一种目标定位处理方法及装置制造方法及图纸

本发明专利技术提供了一种目标定位处理方法及装置，其中，该方法包括：对输入的图像序列中目标所在区域进行多层卷积特征提取；基于联合稀疏表示的卷积特征筛选策略对提取的多层卷积特征进行筛选，得到目标外观模型；根据所述目标外观模型对所述目标进行定位，可以解决相关技术中在复杂环境下跟踪效果差的问题，可以实现复杂环境下对运动目标的鲁棒跟踪，实现了更为准确的跟踪效果。

A Target Location Processing Method and Device

【技术实现步骤摘要】
一种目标定位处理方法及装置
本专利技术涉及通信领域，具体而言，涉及一种目标定位处理方法及装置。
技术介绍
视觉目标跟踪作为计算机视觉领域的重要分支，是为了模拟人眼在目标运动估计以及跟踪方面的能力，广泛应用于智能监控、辅助驾驶、人机交互、智能交通系统以及机器人视觉导航等生活中的各个方面。同时，目标跟踪在军事领域也具有非常重要的应用前景，包括无人机自主导航以及成像制导系统。视觉目标跟踪作为连接底层的信息处理技术到高层的信息内容分析的桥梁，在计算机视觉系统中发挥着承上启下的重要作用，因此成为兼具学术意义和应用价值的研究热点。近年来，结合卷积神经网络(ConvolutionalNeuralNetworks，简称为CNN)特征与相关滤波的跟踪算法因其出色的定位精度成为视觉目标跟踪领域的热门研究方向。算法首先以给定目标位置为中心生成一个搜索框区域，基于搜索框区域内提取出的特征学习一个自适应的相关滤波器；在接下来的跟踪序列中，将相关滤波器响应最大值的坐标用于目标定位，并使用最新获得的目标区域对相关滤波器的参数进行更新。现有技术中公开了一种基于多通道特征的高速相关滤波目标跟踪方法。该方案使用方向梯度直方图(HistogramofOrientedGradient，简称为HOG)、CN、角点三种特征通道加权融合构建目标外观模型，其中HOG特征用于克服由光照变化导致的目标特征提取受到干扰的问题，CN特征用于克服由目标尺度变换导致的纹理信息剧烈变化的问题，角点特征用于克服目标被部分遮挡导致的目标跟踪丢失问题。基于最大峰值比(MPR)动态调整多特征的权值系数，即自适应调节某种环境因素下某特征通道的主导地位。基于多通道特征的高速相关滤波目标跟踪方法使用HOG、CN和角点特征对目标外观进行描述，此类传统特征容易受到环境变化的影响，在复杂环境下的跟踪效果不佳。针对相关技术中在复杂环境下的跟踪效果不佳的问题，尚未提出解决方案。
技术实现思路
本专利技术实施例提供了一种目标定位处理方法及装置，以至少解决相关技术中在复杂环境下的跟踪效果不佳的问题。根据本专利技术的一个实施例，提供了一种目标定位处理方法，包括：对输入的图像序列中目标所在区域进行多层卷积特征提取；基于联合稀疏表示的卷积特征筛选策略对提取的多层卷积特征进行筛选，得到目标外观模型；根据所述目标外观模型对所述目标进行定位。可选地，对输入的图像序列中目标所在区域进行多层卷积特征提取包括：对于所述图像序列，将每一帧获得的目标所在区域向各个方向分别扰动若干个像素，得到多个图像区域；将所述多个图像区域归一化到相同的尺寸，得到K个目标样本，其中，K为大于1的整数；对所述K个目标样本进行特征提取；对于每一层，将提取出的特征按列存放构成特征图矩阵。可选地，基于联合稀疏表示的卷积特征筛选策略对提取的多层卷积特征进行筛选包括：通过在每一层卷积层的输出中滤除不相关的卷积特征和干扰的卷积特征的方式进行特征筛选。可选地，通过在每一层卷积层的输出中滤除不相关的卷积特征和干扰的卷积特征的方式进行特征筛选包括：基于二维高斯分布对所述K个目标样本中的每一个目标样本生成一个前景模板yk：yk＝Fk·ck∈Rd×1Fk∈Rd×Mck∈RM×1，其中，Fk为所述特征图矩阵，ck为系数向量，k表示目标样本序号,k＝1,…,K，R为实数域，d表示特征维度，M表示特征通道数，K、M均为大于1的整数；通过以下方式对所述K个目标样本进行稀疏约束：C＝[c1,...,cK]∈RM×K其中，p＝1,q＝2，C表示联合稀疏表示系数矩阵，u用于平衡重构误差与行稀疏约束之间的重要性；第m个特征通道与目标外观模型的相关性为Cm为联合稀疏表示系数矩阵C的第m行；将所述相关性最大的N个特征通道确定为所述目标外观模型，其中，为筛选后的N个特征通道在所述特征图矩阵Fk中列序号的集合，为所述N个特征通道的相关性集合，N为大于1的整数，N小于M。可选地，所述方法还包括：对所述目标外观模型按照预先设置的条件进行更新。可选地，对所述目标外观模型按照预先设置的条件进行更新包括：对最新获取的目标所在区域进行多层卷积特征提取；对提取的多层卷积特征按照序号集合进行筛选，并将筛选出的特征按列存放构成矩阵Fs∈Rd×N；确定特征集合的置信度l为：其中，r表示相关性集合r∈RN×1，参数Γ表示正则因子，参数α用于控制高斯核形状；在所述置信度l小于预先设定的阈值的情况下，对所述目标外观模型进行更新。可选地，根据所述目标外观模型对所述目标进行定位包括：对每一层筛选后的卷积特征学习一个自适应的相关滤波器；融合多个相关滤波器的响应图对所述目标进行定位。根据本专利技术的另一个实施例，还提供了一种目标定位处理装置，包括：提取模块，用于对输入的图像序列中目标所在区域进行多层卷积特征提取；筛选模块，用于基于联合稀疏表示的卷积特征筛选策略对提取的多层卷积特征进行筛选，得到目标外观模型；定位模块，用于根据所述目标外观模型对所述目标进行定位。可选地，所述提取模块，还用于对于所述图像序列，将每一帧获得的目标所在区域向各个方向分别扰动若干个像素，得到多个图像区域；将所述多个图像区域归一化到相同的尺寸，得到K个目标样本，其中，K为大于1的整数；对所述K个目标样本进行特征提取；对于每一层，将提取出的特征按列存放构成特征图矩阵。可选地，所述筛选模块，还用于通过在每一层卷积层的输出中滤除不相关的卷积特征和干扰的卷积特征的方式进行特征筛选。可选地，所述筛选模块包括：生成单元，用于基于二维高斯分布对所述K个目标样本中的每一个目标样本生成一个前景模板yk：yk＝Fk·ck∈Rd×1Fk∈Rd×Mck∈RM×1，其中，Fk为所述特征图矩阵，ck为系数向量，k表示目标样本序号,k＝1,…,K，R为实数域，d表示特征维度，M表示特征通道数，K、M均为大于1的整数；约束单元，用于通过以下方式对所述K个目标样本进行稀疏约束：C＝[c1,...,cK]∈RM×K其中，p＝1,q＝2，C表示联合稀疏表示系数矩阵，u用于平衡重构误差与行稀疏约束之间的重要性；第m个特征通道与目标外观模型的相关性为Cm为联合稀疏表示系数矩阵C的第m行；确定单元，用于将所述相关性最大的N个特征通道确定为所述目标外观模型，其中，为筛选后的N个特征通道在所述特征图矩阵Fk中列序号的集合，为所述N个特征通道的相关性集合，N为大于1的整数，N小于M。可选地，所述装置还包括：更新模块，用于对所述目标外观模型按照预先设置的条件进行更新。可选地，所述更新模块包括：提取单元，用于对最新获取的目标所在区域进行多层卷积特征提取；对提取的多层卷积特征按照序号集合进行筛选，并将筛选出的特征按列存放构成矩阵Fs∈Rd×N；确定特征集合的置信度l为：其中，r表示相关性集合r∈RN×1，参数Γ表示正则因子，参数α用于控制高斯核形状；在所述置信度l小于预先设定的阈值的情况下，对所述目标外观模型进行更新。可选地，所述定位模块，还用于对每一层筛选后的卷积特征学习一个自适应的相关滤波器；融合多个相关滤波器的响应图对所述目标进行定位。根据本专利技术的又一个实施例，还提供了一种存储介质，所述存储介质中存储有计算机程序，其中，所述计算机程序被设置为运行时执行上述任一项方法实施例中的步骤。根据本专利技术的本文档来自技高网...

