技术领域
[0001] 本
发明涉及
图像处理技术,具体涉及一种基于多目标特征和改进相关滤波器的运动目标跟踪方法。
背景技术
[0002] 基于视觉的运动目标跟踪技术是以视频图像为处理对象的,以图像处理
算法为核心对单个或多个运动目标进行跟踪。经过数十年的研究,基于
计算机视觉的目标跟踪算法在国内外陆续研究出许多重要的算法,如光流法、卡尔曼滤波、相关滤波等,实现了较好的跟踪
精度。基于视觉的运动目标跟踪技术在军用和民用领域均应用广泛,如军事打击、警用安防等。
[0003] 运动目标跟踪过程中,由于环境、相机转动和相机载体运动等原因,会出现阴影干扰、纹理缺乏、跟踪飘移、场景抖动、背景旋转和目标形变等情况,这些情况会对运动目标跟踪的准确性产生影响,所以解决这些跟踪难题一直是基于视觉的运动目标跟踪技术的研究重点。
[0004] 目前,基于视觉的目标跟踪方法在应对目标跟踪难点的时候还有许多能够改进的空间,如
专利CN106530330B提出了一种基于低秩稀疏的视频目标跟踪方法,利用统计跟踪方法粒子滤波进行状态估计,通过建立字典对目标、粒子进行低秩稀疏表示,降低计算复杂度,利用重建错误预先删除部分粒子,再计算差别分数,最终确定下一
帧目标,该方法需要足够的样本数量才能很好地近似系统的后验概率
密度,无法保持粒子的有效性和多样性;专利CN109828596A提出了一种目标跟踪方法、装置及无人机,控制可见光摄像机对目标物进行视觉跟踪,并实时记录目标物的第一跟踪信息,控制红外摄像机对目标物进行红外跟踪,并实时记录目标物的第二跟踪信息,确定可见光摄像机丢失目标物,则控制可见光摄像机根据第二跟踪信息重新
锁定目标物并进行视觉跟踪,未对可见光及红外目标特征进行融合,交替跟踪没有对历史目标信息进行更新,容易导致跟丢;专利CN109729498A提出了一种基于维诺图的自适应
节点选择的目标跟踪方法和系统,以Voronoi图作为网络模型,将网络中的节点进行分簇,簇内有激活节点、休眠节点和唯一的簇头节点,依据提出的节点选择算法对Voronoi图区域中的
传感器节点进行部分激活,并且
扩展卡尔曼滤波用于进行目标跟踪,非线性滤波方法
稳定性较差,对目标机动反应迟缓。文献“齐永锋,王梦媛.基于LBP与核相关滤波器的运动目标跟踪算法[J].红外技术,2019,41(6):572-576”针对核相关滤波器在复杂光照条件下出现的跟踪不稳定的现象,在传统算法上增加LBP处理方法,降低光照对特征提取的影响,结果表明在复杂光照的情况下的跟踪性能有明显提升,但在其他情况下未做深入研究。文献“周维,陈听海,邱宝鑫.引入特征重检的抗遮挡目标跟踪方法研究[J].计算机工程与应用.ISSN 1002-8331,CN 11-2127/TP.”针对视觉目标跟踪的遮挡问题,在TLD算法的
基础上,引入特征重检环节,选用SIFT特征进行双向匹配标定目标,特征单一导致当目标模糊与背景相似时,重新标定的目标错误,不是原被遮挡的跟踪目标。文献“李晶,黄山.基于YOLOv3目标跟踪方法[J].电光与控制”利用
深度学习模型在目标特征提取上的优势,采用基于回归的YOLOv3检测模型提取候选目标,同时结合目标
颜色直方特征和局部二值模式直方特征进行目标筛选,实现目标跟踪,然而随着跟踪过程变长,提取目标特征参数变得庞大,跟踪速率变慢。
发明内容
[0005] 本发明的目的是提供一种基于多目标特征和改进相关滤波器的运动目标跟踪方法,以使得运动目标跟踪精度更高,跟踪效果更为稳定。
[0006] 为达到上述目的,本发明提供了一种基于多目标特征和改进相关滤波器的运动目标跟踪方法,其包括以下步骤:
