，并将提取后的特征样本与训练样本集进行加权叠加以更新训练样本集并得到新训练样本集，并根据新训练样本集计算得出新表观模型，根据新表观模型进行目标定位。
综上，本发明上述实施例当中的基于相关滤波器的目标跟踪方法，通过采样窗口策略采集基准样本，使用环移位方式对基准样本进行循环采样以得到训练样本集，并对模型参数进行加速求解以构建得到表观模型，从而建立了新型鲁棒性相关滤波器模型，替换了传统的相关滤波器模型，进一步的，根据表观模型计算当前帧样本与上一帧样本之间的相似度，并判断相似度是否高于阈值，从而对样本特征进行选择，当相似度不高于阈值时，将提取当前帧的样本特征，并将提取后的特征样本与训练样本集进行加权叠加以更新训练样本集并得到新训练样本集，并根据新训练样本集计算得出新表观模型，根据新表观模型进行目标定位，根据相邻样本相似度更新训练样本集的模型更新方法，降低样本集特征的不稳定性，降低了跟踪误差，解决了现有技术中鉴别式模型方法在使用目标样本特征建立目标的表观模型时，由于对特征不加选择地全部使用，导致表观模型鲁棒性差、跟踪误差大、易发生跟踪漂移等问题。
实施例二
请查阅图2，所示为本发明第二实施例中的基于相关滤波器的目标跟踪方法，所述方法包括步骤S201-S205：
S201、获取鲁棒性相关滤波器模型，通过采样窗口策略采集基准样本，使用环移位方式对基准样本进行循环采样以得到训练样本集，并对模型参数进行加速求解以构建得到表观模型。
（1）鲁棒性相关滤波器模型的构建
在相关滤波器模型的基础上，将参数w的L2,1范数作为回归目标函数的正则项，构建新的鲁棒性相关滤波器模型。假设训练样本集为X，其中的样本元素为x i ，y i 表示样本标签，w表示模型参数，λ表示惩罚参数，鲁棒性相关滤波器模型的优化目标函数由公式（1）表示。
Figure 617634DEST_PATH_IMAGE001
在由公式（1）表示的优化问题中，模型参数w为待优化参数。
（2）鲁棒性相关滤波器模型的求解
使用训练样本集矩阵X和与其对应的标签集Y替换公式（1）中的x i 和y i ，可将公式（1）转化为由公式（2）表示的矩阵形式。
Figure 620225DEST_PATH_IMAGE002
其中W表示参数的矩阵形式，
Figure 409189DEST_PATH_IMAGE003
表示参数W的L2,1范数，其计算方式为
Figure 996291DEST_PATH_IMAGE004
。对公式（2）中参数W的求解，可将公式（2）转化为公式（3）中的形式。
Figure 503495DEST_PATH_IMAGE005
使得
Figure 44198DEST_PATH_IMAGE006
将约束条件带入到目标函数，得到目标函数的增广拉格朗日形式，由公式（4）表示。
Figure 953248DEST_PATH_IMAGE007
其中U为增广拉格朗日乘子，ρ>0为惩罚系数。为了便于对公式（4）求解，将公式（4）中的
Figure 429360DEST_PATH_IMAGE008
项与
Figure 689440DEST_PATH_IMAGE009
合并，对公式（4）进行等价变换得到公式（5）。
Figure 33834DEST_PATH_IMAGE010
将公式（5）中的
Figure 922024DEST_PATH_IMAGE011
替换为Z，可得到公式（6）。
Figure 959250DEST_PATH_IMAGE012
随后对公式（6）中的参数W，V，U分别进行迭代求解。
第一步：固定参数V，Z，以参数W为变量进行求解。此时，优化问题变为关于W的最优化问题，其存在闭式解，由公式（7）表示。
Figure 175468DEST_PATH_IMAGE013
第二步：固定参数W，Z，以参数V为变量进行求解。此时，优化问题变为关于V的最优化问题，其存在闭式解，由公式（8）表示。
Figure 323553DEST_PATH_IMAGE014
第三步：固定参数W，V，以参数Z为变量进行求解。此时，优化问题变为关于Z的梯度下降求解问题，其存在闭式解，由公式（9）所示。
Figure 816982DEST_PATH_IMAGE015
开始迭代求解前，设置参数V和Z的初始值为零矩阵。
（3）基于鲁棒性相关滤波器的表观模型构建
本发明通过循环采样的方式采集训练样本。假设目标在当前帧的位置为
Figure 290689DEST_PATH_IMAGE016
，目标区域宽度为w，高度为h。采样窗口的中心位置为
Figure 994202DEST_PATH_IMAGE017
，采样窗口的宽度为
Figure 303568DEST_PATH_IMAGE018
，高度
Figure 41717DEST_PATH_IMAGE019
，其中
Figure 420745DEST_PATH_IMAGE020
为采样窗口系数。通过采样窗口选取基准样本x，将基准样本x中的元素循环移位得到不同的循环样本，将这些循环样本按照移位的顺序组合构建得到循环样本矩阵X，实现样本的采集。
