【技术实现步骤摘要】
本专利技术涉及一种,属于图像模式识 别
。
技术介绍
计算机视觉目标跟踪领域普遍采用检测式跟踪架构,该架构通过生成少量的正负 样本在线训练分类器,将跟踪任务转化为检测任务。这是因为目标检测领域取得了重大进 展,分类器技术也被大量研究并不断取得进步,有效保证了跟踪的成功率。检测任务需要 对采集到的样本进行特征提取,以反映样本的特点,便能够进行样本分类和判别,传统的特 征提取方法需要依赖经验进行构造,K. H. Zhang等提出一种基于压缩感知的特征提取方法 (Compressive Tracking),通过将广义Haar特征与一系列多尺度滤波器卷积以保证特征 的多尺度性质,再利用随机稀疏高斯矩阵对特征进行降维以保证跟踪的实时效果。但广义 Haar特征存在对光照亮度、目标旋转敏感的特性,本专利技术使用LHOG特征改进特征提取的流 程,在保证实时性和稳定性的基础上,令目标跟踪算法能够适应低照度、目标旋转、光照变 化等各类容易引起目标丢失的场景。
技术实现思路
为了克服现有跟踪算法不能处理极端照度场景中目标跟踪的问题。本专利技术提出了 一种适合井下、夜间等特殊环境的基于梯度特征的目标实时跟踪方法,该方法利用LHOG进 行梯度特征提取,使提取后的特征包含了丰富的样本的统计信息,利用梯度特征对光照不 敏感的特性,使跟踪系统能够在昏暗环境中达到较高跟踪成功率。 本专利技术公开了一种,包括初始化阶 段和目标跟踪阶段,所述初始化阶段包括以下步骤: 1)在初始化时,计算稀疏采样矩阵 a)计算信号采样矩阵O ; ...
【技术保护点】
一种基于梯度特征的暗环境视频目标实时跟踪方法,其特征在于,包括初始化阶段和目标跟踪阶段,所述初始化阶段包括以下步骤: 1)在初始化时,计算稀疏采样矩阵 a)计算信号采样矩阵Φ; b)计算稀疏感知矩阵Ψ; c)计算稀疏采样矩阵Θ,其中Θ=Ψ·Φ; 2)创建一个由50个贝叶斯弱分类器级联而成的二分类朴素贝叶斯分类器H(x),每一个贝叶斯弱分类器hc(xc)都是基于表示标签为y=1的正样本和标签为y=0的负样本的两个正态分布其中(μy,c,σy,c)表示标签为y的第c维特征对应的贝叶斯弱分类器的正态判别曲线的参数值;所述目标跟踪阶段包括以下步骤: 1)视频图像中第k帧进行目标探测 a)以第k‑1帧跟踪到的目标Ok‑1为中心进行候选样本采集,在第k帧内采集到ny个欧氏距离满足的样本构成候选样本集合其中为候选样本搜索半径;b)计算包含全部候选样本z∈zy的最小矩形区域∪z(z∈zy),对该矩形区域图像片依次进行灰度化、l邻域LHOG编码、向量积分,最终得到向量积分图I; c)以稀疏采样矩阵Θ中的非零元素的对角线为标尺,用对角线减法从向量积分图I中提取每个候选样本z∈zy的压缩编码特征值x,有z→ ...
【技术特征摘要】
1. 一种基于梯度特征的暗环境视频目标实时跟踪方法,其特征在于,包括初始化阶段 和目标跟踪阶段,所述初始化阶段包括以下步骤: 1) 在初始化时,计算稀疏采样矩阵 a) 计算信号采样矩阵〇 ; b) 计算稀疏感知矩阵W ; c) 计算稀疏采样矩阵〇,其中〇 = W ?①; 2) 创建一个由50个贝叶斯弱分类器级联而成的二分类朴素贝叶斯分类器H(x),每一 个贝叶斯弱分类器匕〇〇都是基于表示标签为y = 1的正样本和标签为y = 0的负样本的,其中(U y,。,〇 y,。)表示标签为y的第c维特征对 应的贝叶斯弱分类器的正态判别曲线的参数值; 所述目标跟踪阶段包括以下步骤: 1) 视频图像中第k帧进行目标探测 a) 以第k-1帧跟踪到的目标CV1为中心进行候选样本采集,在第k帧内采集到ny个欧 氏距离满足OSlI Z-Oyir2 Sr;的样本构成候选样本集合5 = {z I OSlI其 中<为候选样本搜索半径; b) 计算包含全部候选样本z e Zy的最小矩形区域U z (z e Zy),对该矩形区域图像片 依次进行灰度化、1邻域LHOG编码、向量积分,最终得到向量积分图I ; c) 以稀疏采样矩阵?中的非零元素的对角线为标尺,用对角线减法从向量积分图I中 提取每个候选样本z G Zy的压缩编码特征值X,有Z - X (z G Zy); d) 对包含ny个...
【专利技术属性】
技术研发人员:孙继平,杜东璧,
申请(专利权)人:中国矿业大学北京,
类型:发明
国别省市:北京;11
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。