[0007] 步骤1:输入跟踪视频序列和初始帧中被跟踪目标的
位置信息;
[0008] 步骤2:提取目标多通道特征对目标实现全面信息表征;
[0009] 步骤3:构建
像素可靠性图对相关滤波器进行约束优化,将相关滤波器限制在适合于跟踪的图像区域;
[0010] 步骤4:利用线性
降维算子减少模型中的参数数目,训练紧凑样本分类模型,降低空间和时间复杂度,提高样本多样性;
[0011] 步骤5:通过高斯
牛顿法和共轭梯度法对相关滤波器进行二次优化得到最优相关滤波器;
[0012] 步骤6:将改进的相关滤波器与提取的目标搜索区域的目标特征进行响应,确定目标跟踪框的位置;
[0013] 步骤7:对滤波器模型和像素可靠性图进行联合更新;
[0014] 步骤8:输出跟踪结果图。
[0015] 上述的基于多目标特征和改进相关滤波器的运动目标跟踪方法,其中,在所述步骤2中,提取的目标多通道特征为:特征维度为31的梯度方向直方图特征、特征维度为10的颜色特征、特征维度为256的VGG-m网络的Conv-5卷积层特征。
[0016] 上述的基于多目标特征和改进相关滤波器的运动目标跟踪方法,其中,在所述步骤3中,构建像素可靠性图对相关滤波器进行约束优化的具体过程为:
[0017] 步骤3.1:在初始帧中初始化像素可靠性图;
[0018] 步骤3.2:将像素可靠性图作为约束条件引入目标损失函数,使用增广拉格朗日方法将目标损失函数构建为拉格朗日方程;
[0019] 步骤3.3:通过乘子交替方向
迭代最小化拉格朗日方程得到像素空间约束滤波器。
[0020] 上述的基于多目标特征和改进相关滤波器的运动目标跟踪方法,其中,在所述步骤4中,利用线性降维算子减少模型中的参数数目和训练紧凑样本分类模型,具体过程为:
[0021] 步骤4.1:训练得到每个特征通道所对应的相关滤波器;
[0022] 步骤4.2:构造一组学习系数将所有通道的相关滤波器进行线性组合形成新的多通道相关滤波器,这组学习系数构成的矩阵称为线性降维算子;
[0023] 步骤4.3:将样本
训练数据建模为高斯分量的混合物,其中每个组件代表外观的不同方面,每更新一帧就在训练集中加入一个样本并为新样本新建一个分组,样本权重由学习率控制,学习率可调,当样本的数目达到了最大
阈值,每个组件中权重最小的样本会被舍弃;当一个组件的权重低于某个阈值时,这个组件与最近的组件合并;
[0024] 步骤4.4:使用高斯牛顿法和共轭梯度法优化二次子问题来进行后续帧中相关滤波器和线性降维算子的更新。
[0025] 上述的基于多目标特征和改进相关滤波器的运动目标跟踪方法,其中,在所述步骤7中,滤波器模型和像素可靠性图的更新方式采用稀疏的联合更新方案,滤波器模型每隔Ns帧更新一次,像素可靠性图每隔Nm帧更新一次,模型更新间隔与像素可靠性图更新间隔满足正比关系,数学关系式如下:Ns/Nm=k,其中,k≥1且k∈N。
[0026] 相对于
现有技术,本发明具有以下有益效果:
[0027] 本方法不仅以全面的目标特征更好的实现目标检测,而且将庞大的训练参数进行降维,取更具代表性的目标特征参数,降低时间复杂度,对样本进行分类,使样本特征更具多样性,降低空间复杂度,并且结合历史模型数据进行模型更新,提高跟踪鲁棒性。
[0028] 本发明对大多数场景下的运动目标跟踪都具有普适性,特别对无人机对地航拍场景下同样具有优秀的跟踪效果,当遇到跟踪目标小,跟踪目标快速运动、快速
变形,跟踪目标短时间遮挡等情况时,仍然具有优秀的跟踪效果。
附图说明
[0029] 图1为本发明所提供的运动目标跟踪算法