由于公式（7）中存在大量矩阵乘法与求逆运算，因此利用相关滤波方法对公式（7）进行加速求解。由于样本集X的形式为循环样本矩阵，利用循环样本矩阵可对其进行傅里叶对角化的特点，即
Figure 752501DEST_PATH_IMAGE021
，其中F为离散傅里叶矩阵，
Figure 242388DEST_PATH_IMAGE022
为F的共轭转置矩阵，且有
Figure 569464DEST_PATH_IMAGE023
，diag表示对角矩阵，
Figure 119394DEST_PATH_IMAGE024
为基准样本的傅里叶形式，由
Figure 922134DEST_PATH_IMAGE025
得出。将公式（7）中的关于X的项替换为对应的傅里叶形式，其结果由公式（10）所示。
Figure 215712DEST_PATH_IMAGE026
其中
Figure 662874DEST_PATH_IMAGE027
表示点乘。将公式（10）中的等式两端左乘
Figure 259071DEST_PATH_IMAGE028
，并将其中的Y，V，Z项转为相应的傅里叶形式可将公式（10）化简，化简后的形式由公式（11）所示。
Figure 424473DEST_PATH_IMAGE029
将公式（11）中的等式两端同时取共轭，去掉对角矩阵符号得到最终的求解结果，由公式（12）所示。
Figure 256163DEST_PATH_IMAGE030
迭代过程中的
Figure 823411DEST_PATH_IMAGE031
可由
Figure 75663DEST_PATH_IMAGE032
得到。经过上述三个步骤不断迭代，直到W的值收敛，可求得使得目标函数取得最小值的模型参数W。
S202、利用表观模型在下一帧中的基准样本对目标进行跟踪定位。
本申请中，通过训练得到的表观模型，在下一帧中对目标进行跟踪定位。首先，在当前帧中进行样本采集，得到基准样本x，并通过傅里叶变换得到其傅里叶形式
Figure 993940DEST_PATH_IMAGE033
。其次，设目标位置标签数据在傅里叶域为以目标位置为中心的二维高斯分布，构建标签数据的傅里叶形式
Figure 629321DEST_PATH_IMAGE034
。再次，将
Figure 660862DEST_PATH_IMAGE035
与
Figure 723496DEST_PATH_IMAGE036
代入公式（12）中，根据上述三个步骤进行迭代求解，得到收敛的模型参数
Figure 863490DEST_PATH_IMAGE037
。最后，在下一帧中使用采样窗口采集基准样本
Figure 427196DEST_PATH_IMAGE038
，并通过傅里叶变换得到其傅里叶形式
Figure 703456DEST_PATH_IMAGE039
，将模型参数
Figure 936991DEST_PATH_IMAGE040
与下一帧样本
Figure 298703DEST_PATH_IMAGE041
进行点乘，依据响应值最大原则，其结果中最大响应值所在的位置即为下一帧中目标位置。
S203、根据表观模型计算当前帧样本与上一帧样本之间的相似度，并判断相似度是否高于阈值。
为了保证跟踪过程中表观模型的准确性，本发明设计相应的更新模型，对表观模型进行在线更新。本发明提出的更新模型通过根据相邻样本相似度的大小更新训练样本集实现模型更新。在得到跟踪结果之后，首先将当前帧样本与上一帧样本进行余弦相似度计算，若相似度低于阈值Th u ，将当前帧样本与训练样本集按照固定权重α加权叠加更新训练样本集，在下一帧进行目标定位前使用该训练样本集计算出新的表观模型。若相似度高于阈值Th u ，则不对训练样本集进行更新，使用在上一帧中使用的表观模型进行目标定位。
当相似度不高于阈值时，则执行步骤S204；
当相似度高于阈值时，则执行步骤S205；
S204、将提取当前帧的样本特征，并将提取后的特征样本与训练样本集进行加权叠加以更新训练样本集并得到新训练样本集，并根据新训练样本集计算得出新表观模型，根据新表观模型进行目标定位。
S205、不对训练样本集进行更新，使用在上一帧中使用的表观模型进行目标定位。
在本申请中，通过采样窗口策略采集基准样本，使用循环移位方式通过基准样本生成循环样本，通过相关滤波方法对模型参数求解进行加速，得到表观模型，利用表观模型在下一帧中的基准样本进行相关操作，根据最大响应值位置确定跟踪结果。
进一步地，计算当前帧样本与上一帧样本之间的相似度，根据相似度是否高于阈值判断是否更新模型，相似度高于阈值时不进行更新，相似度低于阈值时，将提取当前帧的样本特征，并将特征样本与训练样本集进行加权叠加，得到新的训练样本集，使用该样本集重新训练鲁棒性相关滤波器模型，实现模型的更新，将更新后的模型用于后续帧的跟踪。
