一种基于快速特征金字塔的车辆多尺度跟踪方法技术

技术编号:12581003 阅读:113 留言:0更新日期:2015-12-23 19:21
本发明专利技术提供一种基于快速特征金字塔的车辆多尺度跟踪方法,使用聚合通道特征ACF特征,使用快速特征金字塔来逼近相邻尺度上的特征,从而快速计算不同尺度上的跟踪结果。聚合通道特征将车辆图像L、U、V通道求取梯度图像,得到梯度通道;级联这些通道特征形成ACF特征。快速金字塔是通过统计的思想将原特征图进行缩放逼近,根据各个通道缩放之间的能量统计关系,可以有原尺度上的图像直接计算得到缩放之后尺度上的图像。基于聚合通道特征的车辆跟踪不仅利用了多个通道的全局信息,而且在每个通道上也充分利用了车辆的局部信息,提高了车辆跟踪的鲁棒性;并且利用快速特征金字塔实现了跟踪的多尺度,并保证了跟踪的实时性。

【技术实现步骤摘要】

本专利技术属于数字图像处理技术,特别涉及计算机视觉识别技术。 技术背景 随着经济技术的不断发展,科技水平的不断提高,人们的生活质量也相应发生翻 天覆地的变化。近年来随着机器视觉技术的发展,机器视觉在智能交通系统中得到了广泛 的应用,如交通事件及流量的监测、路面病害检测以及智能车辆的自动导航等。作为智能 交通系统的一个重要组成部分,智能安全车辆是目前的研究热点,智能车辆利用智能算法 理解车辆的即时环境,为安全行驶提供保障。 车辆跟踪技术是继车辆检测技术之后,又一大新的
,两者紧密相连,缺一 不可。根据摄像头与目标之间的位置关系,可将跟踪方法分为静态背景下的目标跟踪和动 态背景跟踪。 ㈠ 静态背景下的目标跟踪方法: 静态背景下的目标跟踪指的是摄像头是固定在某一方位,其所观察的视野也是静 止的。通常采用背景差分法和高斯背景建模。背景差法先将前景图像与背景图像做差,就 可以得到进入视野的目标物体。对于目标的描述,通常用目标连通区域的像素数目的多少 来表达目标的大小,或者用目标区域的高宽比等。目标的位置信息可采用投影的方式来定 位。高斯背景建模,即先对背景进行建模,通常使用K(基本为3到5个)个高斯模型来表 征图像中各个像素点的特征,在新一帧图像获得后更新混合高斯模型,然后从视频流中读 取图像(我们称之为前景图像),用当前图像中的每个像素点与混合高斯模型匹配,如果成 功则判定该点为背景点,否则为前景点。 ㈡动态背景下的目标跟踪方法: 动态背景下的目标跟踪指的是摄像头并不固定在某一位置上,摄像头所观察的视 野并不是静止的,也即背景相对于摄像头也是运动的。对于这种情况,通常采用基于检测的 跟踪方法对单帧图像进行检测,以达到连续检测的效果。 常见的跟踪算法有:卡尔曼滤波,粒子滤波,TLD,CT。 (-)卡尔曼滤波:卡尔曼滤波(Kalman filtering) -种利用线性系统状态方程,通 过系统输入输出观测数据,对系统状态进行最优估计的算法。由于观测数据中包括系统中 的噪声和干扰的影响,所以最优估计也可看作是滤波过程。基于卡尔曼滤波器的车辆跟踪 方法在进行跟踪时,是利用过去的状态信息和当前的测量结果预测当前的最优状态信息, 以达到跟踪的目的。 (二)粒子滤波:粒子滤波(PF:Particle Filter)的思想基于蒙特卡洛方法(Monte Carlo methods),它是利用粒子集来表示概率,可以用在任何形式的状态空间模型上。其核 心思想是通过从后验概率中抽取的随机状态粒子来表达其分布,是一种顺序重要性采样法 (Sequential Importance Sampling)。简单来说,粒子滤波法是指通过寻找一组在状态空 间传播的随机样本对概率密度函数进行近似,以样本均值代替积分运算,从而获得状态最 小方差分布的过程。这里的样本即指粒子,当样本数量N-oc时可以逼近任何形式的概率 密度分布。 (Ξ) TLD :TLD (Tracking-Learning-Detection)的立足点是解决长时间跟踪中被跟 踪目标发生形状变化、光照条件变化、尺度变化、遮挡等情况。检测器是将已经检测到的特 征(表征目标物体)进行局部化处理,并且根据需要不断修正跟踪器。学习器估计出检测 器的错误,并及时更新检测器,以避免后续再出现这些错误。