基于背景感知相关滤波器的智能车辆前方行人跟踪方法技术

本发明专利技术属于智能交通、智能车辆研究领域，涉及一种基于背景感知相关滤波器的车载行人跟踪方法，包括如下步骤：1、通过手动标定或通过行人检测器初始化所要跟踪的行人位置，用矩形框框定行人，矩形框的中心点位置代表行人中心位置，矩形框的尺寸代表行人的尺寸，用位置和尺寸作为参数初始化卡尔曼滤波器；2、训练背景感知相关滤波器；3、训练尺度相关滤波器；4、利用训练好的背景感知相关滤波器和尺度相关滤波器在新一帧图像检测目标，并选择性更新背景感知相关滤波器和尺度相关滤波器；5、返回步骤四直到跟踪结束。本发明专利技术更适用于车载环境下的无人驾驶；本发明专利技术采用选择性更新方法，能够处理短时遮挡等情况。

Pedestrian tracking in front of intelligent vehicle based on background perception correlation filter

The invention belongs to the research field of intelligent transportation and intelligent vehicles, and relates to a vehicle pedestrian tracking method based on a background sensing correlation filter. The method comprises the following steps: 1. The pedestrian position to be tracked is initialized by manual calibration or by a pedestrian detector, the pedestrian is determined by a rectangular frame, and the center point position of the rectangular frame is represented by a rectangular frame. Pedestrian center position, rectangular frame size represents the size of pedestrians, position and size as parameters initialization Kalman filter; 2, training background awareness correlation filter; 3, training scale correlation filter; 4, using the trained background awareness correlation filter and scale correlation filter in the new frame of image detection items Fifthly, step 4 is returned until the end of tracking. The invention is more suitable for unmanned driving in vehicle environment, and the selective renewal method is adopted to deal with short-term occlusion and the like.

