【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。