需要指出的是，本发明第二实施例所提供的方法，其实现原理及产生的一些技术效果和第一实施例相同，为简要描述，本实施例未提及之处，可参考第一实施例中相应内容。
综上，本发明上述实施例当中的基于相关滤波器的目标跟踪方法，通过采样窗口策略采集基准样本，使用环移位方式对基准样本进行循环采样以得到训练样本集，并对模型参数进行加速求解以构建得到表观模型，从而建立了新型鲁棒性相关滤波器模型，替换了传统的相关滤波器模型，进一步的，根据表观模型计算当前帧样本与上一帧样本之间的相似度，并判断相似度是否高于阈值，从而对样本特征进行选择，当相似度不高于阈值时，将提取当前帧的样本特征，并将提取后的特征样本与训练样本集进行加权叠加以更新训练样本集并得到新训练样本集，并根据新训练样本集计算得出新表观模型，根据新表观模型进行目标定位，根据相邻样本相似度更新训练样本集的模型更新方法，降低样本集特征的不稳定性，降低了跟踪误差，解决了现有技术中鉴别式模型方法在使用目标样本特征建立目标的表观模型时，由于对特征不加选择地全部使用，导致表观模型鲁棒性差、跟踪误差大、易发生跟踪漂移等问题。
实施例三
请参阅图3，所示为本发明第三实施例中的基于相关滤波器的目标跟踪系统，所述系统包括：
构建模块，用于获取鲁棒性相关滤波器模型，通过采样窗口策略采集基准样本，使用环移位方式对所述基准样本进行循环采样以得到训练样本集，并对模型参数进行加速求解以构建得到表观模型；
判断模块，用于根据所述表观模型计算当前帧样本与上一帧样本之间的相似度，并判断所述相似度是否高于阈值；
定位模块，用于当相似度不高于阈值时，将提取当前帧的样本特征，并将提取后的特征样本与所述训练样本集进行加权叠加以更新训练样本集并得到新训练样本集，并根据所述新训练样本集计算得出新表观模型，根据所述新表观模型进行目标定位。
在一些可选实施例中，构建模块包括：
获取单元，用于获取相关滤波器、并识取所述相关滤波器中的目标参数，将所述目标参数作为回归目标函数的正则项，以构建鲁棒性相关滤波器模型。
在一些可选实施例中，判断模块之后包括：
执行模块，用于当相似度高于阈值时，则不对训练样本集进行更新，使用在上一帧中使用的表观模型进行目标定位。
在一些可选实施例中，构建模块之后包括：
目标跟踪模块，用于利用所述表观模型在下一帧中的基准样本对目标进行跟踪定位。
进一步地，目标跟踪模块包括：
下一帧中目标位置确定单元，用于利用所述表观模型在下一帧中的基准样本进行响应值计算，根据最大响应值位置确定下一帧中目标位置。
进一步地，构建模块包括：
加速求解单元，用于通过相关滤波方法对模型参数进行加速求解以构建得到表观模型。
综上，本发明上述实施例当中的基于相关滤波器的目标跟踪系统，通过采样窗口策略采集基准样本，使用环移位方式对基准样本进行循环采样以得到训练样本集，并对模型参数进行加速求解以构建得到表观模型，从而建立了新型鲁棒性相关滤波器模型，替换了传统的相关滤波器模型，进一步的，根据表观模型计算当前帧样本与上一帧样本之间的相似度，并判断相似度是否高于阈值，从而对样本特征进行选择，当相似度不高于阈值时，将提取当前帧的样本特征，并将提取后的特征样本与训练样本集进行加权叠加以更新训练样本集并得到新训练样本集，并根据新训练样本集计算得出新表观模型，根据新表观模型进行目标定位，根据相邻样本相似度更新训练样本集的模型更新方法，降低样本集特征的不稳定性，降低了跟踪误差，解决了现有技术中鉴别式模型方法在使用目标样本特征建立目标的表观模型时，由于对特征不加选择地全部使用，导致表观模型鲁棒性差、跟踪误差大、易发生跟踪漂移等问题。
此外，本发明的实施例还提出一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现上述实施例中方法的步骤。
此外，本发明的实施例还提出一种数据处理设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现上述实施例中方法的步骤。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备（如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统）使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例（非穷尽性列表）包括以下：具有一个或多个布线的电连接部（电子装置），便携式计算机盘盒（磁装置），随机存取存储器（RAM），只读存储器（ROM），可擦除可编辑只读存储器（EPROM或闪速存储器），光纤装置，以及便携式光盘只读存储器（CDROM）。另外，计算机可读介质甚至可以是可在其上打印程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列（PGA），现场可编程门阵列（FPGA）等。
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。

