一种复杂红外地面环境下的稳定目标跟踪方法技术

本发明专利技术公开了一种复杂红外地面环境下的稳定目标跟踪方法，包括：获取红外视频中初始帧的目标信息以及周边背景信息初始化相关滤波器、分类器和检测器；根据上一帧的目标位置在下一帧搜索区域进行相关响应置信度以及遮挡阈值的计算，返回目标的粗定位；如果阈值满足遮挡条件，则重新计算缩减区域后的相关响应置信度，再对背景区域响应置信度进行惩罚，并返回该帧的目标最大响应值的目标位置和尺度，完成目标的精定位；更新全部模型参数；如果目标丢失，则使用检测器进行全局检索，找到目标更新全部模型参数返回目标位置。本发明专利技术能有效解决红外地面环境下对目标的长期稳定跟踪难题，具有较高的跟踪准确性和鲁棒性。

A Stable Target Tracking Method in Complex Infrared Ground Environment

【技术实现步骤摘要】
一种复杂红外地面环境下的稳定目标跟踪方法
本专利技术涉及目标跟踪
，具体涉及一种复杂红外地面环境下的稳定目标跟踪方法。
技术介绍
红外成像系统主要运用相关光电技术去检测物体热辐射的相关定波段信号，不仅仅应用于安防监控、机器人以及人机交互等领域，还广泛应用于军事领域中。目标跟踪技术在近些年取得极大的进步，但还存在着红外地面图像的低信噪比问题，以及目标跟踪过程中的外观形变、强相似背景干扰以及遮挡等因素造成的跟踪鲁棒性差问题，这些都是目标跟踪技术进一步发展所需要解决的关键问题。目前目标跟踪模式主要分为：生成模式、判别模式和基于深度学习三种。生成类算法是对当前帧目标区域图像建模，在下一帧图像中寻找与模型最相似的区域作为预测目标位置，比较典型的有卡尔曼滤波，粒子滤波，mean-shift滤波等。判别类算法则是以目标区域图像作为正样本，背景区域图像作为负样本，训练得到分类器模型，在下一帧图像中根据训练得到的分类器计算最优区域作为预测目标位置，比较典型的有多示例学习方法(multipleinstancelearning)和结构SVM(structuredSVM)等。与生成类算法的主要区别在于，判别类算法在训练分类器中增加了背景信息，因此判别类算法普遍优于生成类算法；比较经典的有TLD(Tracking-Learning-Dectection)算法和LCT(Long-termCorrelationTracking)算法等。近年来，比较主流的算法一类是基于相关滤波的跟踪算法(CorrelationFilterbasedTracking,CFT)，它们具有精度高、速度快、鲁棒性好等特点。CFT算法通过将输入特征回归为目标高斯分布来训练滤波分类器，在下一帧图像中利用相关滤波计算响应矩阵，将其中响应最大值的位置返回为预测的目标位置。由于利用循环矩阵和快速傅里叶变换的特性，实现计算速度的大幅提升，其中早期CF算法中的单通道灰度特征的相关滤波MOSSE(MinimumOutputSumofSquaredError)算法速度达到了615FPS，后续的KCF(KernelizedCorrelationFilters)算法在MOSSE的基础上引入了多通道梯度的HOG特征和核函数，DSST(DiscriminativeScaleSpaceTracking)算法则在MOSSE基础上增加了尺度计算估计，利用两个相对独立的相关滤波器可以分别实现目标的跟踪和尺度变换。然而，基于相关滤波的目标跟踪算法由于只返回响应矩阵最大值位置和固定的学习率，因而在应对长期跟踪过程中发生的外观快速变形、相似背景干扰和目标遮挡等情况时，容易导致漂移。基于深度学习的目标跟踪算法，因其稳定的目标特征和CFT层的整合，带来堪比相关滤波的性能，近些年发展迅速，典型的算法有CFCF等。但这些算法都还存在一些缺点，比如说：TLD算法虽然能够一定程度上解决跟踪器的模型漂移问题，但当目标被严重遮挡时，检测器和跟踪器跟踪目标均丢失，进而造成检测器全局检索巨大耗时；同时基于光流法的跟踪器，在目标运动幅度过大或发生大尺度形变时，也易丢失目标。KCF算法也存在着不足：目标快速运动边界效应造成的目标无法跟踪，只返回响应矩阵最大值位置，当响应矩阵出现多峰值时，真实跟踪目标位置可能在非全局最大值外的极大值处；跟踪目标的尺度变化适应性差；采用固定学习率，目标发生形变或者遮挡时会发生跟踪漂移。