框图;
[0030] 图2为本发明所提供的运动目标跟踪算法
流程图。
具体实施方式
[0031] 以下结合附图通过具体
实施例对本发明作进一步的描述,这些实施例仅用于说明本发明,并不是对本发明保护范围的限制。
[0032] 如图1和图2所示,本发明所提供的基于多目标特征和改进相关滤波器的运动目标跟踪方法具体步骤包括:
[0033] (1)输入跟踪视频序列和初始帧中被跟踪目标的位置信息,目标的位置信息可由检测算法得出或者人工标定,目标跟踪框位置可由质心坐标或左上
角坐标、跟踪框宽和高表示;
[0034] (2)提取目标多通道特征对目标实现全面信息表征,包括特征维度为31的梯度方向直方图(HOG)特征、特征维度为10的颜色特征(CN)、特征维度为256的VGG-m网络的Conv-5卷积层特征;
[0035] (3)构建像素可靠性图对相关滤波器进行约束优化,将相关滤波器限制在适合于跟踪的图像区域,改善对不规则形状目标的搜索范围和跟踪性能,具体步骤包括:
[0036] ①在初始帧中初始化像素可靠性图,组成元素表示每个像素的学习可靠性,即判断每个像素属于目标区域的概率。像素与目标外观有关的条件概率通过贝叶斯规则从目标前景/背景颜色模型中计算外观似然度得到;
[0037] ②将像素可靠性图作为约束条件引入目标损失函数,使用增广拉格朗日(Augmented Lagrangian)方法将目标损失函数构建为拉格朗日方程;
[0038] ③通过乘子交替方向迭代最小化拉格朗日方程得到像素空间约束滤波器。
[0039] (4)利用线性降维算子减少模型中的参数数目,训练紧凑样本分类模型,降低空间和时间复杂度,提高样本多样性。具体步骤包括:
[0040] ①训练得到每个特征通道所对应的相关滤波器;
[0041] ②构造一组学习系数将所有通道的相关滤波器进行线性组合形成新的多通道相关滤波器,这组学习系数构成的矩阵称为线性降维算子;
[0042] ③将样本训练数据建模为高斯分量的混合物,其中每个组件代表外观的不同方面,每更新一帧就在训练集中加入一个样本并为新样本新建一个分组,样本权重由学习率控制,学习率可调,当样本的数目达到了最大阈值,每个组件中权重最小的样本会被舍弃。当一个组件的权重低于某个阈值时,这个组件与最近的组件合并。
[0043] ④使用高斯牛顿(Gauss-Newton)法和共轭梯度法优化二次子问题来进行后续帧中相关滤波器和线性降维算子的更新。
[0044] (5)通过高斯牛顿和共轭梯度法对相关滤波器进行二次优化得到最优相关滤波器;
[0045] (6)将改进的相关滤波器与提取的目标搜索区域的目标特征进行卷积响应,确定目标跟踪框的位置;
[0046] (7)对滤波器模型和像素可靠性图进行联合更新,更新方式采用稀疏的联合更新方案,滤波器模型每隔Ns帧更新一次,像素可靠性图每隔Nm帧更新一次,模型更新间隔与像素可靠性图更新间隔满足正比关系时,跟踪效果更好,数学关系式如下:
[0047] Ns/Nm=k,(k≥1且k∈N)
[0048] (8)输出跟踪结果图。
[0049] 该思路具有可行性,将本方法应用于研究运动目标跟踪过程当中,对跟踪序列进行处理,输出跟踪效果图,并且同其他近年来优秀的跟踪算法进行了跟踪精度对比,经实验验证,本方法具有优秀的跟踪效果。
[0050] 尽管本发明的内容已经通过上述优选实施例作了详细介绍,但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后,对于本发明的多种
修改和替代都将是显而易见的。因此,本发明的保护范围应由所附的
权利要求来限定。