The invention discloses an adaptive real-time tracking method based on on on-line sample mining. The maximum response value obtained by convolution of extracted samples and filters is used to judge the availability of samples, reduce the interference of error samples, classify samples by using Gauss mixture model to improve the diversity of sample sets, and obtain a high-quality and diverse training sample set to avoid modules. Type drift. Unlike the strategy of updating every frame adopted by most tracking methods based on correlation filters, the present invention proposes an adaptive model updating strategy, which takes the target scale and displacement change as the judgment criterion of model updating. The strategy can maintain the stability of the model and prevent over-fitting.
【技术实现步骤摘要】
一种基于在线样本挖掘的自适应实时跟踪方法
本专利技术属于计算机视觉领域,具体涉及一种基于在线样本挖掘的自适应跟踪系统。
技术介绍
运动目标跟踪是计算机视觉研究中的热门之一,在公共安全、军事等领域有着广泛的应用。目标跟踪的主要任务是在连续的视频序列中,已知目标在第一帧图像中的位置,能够准确计算出后续图像中目标的位置。在运动过程中,目标会存在形状的变化、尺度的变化、背景遮挡或光线亮度的变化等。因此,目标跟踪算法的研究主要围绕着解决这些变化和具体的应用展开。基于深度学习和基于滤波器是目前跟踪算法研究的主流方向。基于深度学习和基于滤波器是目前跟踪算法研究的主流方向。基于深度学习的跟踪方法在跟踪的鲁棒性方面表现优异,这源于深度卷积神经网络强大的表征学习能力和特征泛化能力,但是跟踪性能很大程度上依赖于训练数据的数量和质量,且庞大的计算量很难满足跟踪的实时性。基于相关滤波器的跟踪方法利用传统特征和快速的在线样本学习,计算效率高,但在快速运动,快速形变,背景干扰,遮挡情况下跟踪效果不佳。例如在背景干扰、遮挡情况下由于背景污染了正样本使得滤波器容易学习到错误样本,一旦学习过多的错误样本就会造成模型漂移。除此之外,大部分基于相关滤波器的跟踪方法采取的是保留新样本舍弃旧样本的策略,这使得样本集不具有全面性,使得滤波器分辨能力较差。不管基于深度学习的方法还是基于相关滤波器的方法都依赖于对训练样本的训练和学习,所以优质的在线样本对于跟踪模型来说尤为重要。随着目标的运动和场景的变化,尤其对于长时间的目标跟踪来说,恰当的模型更新策略是必要的。由此发现在线训练样本的挖掘和合理的模型更新策 ...
【技术保护点】
1.一种基于在线样本挖掘的自适应实时跟踪方法,其特征在于,包括以下步骤:一、输入目标初始位置P0和初始尺度S0,设置窗口和调节尺度因子;二、根据第f‑1帧的目标位置Pf‑1提取待处理图片If;三、计算待处理图片If的HOG特征xf,将xf乘以窗口并进行快速傅里叶变化得到待检测样本
【技术特征摘要】
1.一种基于在线样本挖掘的自适应实时跟踪方法,其特征在于,包括以下步骤:一、输入目标初始位置P0和初始尺度S0,设置窗口和调节尺度因子;二、根据第f-1帧的目标位置Pf-1提取待处理图片If;三、计算待处理图片If的HOG特征xf,将xf乘以窗口并进行快速傅里叶变化得到待检测样本四、将待检测样本与滤波器进行卷积,获得估算的目标位置Pf、尺度Sf以及最大检测分数score;五、根据估算的目标位置Pf提取新的样本,利用最大检测分数score判断该样本是否为有用样本,当判断样本为可用样本后,采用在线更新算法更新高斯混合模型,得到在线训练样本集六、采用自适应的模型更新策略,更新滤波器2.根据权利要求1所述的基于在线样本挖掘的自适应实时跟踪方法,其特征在于:步骤五中高斯混合模型根据样本特征进行高斯混合建模得到:式中,M表示组件的个数,πl是组件l的权重,μl∈(0~1)表示平均值,I表示协方差矩阵。3.根据权利要求1所述的基于在线样本挖掘的自适应实时跟踪方法,其特征在于:步骤五中采用在线更新算法更新高斯混合模型包括替换和合并。4.根据权利要求3所述的基于在线样本挖掘的自适应实时跟踪方法,其特征在于:采用替换方式更新高斯混合模型即将权值小于阈值的组件替换成新的组件。5.根据权利要求3所述的基于在线样本挖掘的自适应实时跟踪方...
【专利技术属性】
技术研发人员:韩静,柏连发,张毅,褚秀秀,陈霄宇,黄永豪,秦一童,
申请(专利权)人:南京理工大学,
类型:发明
国别省市:江苏,32
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。