Claims (8)

1.一种基于相关滤波器的目标跟踪方法，其特征在于，所述方法包括：
获取鲁棒性相关滤波器模型，通过采样窗口策略采集基准样本，使用环移位方式对所述基准样本进行循环采样以得到训练样本集，并对模型参数进行加速求解以构建得到表观模型；
根据所述表观模型计算当前帧样本与上一帧样本之间的相似度，并判断所述相似度是否高于阈值；
当相似度不高于阈值时，将提取当前帧的样本特征，并将提取后的特征样本与所述训练样本集进行加权叠加以更新训练样本集并得到新训练样本集，并根据所述新训练样本集计算得出新表观模型，根据所述新表观模型进行目标定位；
所述获取鲁棒性相关滤波器模型的步骤包括：
在相关滤波器模型的基础上，获取相关滤波器、并识取所述相关滤波器中的目标参数，将所述目标参数作为回归目标函数的正则项，具体将参数w的L2,1范数作为回归目标函数的正则项，构建新的鲁棒性相关滤波器模型，构建后的鲁棒性相关滤波器模型的优化目标函数为：
Figure 48622DEST_PATH_IMAGE001
其中，
Figure 297201DEST_PATH_IMAGE002
为正则项，X为训练样本集，x i 为样本元素，y i 为样本标签，w为模型参数，即为待优化参数，λ为惩罚参数。
2.根据权利要求1所述的基于相关滤波器的目标跟踪方法，其特征在于，所述判断所述相似度是否高于阈值的步骤之后还包括：
当相似度高于阈值时，则不对训练样本集进行更新，使用在上一帧中使用的表观模型进行目标定位。
3.根据权利要求1所述的基于相关滤波器的目标跟踪方法，其特征在于，所述通过相关滤波方法对模型参数进行加速求解以构建得到表观模型的步骤之后包括：
利用所述表观模型在下一帧中的基准样本对目标进行跟踪定位。
4.根据权利要求3所述的基于相关滤波器的目标跟踪方法，其特征在于，所述通过所述表观模型在下一帧中的基准样本对目标进行跟踪定位的步骤包括：
利用所述表观模型在下一帧中的基准样本进行响应值计算，根据最大响应值位置确定下一帧中目标位置。
5.根据权利要求1所述的基于相关滤波器的目标跟踪方法，其特征在于，所述对模型参数进行加速求解以构建得到表观模型的步骤包括：
通过相关滤波方法对模型参数进行加速求解以构建得到表观模型。
6.一种基于相关滤波器的目标跟踪系统，其特征在于，所述系统包括：
构建模块，用于获取鲁棒性相关滤波器模型，通过采样窗口策略采集基准样本，使用环移位方式对所述基准样本进行循环采样以得到训练样本集，并对模型参数进行加速求解以构建得到表观模型；
判断模块，用于根据所述表观模型计算当前帧样本与上一帧样本之间的相似度，并判断所述相似度是否高于阈值；
定位模块，用于当相似度不高于阈值时，将提取当前帧的样本特征，并将提取后的特征样本与所述训练样本集进行加权叠加以更新训练样本集并得到新训练样本集，并根据所述新训练样本集计算得出新表观模型，根据所述新表观模型进行目标定位。
7.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1－5任一所述的基于相关滤波器的目标跟踪方法。
8.一种数据处理设备，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1－5任一所述的基于相关滤波器的目标跟踪方法。
CN202210531575.0A 2022-05-17 2022-05-17 基于相关滤波器的目标跟踪方法、系统、存储介质及设备 Expired - Fee Related CN114708307B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210531575.0A CN114708307B (zh) 2022-05-17 2022-05-17 基于相关滤波器的目标跟踪方法、系统、存储介质及设备