【技术实现步骤摘要】
基于背景感知相关滤波器的智能车辆前方行人跟踪方法
本专利技术属于智能交通、智能车辆研究领域，涉及一种基于背景感知相关滤波器的智能车辆前方行人跟踪方法，适用于自主驾驶汽车利用机器视觉跟踪车辆前方行人以便分析行人行为，避免人车冲突。
技术介绍
对车辆前方行人的运动行为的分析是自动驾驶、行人防碰撞智能辅助驾驶系统等智能车辆危险辨识、轨迹规划、驾驶决策、车辆控制等重要依据。行人运动跟踪是行人运动行为分析的重要基础，但由于车辆与行人的相对运动、行人运动遮挡、运动场景的变化、运动姿态的时变性等，增加了行人跟踪的困难。因此，急需建立快速有效的行人跟踪算法，以满足智能车辆技术发展的需要。目前，车辆自主驾驶行人运动感知方面的研究，主要集中于行人识别、定位方面，在行人运动跟踪等行为感知方面的研究尚处于初级阶段，其研究成果相对较少，研究方法主要利用meanshift、kalman、粒子群等传统跟踪算法来跟踪预测行人位置，实现行人跟踪。如：Jae等人基于meanshift算法框架，采用目标的局部区域直方图特征取代传统区域全局直方图特征进行车辆前方运动行人的跟踪，提高了传统meanshift跟踪算法的精度；ZipeiFan等人在粒子滤波框架下，构建不同驾驶模式下行人运动模式的动态模型，增加了行人运动估计的鲁棒性；郭烈等人结合kalman滤波器与camshift算法跟踪车辆前方行人，首先利用卡尔曼滤波算法预测行人的可能位置，然后结合camshift算法搜索定位特定区域内是否存在行人，实现行人跟踪，该方法加快了传统的camshift算法的跟踪速度。李锴等人通过特征融合的方法，构建车辆前方行人的精细化的特征表达，以改善车载行人跟踪效果。虽然上述算法为车辆前方运动行人跟踪的研究提供了借鉴作用，但由于该类算法采用固定跟踪器框架，难以适应行人与车辆相对运动下行人图像的尺度快速变化、行人相关遮挡、运动姿态改变等，导致跟踪目标的丢失或漂移问题，致使跟踪失效。
技术实现思路
本专利技术的目的是提出一种基于背景感知相关滤波器的智能车辆前方行人跟踪方法，本方法能够实现车辆环境下行人尺度快速改变和遮挡情况下的快速跟踪，为行人安全保障技术、无人驾驶、智能车辆等研究和应用提供技术支持。为解决上述技术问题，本专利技术是采用如下技术方案实现的，结合附图说明如下：本专利技术提出的一种基于背景感知相关滤波器的智能车辆前方行人跟踪方法是采用如下技术方案实现的：一种基于背景感知相关滤波器的智能车辆前方行人跟踪方法，步骤如下：步骤一、通过手动标定或通过行人检测器初始化所要跟踪的行人位置，用矩形框框定行人，矩形框的中心点位置代表行人中心位置，矩形框的尺寸代表行人的尺寸，用位置和尺寸作为参数初始化卡尔曼滤波器；步骤二、在步骤一选定的框定行人的矩形框的位置，训练背景感知相关滤波器：以一维信号为例，说明构造最优的背景感知相关滤波器的过程，求解背景感知相关滤波器的空域目标函数表示为：式中，y是输出响应，z是输入信号，h是传统的相关滤波器，L表示特征通道数，l表示第l个特征通道，T表示转置，M代表信号z的长度，B是大小为D×M的二值矩阵，Δτj代表将信号进行第j步循环移位，Bzl[Δτj]表示将长度为M的信号进行第j步循环移位后，截取其对应的D个元素，λ是正则项参数，||||表示求二范数；为了方便求解，记则式(1)的频域表示为：式中，a代表了背景感知相关滤波器，∧代表离散傅里叶变换，F为傅里叶变换矩阵，IL为单位矩阵，代表克罗内克积，这里diag()表示构造对角矩阵；对式(2)的求解转化为优化求解和h*，这里*表示取共轭转置，应用增广拉格朗日方法和交替方向乘子法(ADMM)等凸优化方法求解得到：式中：μ是惩罚因子，是频域的拉格朗日向量。a和ε都可以分解成L个部分求解，即a＝{a1,a2,...aL}，ε＝{ε1,ε2,...εL}，这里其中l＝1,2...L；可将分解为M个独立的解：其中conj()表示取共轭，其中l＝1,2...L,步骤三、在步骤一选定的框定行人的矩形框的位置，训练尺度相关滤波器：假设框定行人的矩形框的尺寸为P×R，所要训练的尺度相关滤波器尺寸为S,令-(S-1)/2≤N≤(S-1)/2，α为一个稍大于1的标量，αN代表尺度变化因子，那么在围绕目标的尺寸大小为αNP×αNR的S个图像块，分别提取D维特征组合作为输入信号z_scale，尺度相关滤波器的构造过程具体如下：令式(5)表示相关滤波过程：其中表示相关运算符，y_scale是输出响应，h_scale是尺度相关滤波器，d代表特征维数。式(5)的傅里叶变换为：其中，∧代表傅里叶运算符，·代表点积运算符，*代表复共轭；最优滤波器求解如式(7)所示：求解式(7)得：步骤四、利用训练好的背景感知相关滤波器和尺度相关滤波器在新一帧图像检测目标，并选择性更新背景感知相关滤波器和尺度相关滤波器：在与上一帧的目标位置相同的位置提取背景感知相关滤波器所需特征计算背景感知相关滤波器输出响应：式中f代表当前帧，f-1代表上一帧，表示根据式(2)提取的特征，表示上一帧计算得到的背景感知滤波器模型；根据式(9)计算的计算峰值旁瓣比：其中，psr代表峰值旁瓣比，P代表的峰值，μs代表旁瓣均值，σs代表旁瓣标准差；设Q代表峰值旁瓣比的阈值，1、如果psr≥Q：将背景感知相关滤波器最大输出响应对应的位置作为当前目标的位置，然后在此位置上提取尺度滤波器所需特征求解尺度滤波器输出响应：这里A代表式(8)的分子部分，B代表式(8)的分母部分，代表前一帧求得的尺度滤波器模型；设当前帧尺度滤波器最大输出响应对应的尺度变化因子为上一帧目标尺寸为Pf-1×Rf-1，则当前帧目标尺寸为更新背景感知滤波器模型和尺度相关滤波器模型：将带入到A中计算得到Af，将带入到B中计算得到Bf，那么尺度滤波器模型按下式更新：这里同样将尺度滤波器模型分为分子部分和分母部分η代表学习率；对于背景感知相关滤波器模型的更新，先更新外观模型再将式(13)带入式(4)，求解当前帧背景感知相关滤波器模型更新卡尔曼滤波器；2、如果上述求得的峰值旁瓣比psr＜Q：不更新背景感知相关滤波器模型和尺度相关滤波器模型，运用卡尔曼滤波器估计行人的位置和尺寸，最后更新卡尔曼滤波器；步骤五、返回步骤四直到跟踪结束。本专利技术公开了一种基于背景感知相关滤波器的智能车辆前方行人跟踪方法，在背景感知相关滤波器的基础上，根据车辆前方行人运动的特点，建立了运动行人尺度快速估计和选择性模型更新的行人跟踪算法；首先，在线训练学习待跟踪行人的背景感知相关滤波器；其次，针对行人的尺度变化训练一个一维的尺度相关滤波器对尺度进行精细搜索，避免了传统算法仅对尺度进行粗略估计而无法适应车载的快速尺度变化的问题；最后，利用峰值旁瓣比评价行人状态，建立背景感知相关滤波器的选择性更新机制，使其能够处理短时遮挡等情况，增加了算法了鲁棒性。与现有技术相比本专利技术的有益效果是：1、本专利技术提出的基于背景相关滤波器的智能车辆前方行人跟踪方法，采用较为精细的尺度搜索算法，相比于传统行人跟踪算法更适用于无人驾驶等场景。2、在模型更新步骤中，采用选择性更新方法，能够处理短时遮挡等情况。附图说明图1是本专利技术所述的一种基于背景感知相关滤波器的智能车辆前方行人跟踪方本文档来自技高网...