传统的跟踪算法,前端需要跟 检测模块相互配合,当检测到被跟踪目标之后,就开始进入跟踪模块,而此后,检测模块就 不会介入到跟踪过程中。而该算法与传统跟踪算法的显著区别在于将传统的跟踪算法和传 统的检测算法相结合来解决被跟踪目标在被跟踪过程中发生的形变、部分遮挡等问题。 (四)CT :CT (Compressive Tracking)是根据稀疏感知理论,用一个满足RIP条件的 非常稀疏的测量矩阵对原图像特征空间进行投影,就可以得到一个低维压缩子空间。低维 压缩子空间可以很好的保留高维图像特征空间的信息。所以我们通过稀疏测量矩阵去提取 前景目标和背景的特征,作为在线学习更新分类器的正样本和负样本,然后使用该朴素贝 叶斯分类器去分类下一帧图像的目标待测图像片。 (I)MOSSE :M0SSE(Minimum Output Sum of Squared Error filter)滤波器是一种 实时性好,利用相关卷积矩阵求取最小输出均方误差的跟踪方法。并且对于光照、大小、姿 势、非刚性形变具有一定的鲁棒性。该算法首先假设跟踪目标区域的输出响应呈高斯分布, 利用卷积性质,可以求得卷积滤波器,然后在后一帧图像的当前位置,用此滤波器进行滤波 来求得新的输出响应,根据新的输出相信确定目标在当前帧的位置。
技术实现思路
本专利技术所要解决的技术问题是,提供一种快速、准确的车辆跟踪方法。 本专利技术为解决上述技术问题所采用的技术方案是,一种基于快速特征金字塔的车 辆多尺度跟踪方法,当上一帧检测到目标时,(? yc)为上一帧检测到的目标区域的中心点, 则对当前帧进行目标跟踪,具体方法如下: 步骤1、计算当前帧图像在原始尺度下的聚合通道特征得到原始尺度下的特征 图: 1-1将当前帧图像转化到LUV色彩空间,得到L、U、V三通道特征; 2-2求LUV图像的梯度图得到梯度直方图HOG特征; 2-3将L、U、V三通道特征与HOG各方向通道特征进行级联得到当前帧在原始尺度 下的聚合通道特征; 步骤2、计算特征金字塔 根据特征金字塔下各种尺度根据聚合通道特征各通道特征的能量统计关系对原 始尺度下的特征图进行特征金字塔采样得到对应尺度下的特征图;经过各特征金字塔采样 后特征图的尺度与原始尺度下的特征图的尺度比值为Sl,s2, ... sn,η为不同尺度总数;各 特征金字塔采样包括上采样、下采样; 步骤3、在不同尺度上计算跟踪结果: 3-1原始尺寸下特征图的特征通道的宽高分别为W。和Η。,设原始尺寸下特征图的 目标区域的中心点为(?,%);各特征金字塔采样后对应的目标区域的中心位置为(??% S1), (x〇s2, y〇s2), . . . , (x〇sn, y〇sn); 3-2计算卷积滤波器: 对于上一帧是首次检测出目标的情况: 各特征金字塔采样下,在以目标区域的中心位置为高斯分布的极值产生一个随机 高斯分布,所述随机高斯分布对应目标区域的输出响应G1, G2, ...,Gn,初始化卷积滤波器的 滤波系数〃i = 1,2,···,!!,^为目标区域的傅里叶变换,G1S以目标区域为中心位 置的随机高斯分布; 对于上一帧不是首次检测出目标的情况: 卷积滤波器的更新采用如下策略:η为权重系数,为上一帧卷积滤波器的滤波系 数; 3-3将特征金字塔采样后各尺寸的特征图输入卷积滤波器,卷积滤波器的输出响 应分别为gi,g2, . . .,gn,分别求得各尺寸下的跟踪值PSR1, PSR2, . . .,PSRn:g_为当前尺寸下输出响应的极值,μ 3和σ s分别为当前尺寸下的输出响应的均值和方差; 3-4取跟踪值PSR1, PSR2, ...,PSRn*最大的作为跟踪结果PSR,当PSR大于设定的 阈值时,认为跟踪成功,则继续下一帧的跟踪,将跟踪结果按对应尺度映射至原尺度上确定 目标区域;当PSR小于设定的阈值时,认为跟踪失败,本文档来自技高网
...
一种<a href="http://www.xjishu.com/zhuanli/55/CN105184779.html" title="一种基于快速特征金字塔的车辆多尺度跟踪方法原文来自X技术">基于快速特征金字塔的车辆多尺度跟踪方法</a>

