基于频域回归模型目标追踪方法、系统及高级驾驶辅助系统技术方案

本发明专利技术公开了基于频域回归模型目标追踪方法、系统及高级驾驶辅助系统，方法包括：选择目标区域，根据所述目标区域中的图像提取空间域特征；对所述空间域特征进行汉明滤波后再进行傅里叶变换，得到实时特征；根据特征模板与所述实时特征进行回归运算得到置信度矩阵，对所述目标的位移结果进行预测；变换尺度重复上述步骤，并预测出目标区域的尺度和位移变化，完成对目标的追踪。本发明专利技术的目标追踪方法，适用于频域回归的实时性极强的纹理和梯度结合的特征。在本发明专利技术中还首次提出通过汉明窗抑制边缘特征，对空间域特征进行优化。本发明专利技术的方法兼顾快速性与鲁棒性，运算资源消耗小，对多目标追踪的场景满足实时性需求。

【技术实现步骤摘要】

本专利技术涉及图像处理领域，特别涉及基于频域回归模型目标追踪方法、系统及高级驾驶辅助系统。
技术介绍
在基于视觉算法的高级驾驶辅助系统(ADAS)，目标追踪是一项关键技术，其包括车辆追踪、行人追踪等。尤其在计算资源有限的嵌入式设备中，由于目标检测算法非常耗费运算资源，无法频繁进行。目标追踪技术的意义在于，在目标检测的间隔，用一种快速的方法追踪目标的位置，保证目标的位置在每一帧都可以实时准确地更新。现有的目标追踪技术大部分是在空域中进行，例如Mean Shift方法，TLD(Tracking-learning Detection)方法等。在空间域进行目标追踪的方法，需要对目标周围的若干备选框进行遍历，利用最优化函数，以大量迭代运算换取准确结果。此种方法无法兼顾快速性与鲁棒性。而基于频域的目标追踪方法，目前没有很好解决尺度可变的问题，只支持单一尺度下的目标追踪。另外，特征选取也是频域方法的一个难题，多数会选用HOG(Histogram of Oriented Gradient)特征，但提取HOG特征运算资源消耗较大，对多目标追踪的场景难以满足实时性需求。除此以外，边缘特征过强，也可能导致错误追踪结果，这个问题目前没有很好地解决。
技术实现思路
本专利技术要解决的技术问题是，在空间域提取特征，在频域计算位移和尺度变化的目标追踪。首先在空间域对目标及其周围一定区域的图像提取特征。然后对提取的特征进行傅里叶变换。在频域内，将实时特征与特征模板做回归运算，得到不同尺度下目标位移的置信度矩阵，并预测目标的尺度和位移变化。解决上述技术问题，本专利技术提供了一种基于频域回归模型目标追踪方法，包括如下步骤：选择目标区域，根据所述目标区域中的图像提取空间域特征；对所述空间域特征进行汉明滤波后再进行傅里叶变换，得到实时特征；根据特征模板与所述实时特征进行回归运算得到置信度矩阵，对所述目标的位移结果进行预测；变换尺度重复上述步骤，并预测出目标区域的尺度和位移变化，完成对目标的追踪。更进一步，追踪方法还包括，根据新的目标位置，提取得到目标位置提取特征，得到新的特征模板，所述新的特征模板与特征模板进行线性插值更新得到。更进一步，在所述置信度矩阵中，选取置信度最大值对应的尺度更新目标尺度，选择置信度最大的位移点计算目标新的位置。更进一步，通过线性插值更新新的特征模板的方法具体为：X＝((1-δ)×X1)+(δ×X2)其中，δ＝0.05，X1表示特征模板，X2表示新的特征模板。更进一步，所述空间域特征，包括纹理特征和梯度特征，所述纹理特征：其中，E(I)表示灰度图像的均，i、j分别表示像素点的横纵坐标；所述梯度特征按照[-1,0,1]、[-1,0,1]T两个卷积核，分别对水平和垂直两个方向进行卷积后得到。更进一步，根据下述的置信度矩阵，对所述目标的位移结果进行预测：f(Z)＝F-1(KXZ·α)其中，KXZ＝∑Zc·conj(Xc)，表示特征模板X与实时特征Z的相关性，其中，c代表不同的通道，α表示岭回归矩阵α＝(KXX+λ)-1Y，其中λ＝0.0001，y是服从高斯分布的回归目标。更进一步，所述置信度矩阵大小为64*64，该置信度矩阵包括，目标中心点为中心且目标长宽2倍区域内不同位移的置信度。更进一步，所述汉明滤波得到尺寸为64*64的滤波模板H的具体方法为： h i , j = ( 0.53836 - 0.46164 cos ( 2 π ( N 2 - i ) N - 1 ) ) × ( 0.53836 - 0.46164 cos ( 2 π ( N 2 - j ) N - 1 ) ) ]]>其中，N＝64，i和j分别为横纵坐标位置。本专利技术提供了基于频域回归模型目标追踪系统，包括：空间域提取单元，用以选择目标区域，根据所述目标区域中的图像提取空间域特征；滤波器，用以对所述空间域特征进行汉明滤波；与滤波器连接的傅里叶变换单元，用以对滤波器的输出进行傅里叶变换，得到实时特征；置信度矩阵单元，用以根据特征模板与所述实时特征进行回归运算得到置信度矩阵；预测单元，用以对所述目标的位移结果进行预测；更新单元，用以变换尺度重复上述步骤，并预测出目标区域的尺度和位移变化，完成对目标的追踪。本专利技术还提供了高级驾驶辅助系统，包括基于频域回归模型目标追踪系统、安装在车上的视觉传感器以及预警单元，视觉传感器，用以采集视频数据；所述基于频域回归模型目标追踪系统，用以从所述视频数据中选择目标区域，根据所述目标区域中的图像提取空间域特征；对所述空间域特征进行汉明滤波后再进行傅里叶变换，得到实时特征；根据特征模板与所述实时特征进行回归运算得到置信度矩阵，对所述目标的位移结果进行预测；变换尺度重复上述步骤，并预测出目标区域的尺度和位移变化，完成对目标的追踪；预警单元，用以在检测到目标车辆和行人的位置后，通过标追踪系统实时跟踪上述目标的位置，提示驾驶员是否有碰撞前方的车辆和行人的危险。本专利技术的有益效果：1)由于基于频域回归模型目标追踪方法，包括如下步骤：选择目标区域，根据所述目标区域中的图像提取空间域特征；对所述空间域特征进行汉明滤波后再进行傅里叶变换，得到实时特征；根据特征模板与所述实时特征进行回归运算得到置信度矩阵，对所述目标的位移结果进行预测；变换尺度重复上述步骤，并预测出目标区域的尺度和位移变化，完成对目标的追踪。本专利技术的目标追踪方法，适用于频域回归的实时性极强的纹理和梯度结合的特征。在本专利技术中还首次提出通过汉明窗抑制边缘特征，对空间域特征进行优化。2)由于本专利技术的空间域特征提取包含了纹理和梯度信息的简单快速的双通道特征，经实验，在intel core i5双核电脑上，双通道特征方法对单目标的特征提取时间仅为0.3ms，比HOG特征的3ms快10倍，在本专利技术的框架下，两种特征可以取得相似的准确率。3)由于对所述空间域特征进行汉明滤波，针对边缘特征本文档来自技高网...