【技术保护点】
1.一种基于背景感知相关滤波器的车载行人跟踪方法，其特征在于，步骤如下：步骤一、通过手动标定或通过行人检测器初始化所要跟踪的行人位置，用矩形框框定行人，矩形框的中心点位置代表行人中心位置，矩形框的尺寸代表行人的尺寸，用位置和尺寸作为参数初始化卡尔曼滤波器；步骤二、在步骤一选定的框定行人的矩形框的位置，训练背景感知相关滤波器；步骤三、在步骤一选定的框定行人的矩形框的位置，训练尺度相关滤波器；步骤四、利用训练好的背景感知相关滤波器和尺度相关滤波器在新一帧图像检测目标，并选择性更新背景感知相关滤波器和尺度相关滤波器；步骤五、返回步骤四直到跟踪结束。

【技术特征摘要】
1.一种基于背景感知相关滤波器的车载行人跟踪方法，其特征在于，步骤如下：步骤一、通过手动标定或通过行人检测器初始化所要跟踪的行人位置，用矩形框框定行人，矩形框的中心点位置代表行人中心位置，矩形框的尺寸代表行人的尺寸，用位置和尺寸作为参数初始化卡尔曼滤波器；步骤二、在步骤一选定的框定行人的矩形框的位置，训练背景感知相关滤波器；步骤三、在步骤一选定的框定行人的矩形框的位置，训练尺度相关滤波器；步骤四、利用训练好的背景感知相关滤波器和尺度相关滤波器在新一帧图像检测目标，并选择性更新背景感知相关滤波器和尺度相关滤波器；步骤五、返回步骤四直到跟踪结束。2.根据权利要求1所述的一种基于背景感知相关滤波器的车载行人跟踪方法，其特征在于：步骤二中所述训练背景感知相关滤波器，具体步骤如下：1)以一维信号为例，说明构造最优的背景感知相关滤波器的过程，求解背景感知相关滤波器的空域目标函数表示为：式中，y是输出响应，z是输入信号，h是传统的相关滤波器，L表示特征通道数，l表示第l个特征通道，T表示转置，M代表信号z的长度，B是大小为D×M的二值矩阵，Δτj代表将信号进行第j步循环移位，Bzl[Δτj]表示将长度为M的信号进行第j步循环移位后，截取其对应的D个元素，λ是正则项参数，||||表示求二范数；2)记则式(1)的频域表示为：式中，a代表了背景感知相关滤波器，∧代表离散傅里叶变换，F为傅里叶变换矩阵，IL为单位矩阵，代表克罗内克积，这里diag()表示构造对角矩阵；3)对式(2)的求解转化为优化求解和h*，这里*表示取共轭转置，应用增广拉格朗日方法和交替方向乘子法求解得到：式中：μ是惩罚因子，是频域的拉格朗日向量；a和ε分解成L个部分求解，即a＝{a1,a2,...aL}，ε＝{ε1,ε2,...εL}，这里其中l＝1,2...L；4)将分解为M个独立的解：其中m＝1,...,M，conj()表示取共轭，其中l＝1,2...L，3.根据权利要求1所述的一种基于背景感知相关滤波器的车载行人跟踪方法，其特征在于：步骤三中所述训练尺度相关滤波器，具体步骤如下：假设框定行人的矩形框的尺寸为P×R，所要训练的尺度相关滤波器...

【专利技术属性】
技术研发人员：李志慧，钟涛，赵永华，曲昭伟，宋现敏，胡永利，李海涛，
申请(专利权)人：吉林大学，
类型：发明
国别省市：吉林,22