The invention discloses a target tracking method based on target saliency characteristics, which includes the following steps: S1, initialization of tracking target discrimination model M1 and detection target discrimination model G1 based on the first frame; S2, framing detection area for the first t (t >= 2) frame; S3, HOG of detection area and foreground probability characteristics; S4, determination of target location P1 according to Mt 1; S5, and pairing of P1. Tracking results and the maximum confidence of foreground probability are discriminated; S6, if both confidence levels are greater than threshold A and B, then P1 is the result, then S2 is the result, otherwise S7; S7, start detector detects another target position P2; S8, calculate P1 and P2 tracking confidence, as the final result; S9, update the discriminant model Gt and MT, then transfer S2 to sequence tracking. The invention can robustly track most scene targets.
【技术实现步骤摘要】
一种基于目标显著性特征的目标跟踪方法
本专利技术涉及计算机视觉与图像处理
,具体涉及一种基于目标显著性特征的目标跟踪方法。
技术介绍
作为计算机视觉领域的热点之一,目标跟踪在军事、智能交通等领域都得到了广泛应用,比如:无人机中的摄像头的自动跟踪技术、交通系统中的车牌跟踪、人机交互系统中的手势跟踪等。此外,在安防领域,目标跟踪也可以辅助人们完成很多工作。人们都知道现在城市里面的每个角落基本都有一只“天眼”在看着大家的所作所为。一旦发生偷盗,拐卖等案件后,目标跟踪可以辅助办案人员对可疑人员进行追踪进而快速锁定目标。在军事领域,对敌方导弹以及战机的追踪可以辅助国防系统进行精准制导,还可以监视敌方战舰等目标物的一举一动。目标跟踪是最具有挑战性的计算机视觉问题之一,在没有目标的先验信息的前提下利用同一个算法对任意物体实现准确跟踪。所以目标跟踪算法的重点集中在鲁棒的表观特征的设计,基于表观模型的目标跟踪算法,大抵可以划分为两大种类:一种为生成式跟踪模型,另一种为判别式跟踪模型。随着卷积神经网络和相关滤波器在跟踪方面的成功应用,判别式的表观模型越来越受到大家的青睐。判别式的跟踪方法是将跟踪目标和背景看成两种类别的事物,跟踪算法要做的就是学习出分类器对当前的目标和背景做出准确的分类。近几年的跟踪算法主要集中在深度卷积神经网络以及相关滤波器两个方面的扩展以及结合上。
技术实现思路
本专利技术的目的是为了对遮挡等跟踪挑战问题的解决提供一种思路,其中现有的跟踪框架缺少对长期目标跟踪的思考,提供一种基于目标显著性特征的目标跟踪方法,有利于提高跟踪的鲁棒性和精确度。本专利技术的目 ...
【技术保护点】
1.一种基于目标显著性特征的目标跟踪方法,其特征在于,所述的目标跟踪方法包括下列步骤:S1、通过视频序列中标定的第一帧对目标位置进行初始化并提取特征进行跟踪目标判别模型M1和检测目标判别模型G1初始化;S2、从第二帧开始,对于第t帧,依据上一帧的目标位置进行检测区域的框定,其中,t>=2;S3、提取检测区域的HOG以及前景概率特征,获取增强型目标特征;S4、依据跟踪目标判别模型Mt‑1,获得新一帧检测区域的置信度图,确定出目标位置区域P1;S5、依据目标位置区域P1对跟踪结果的最大置信度以及前景概率的最大置信度进行判别;S6、若跟踪结果的置信度以及前景概率的最大置信度同时大于阈值A和阈值B,则将步骤S4中的目标位置区域P1作为最终的目标跟踪结果,若不满足则执行步骤S7;S7、启动孪生卷积神经网络为检测器对目标检测区域中的目标进行检测得到另一个目标位置区域P2;S8、依据检测目标位置区域P1和目标位置区域P2进行跟踪置信度的对比,选择置信度较高的一个作为最终的结果;S9、依据各自的更新规则对跟踪目标判别模型Gt和检测目标判别模型Mt进行模型更新,然后跳转到步骤S2,进行接下来图片帧 ...
【技术特征摘要】
1.一种基于目标显著性特征的目标跟踪方法,其特征在于,所述的目标跟踪方法包括下列步骤:S1、通过视频序列中标定的第一帧对目标位置进行初始化并提取特征进行跟踪目标判别模型M1和检测目标判别模型G1初始化;S2、从第二帧开始,对于第t帧,依据上一帧的目标位置进行检测区域的框定,其中,t>=2;S3、提取检测区域的HOG以及前景概率特征,获取增强型目标特征;S4、依据跟踪目标判别模型Mt-1,获得新一帧检测区域的置信度图,确定出目标位置区域P1;S5、依据目标位置区域P1对跟踪结果的最大置信度以及前景概率的最大置信度进行判别;S6、若跟踪结果的置信度以及前景概率的最大置信度同时大于阈值A和阈值B,则将步骤S4中的目标位置区域P1作为最终的目标跟踪结果,若不满足则执行步骤S7;S7、启动孪生卷积神经网络为检测器对目标检测区域中的目标进行检测得到另一个目标位置区域P2;S8、依据检测目标位置区域P1和目标位置区域P2进行跟踪置信度的对比,选择置信度较高的一个作为最终的结果;S9、依据各自的更新规则对跟踪目标判别模型Gt和检测目标判别模型Mt进行模型更新,然后跳转到步骤S2,进行接下来图片帧的目标跟踪。2.根据权利要求1所述的一种基于目标显著性特征的目标跟踪方法,其特征在于,所述的步骤S1过程如下:S11、给定一系列视频帧,在第一帧中框定出所要跟踪的目标以及位置信息,即宽高和中心点坐标;S12、根据目标的初始位置截取兴趣区域生成到目标的初始类别,并且将目标兴趣区域作为该初始类别的类别中心;S13、利用第一帧的信息对跟踪目标判别模型M1和检测目标判别模型G1初始化。3.根据权利要求1所述的一种基于目标显著性特征的目标跟踪方法,其特征在于,所述的步骤S2过程如下:S21、从第t帧图像开始,利用上一帧的跟踪结果确定出目标区域的大小w×h,其中w、h分别是指框定出的目标区域的宽度以及高度;S22、框定出以中心位置为中心,宽高大小为(w+k)×(h+k)的当前帧图像的目标检测区域:k=α*(w+h)/2其中α为可调整参数,k为检测区域的扩展系数;S23、其中将目标中心周围(w-k)×(h-k)所框定的区域用Zf表示,代表前景区域,在每帧中划定的目标区域与(w+k)×(h+k...
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。