【技术保护点】
基于频域回归模型目标追踪方法，其特征在于包括如下步骤：选择目标区域，根据所述目标区域中的图像提取空间域特征；对所述空间域特征进行汉明滤波后再进行傅里叶变换，得到实时特征；根据特征模板与所述实时特征进行回归运算得到置信度矩阵，对所述目标的位移结果进行预测；变换尺度重复上述步骤，并预测出目标区域的尺度和位移变化，完成对目标的追踪。

【技术特征摘要】
1.基于频域回归模型目标追踪方法，其特征在于包括如下步骤：选择目标区域，根据所述目标区域中的图像提取空间域特征；对所述空间域特征进行汉明滤波后再进行傅里叶变换，得到实时特征；根据特征模板与所述实时特征进行回归运算得到置信度矩阵，对所述目标的位移结果进行预测；变换尺度重复上述步骤，并预测出目标区域的尺度和位移变化，完成对目标的追踪。2.根据权利要求1所述的基于频域回归模型目标追踪方法，其特征在于，还包括，根据新的目标位置，提取得到目标位置提取特征，得到新的特征模板，所述新的特征模板与特征模板进行线性插值更新得到。3.根据权利要求2所述的基于频域回归模型目标追踪方法，其特征在于，在所述置信度矩阵中，选取置信度最大值对应的尺度更新目标尺度，选择置信度最大的位移点计算目标新的位置。4.根据权利要求2所述的基于频域回归模型目标追踪方法，其特征在于，通过线性插值更新特征模板得到新的特征模板的方法具体为：X＝((1-δ)×X1)+(δ×X2)其中，δ＝0.05，X1表示特征模板，X2表示新的特征模板。5.根据权利要求1所述的基于频域回归模型目标追踪方法，其特征在于，所述空间域特征，包括纹理特征和梯度特征，所述纹理特征：其中，E(I)表示灰度图像的均，i、j分别表示像素点的横纵坐标；所述梯度特征按照[-1,0,1]、[-1,0,1]T两个卷积核，分别对水平和垂直两个方向进行卷积后得到。6.根据权利要求1所述的基于频域回归模型目标追踪方法，其特征在于，根据下述的置信度矩阵，对所述目标的位移结果进行预测：f(Z)＝F-1(KXZ·α)其中，KXZ＝∑Zc·conj(Xc)，表示特征模板X与实时特征Z的相关性，其中，c代表不同的通道，α表示岭回归矩阵α＝(KXX+λ)-1Y，其中λ＝0.0001，y是服从高斯分布的回归目标。7.根据权利要求6所述的基于频域回归模型目标追踪方法，其特征在于，所述置信度矩阵大小为64*64，该置信度矩阵包括，目标中心点为中心且目标长宽2倍区域内不同位移的置信度。8.根据权利要求1所述的基于频域回归模型目标追踪方法，其特征在于，所述汉明滤波得到尺寸为64*64的滤波模板H的具体方法为： h i , j = ( 0.53836 - 0.46164 cos ( 2 π ...

【专利技术属性】
技术研发人员：刘鹏，
申请(专利权)人：开易北京科技有限公司，
类型：发明
国别省市：北京;11