【技术保护点】
1.一种目标定位处理方法，其特征在于，包括：对输入的图像序列中目标所在区域进行多层卷积特征提取；基于联合稀疏表示的卷积特征筛选策略对提取的多层卷积特征进行筛选，得到目标外观模型；根据所述目标外观模型对所述目标进行定位。

【技术特征摘要】
1.一种目标定位处理方法，其特征在于，包括：对输入的图像序列中目标所在区域进行多层卷积特征提取；基于联合稀疏表示的卷积特征筛选策略对提取的多层卷积特征进行筛选，得到目标外观模型；根据所述目标外观模型对所述目标进行定位。2.根据权利要求1所述的方法，其特征在于，对输入的图像序列中目标所在区域进行多层卷积特征提取包括：对于所述图像序列，将每一帧获得的目标所在区域向各个方向分别扰动若干个像素，得到多个图像区域；将所述多个图像区域归一化到相同的尺寸，得到K个目标样本，其中，K为大于1的整数；对所述K个目标样本进行特征提取；对于每一层，将提取出的特征按列存放构成特征图矩阵。3.根据权利要求2所述的方法，其特征在于，基于联合稀疏表示的卷积特征筛选策略对提取的多层卷积特征进行筛选包括：通过在每一层卷积层的输出中滤除不相关的卷积特征和干扰的卷积特征的方式进行特征筛选。4.根据权利要求3所述的方法，其特征在于，通过在每一层卷积层的输出中滤除不相关的卷积特征和干扰的卷积特征的方式进行特征筛选包括：基于二维高斯分布对所述K个目标样本中的每一个目标样本生成一个前景模板yk：yk＝Fk·ck∈Rd×1Fk∈Rd×Mck∈RM×1，其中，Fk为所述特征图矩阵，ck为系数向量，k表示目标样本序号,k＝1,…,K，R为实数域，d表示特征维度，M表示特征通道数，K、M均为大于1的整数；通过以下方式对所述K个目标样本进行稀疏约束：C＝[c1,…,cK]∈RM×K其中，p＝1,q＝2，C表示联合稀疏表示系数矩阵，u用于平衡重构误差与行稀疏约束之间的重要性；第m个特征通道与目标外观模型的相关性为Cm为联合稀疏表示系数矩阵C的第m行；将所述相关性最...

【专利技术属性】
技术研发人员：张海涛，马子昂，卢维，殷俊，张兴明，
申请(专利权)人：浙江大华技术股份有限公司，
类型：发明
国别省市：浙江,33