技术实现思路
为了解决复杂地面环境下的红外目标长期稳定跟踪，克服跟踪过程中的相似背景或目标干扰、目标遮挡以及目标脱离跟踪视野等情况，本专利技术提供了一种复杂红外地面环境下的稳定目标跟踪方法。本专利技术通过下述技术方案实现：一种复杂红外地面环境下的稳定目标跟踪方法，包括以下步骤：步骤一、获取红外视频中初始帧红外图像的目标信息以及背景信息，初始化相关滤波器、分类器和检测器；步骤二、根据第t-1帧红外图像的目标位置在第t帧红外图像的搜索区域进行相关响应置信度以及遮挡检测值的计算，返回目标的粗定位；根据遮挡检测值，进行遮挡检测：如果遮挡检测值满足遮挡条件，则重新计算缩减区域后的相关响应置信度，再对背景区域响应置信度进行惩罚，并返回该帧红外图像的目标最大响应值的目标位置和尺度，完成目标的精定位；更新相关滤波器、分类器和检测器的参数；如果目标丢失，则采用检测器进行全局搜索，找到目标更新相关滤波器、分类器和检测器的参数并返回目标位置。优选的，所述步骤一具体包括以下步骤：步骤1.1，载入含有目标的红外视频，获取第一帧红外图像，并确定第一帧红外图像中的目标区域S1；步骤1.2，在目标区域S1提取亮度直方图特征，训练亮度直方图模型，将目标区域S1放大1.5～2.5倍得到训练区域S2，对训练区域S2进行循环移位构造正负样本特征集，用于训练相关滤波器和尺度滤波器；步骤1.3，在目标区域S1和训练区域S2分别进行正负样本提取，建立正负样本特征集，用于训练分类器和检测器。优选的，所述步骤1.2还包括：步骤1.2.1，首先在目标区域S1提取亮度直方图特征，训练亮度模型；步骤1.2.2，扩大目标区域S1到1.5～2.5倍得到训练区域S2，在训练区域S2提取HOG特征，对提取的矩阵加上余弦窗，并进行循环移位，得到正负样本特征集，相关滤波模型：其岭回归解为：将其转换到频域，则有其中，A0为目标区域，Ai为目标周边的背景区域，少为样本特征集通过训练得到的模型计算后回归值，λ为超参数，a为一个N×1的矢量；通过正负样本特征集和相关滤波模型，训练相关滤波器；步骤1.2.3，在步骤1.2.2的基础上，在目标区域S1，抽取s层PCA-HOG特征金字塔，取s＝33尺度进行分析，且每个尺度系数n提取的区域大小为μnP×μnR。其中，μ为各个特征层间的比例系数，n取值范围是：提取尺度后，将其归一化到固定尺寸，训练尺度滤波器。优选的，所述步骤1.3还包括：步骤1.3.1，在目标区域S1及训练区域S2提取正负样本p；并建立正负样本特征集M；其中，步骤1.3.2，通过上述建立的特征集M来训练分类器和检测器。优选的，所述步骤二具体包括以下步骤：步骤2.1，获取第t帧需要跟踪的红外图像，并将第t-1帧红外图像目标区域S1扩大2倍形成检测区域D1，使用步骤一初始化的相关滤波器模型计算D1区域的相关响应置信度矩阵resp_cf和S1区域的相关响应置信度矩阵resp_cf_o，然后计算出遮挡检测值UPCE；步骤2.2，通过遮挡检测值UPCE检测目标是否被遮挡，若被遮挡，则缩小检测区域D1，重新计算上一帧目标区域S1的响应，并对背景区域D2的相关响应置信度进行惩罚，然后返回修正后的目标相关响应置信度；步骤2.3，如果目标相关响应置信度满足UPCE＞Th，则提取目标区域亮度直方图特征，计算亮度直方图的相关置信度resp_hist，并融合亮度直方图和HOG两种特征的响应结果，同时在该位置下找到最优尺度，并返回该目标位置和尺度；并更新相关滤波器、检测器和分类器的参数；步骤2.4，如果提取的HOG特征和亮度直方图特征通过相关模型计算的置信度值满足条件：UPCE＜Th，即出现目标被严重遮挡或目标脱离视野区域，则执行再检测机制找到目标，调用检测器进行图像全局检测，直到检测目标成功即找本文档来自技高网...