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210531575.0A CN114708307B (zh) 2022-05-17 2022-05-17 基于相关滤波器的目标跟踪方法、系统、存储介质及设备

Publications (2)

Publication Number Publication Date
CN114708307A CN114708307A (zh) 2022-07-05
CN114708307B true CN114708307B (zh) 2022-11-01

Family

ID=82176129

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210531575.0A Expired - Fee Related CN114708307B (zh) 2022-05-17 2022-05-17 基于相关滤波器的目标跟踪方法、系统、存储介质及设备

Country Status (1)

Country Link
CN (1) CN114708307B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115034692B (zh) * 2022-08-11 2023-09-26 深圳市信润富联数字科技有限公司 数据漂移的跟踪方法、装置、终端设备及存储介质

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104200237B (zh) * 2014-08-22 2019-01-11 浙江生辉照明有限公司 一种基于核化相关滤波高速自动多目标跟踪方法
CN111105444B (zh) * 2019-12-31 2023-07-25 哈尔滨工程大学 一种适用于水下机器人目标抓取的连续跟踪方法
CN111754548B (zh) * 2020-06-29 2023-10-03 西安科技大学 一种基于响应判别的多尺度相关滤波目标跟踪方法和装置
CN113674323A (zh) * 2021-08-26 2021-11-19 西安理工大学 基于多维置信度评估学习的视觉目标跟踪算法

Also Published As

Publication number Publication date
CN114708307A (zh) 2022-07-05

Similar Documents

Publication Publication Date Title
CN110675623B (zh) 基于混合深度学习的短时交通流量预测方法、系统、装置
CN108734723B (zh) 一种基于自适应权重联合学习的相关滤波目标跟踪方法
CN106547880B (zh) 一种融合地理区域知识的多维度地理场景识别方法
CN111311647B (zh) 一种基于全局-局部及卡尔曼滤波的目标跟踪方法及装置
CN113688665B (zh) 一种基于半监督迭代学习的遥感影像目标检测方法及系统
CN110728694B (zh) 一种基于持续学习的长时视觉目标跟踪方法
CN111898432B (zh) 一种基于改进YOLOv3算法的行人检测系统及方法
CN111091101B (zh) 基于一步法的高精度行人检测方法、系统、装置
CN114627447A (zh) 基于注意力机制和多目标跟踪的公路车辆跟踪方法及系统
CN111126361A (zh) 基于半监督学习和特征约束的sar目标鉴别方法
CN115359873B (zh) 用于手术质量的控制方法
CN114708307B (zh) 基于相关滤波器的目标跟踪方法、系统、存储介质及设备
Yang et al. Toward country scale building detection with convolutional neural network using aerial images
CN114511710A (zh) 一种基于卷积神经网络的图像目标检测方法
CN111640138A (zh) 一种目标跟踪方法、装置、设备及存储介质
CN115019103A (zh) 基于坐标注意力群组优化的小样本目标检测方法
CN110706253B (zh) 基于表观特征和深度特征的目标跟踪方法、系统、装置
CN109584267B (zh) 一种结合背景信息的尺度自适应相关滤波跟踪方法
CN115147644A (zh) 图像描述模型的训练和描述方法、系统、设备及存储介质
CN111008630A (zh) 一种基于弱监督学习的目标定位方法
CN113591839B (zh) 一种特征提取模型构建方法、目标检测方法及其设备
CN113033356B (zh) 一种尺度自适应的长期相关性目标跟踪方法
CN115705393A (zh) 一种基于持续学习的雷达辐射源分级识别方法
CN110751061B (zh) 基于sar网络的sar图像识别方法、装置、设备和存储介质
CN111832479A (zh) 基于改进的自适应锚点r-cnn的视频目标检测方法

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20221101

CF01 Termination of patent right due to non-payment of annual fee