【技术保护点】
1.一种复杂红外地面环境下的稳定目标跟踪方法，其特征在于，包括以下步骤：步骤一、获取红外视频中初始帧红外图像的目标信息以及背景信息，初始化相关滤波器、分类器和检测器；步骤二、根据第t‑1帧红外图像的目标位置在第t帧红外图像的搜索区域进行相关响应置信度以及遮挡检测值的计算，返回目标的粗定位；根据遮挡检测值，进行遮挡检测：如果遮挡检测值满足遮挡条件，则重新计算缩减区域后的相关响应置信度，再对背景区域响应置信度进行惩罚，并返回该帧红外图像的目标最大响应值的目标位置和尺度，完成目标的精定位；更新相关滤波器、分类器和检测器的参数；如果目标丢失，则采用检测器进行全局搜索，找到目标更新相关滤波器、分类器和检测器的参数并返回目标位置。

【技术特征摘要】
1.一种复杂红外地面环境下的稳定目标跟踪方法，其特征在于，包括以下步骤：步骤一、获取红外视频中初始帧红外图像的目标信息以及背景信息，初始化相关滤波器、分类器和检测器；步骤二、根据第t-1帧红外图像的目标位置在第t帧红外图像的搜索区域进行相关响应置信度以及遮挡检测值的计算，返回目标的粗定位；根据遮挡检测值，进行遮挡检测：如果遮挡检测值满足遮挡条件，则重新计算缩减区域后的相关响应置信度，再对背景区域响应置信度进行惩罚，并返回该帧红外图像的目标最大响应值的目标位置和尺度，完成目标的精定位；更新相关滤波器、分类器和检测器的参数；如果目标丢失，则采用检测器进行全局搜索，找到目标更新相关滤波器、分类器和检测器的参数并返回目标位置。2.根据权利要求1所述的一种复杂红外地面环境下的稳定目标跟踪方法，其特征在于，所述步骤一具体包括以下步骤：步骤1.1，载入含有目标的红外视频，获取第一帧红外图像，并确定第一帧红外图像中的目标区域S1；步骤1.2，在目标区域S1提取亮度直方图特征，训练亮度直方图模型，将目标区域S1放大1.5～2.5倍得到训练区域S2，对训练区域S2进行循环移位构造正负样本特征集，用于训练相关滤波器和尺度滤波器；步骤1.3，在目标区域S1和训练区域S2分别进行正负样本提取，建立正负样本特征集，用于训练分类器和检测器。3.根据权利要求2所述的一种复杂红外地面环境下的稳定目标跟踪方法，其特征在于，所述步骤1.2还包括：步骤1.2.1，首先在目标区域S1提取亮度直方图特征，训练亮度模型；步骤1.2.2，扩大目标区域S1到1.5～2.5倍得到训练区域S2，在训练区域S2提取HOG特征，对提取的矩阵加上余弦窗，并进行循环移位，得到正负样本特征集，相关滤波模型：其岭回归解为：将其转换到频域，则有其中，A0为目标区域，Ai为目标周边的背景区域，y为样本特征集通过训练得到的模型计算后回归值，λ为超参数，a为一个N×1的矢量；通过正负样本特征集和相关滤波模型，训练相关滤波器；步骤1.2.3，在步骤1.2.2的基础上，在目标区域S1，抽取s层PCA-HOG特征金字塔，取s＝33尺度进行分析，且每个尺度系数n提取的区域大小为μnP×μnR。其中，μ为各个特征层间的比例系数，n取值范围是：提取尺度后，将其归一化到固定尺寸，训练尺度滤波器。4.根据权利要求2所述的一种复杂红外地面环境下的稳定目标跟踪方法，其特征在于，所述步骤1.3还包括：步骤1.3.1，在目标区域S1及训练区域S2提取正负样本p；并建立正负样本特征集M；其中，步骤1.3.2，通过上述建立的特征集M来训练分类器和检测器。5.根据权利要求1-4任一项所述的一种复杂红外地面环境下的稳定目标跟踪方法，其特征在于，所述步骤二具体包括以下步骤：步骤2.1，获取第t帧需要跟踪的红外图像，并将第t-1帧红外图像目标区域S1扩大2倍形成检测区域D1，使用步骤一初始化的相关滤波器模型计算D1区域的相关响应置信度矩阵resp_cf和S1区域的相关响应置信度矩阵resp_cf_o，然后计算出遮挡检测值UPCE；步骤2.2，通过遮挡检测值UPCE检测目标是否被遮挡，若被遮挡，则缩小检测区域D1，重新计算上一帧目标区域S1的响应，并对背景区域D2的相关响应置信度进行惩罚，然后返回修正后的目标相关响应置信度；步骤2.3，如果目标相关响应置信度满足UPCE＞Th，则提取目标区域亮度直方图特征，计算亮度直方图的相关置信度resp_hist，并融合亮度直方图和HOG两种特征的响应结果，同时在该位置...

【专利技术属性】
技术研发人员：邓博，吕坚，阙隆成，秦筝，卢云龙，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51