【技术保护点】
一种基于快速特征金字塔的车辆多尺度跟踪方法,当上一帧检测到目标时,(x0,y0)为上一帧检测到的目标区域的中心点,则对当前帧进行目标跟踪,目标跟踪包括以下步骤:步骤1、计算当前帧图像在原始尺度下的聚合通道特征得到原始尺度下的特征图:1‑1将当前帧图像转化到LUV色彩空间,得到L、U、V三通道特征;2‑2求LUV图像的梯度图得到梯度直方图HOG特征;2‑3将L、U、V三通道特征与HOG各方向通道特征进行级联得到当前帧在原始尺度下的聚合通道特征;步骤2、计算特征金字塔根据特征金字塔下各种尺度根据聚合通道特征各通道特征的能量统计关系对原始尺度下的特征图进行特征金字塔采样得到对应尺度下的特征图;经过各特征金字塔采样后特征图的尺度与原始尺度下的特征图的尺度比值为s1,s2,...sn,n为不同尺度总数;各特征金字塔采样包括上采样、下采样;步骤3、在不同尺度上计算跟踪结果:3‑1原始尺寸下特征图的特征通道的宽高分别为W0和H0,设原始尺寸下特征图的目标区域的中心点为(x0,y0);各特征金字塔采样后对应的目标区域的中心位置为(x0s1,y0s1),(x0s2,y0s2),...,(x0sn,y0sn);3‑2计算卷积滤波器:对于上一帧是首次检测出目标的情况:各特征金字塔采样下,在以目标区域的中心位置为高斯分布的极值产生一个随机高斯分布,所述随机高斯分布对应目标区域的输出响应G1,G2,...,Gn,初始化卷积滤波器的滤波系数Fi为目标区域的傅里叶变换,Gi为以目标区域为中心位置的随机高斯分布;对于上一帧不是首次检测出目标的情况:卷积滤波器的更新采用如下策略:η为权重系数,为上一帧卷积滤波器的滤波系数;3‑3将特征金字塔采样后各尺寸的特征图输入卷积滤波器,卷积滤波器的输出响应分别为g1,g2,...,gn,分别求得各尺寸下的跟踪值PSR1,PSR2,...,PSRn,gmax为当前尺寸下输出响应的极值,μs和σs分别为当前尺寸下的输出响应的均值和方差;3‑4取跟踪值PSR1,PSR2,...,PSRn中最大的作为跟踪结果PSR,当PSR大于设定的阈值时,认为跟踪成功,则继续下一帧的跟踪,将跟踪结果按对应尺度映射至原尺度上确定目标区域;当PSR小于设定的阈值时,认为跟踪失败,则取消当前跟踪目标。...

【技术特征摘要】

【专利技术属性】
技术研发人员:解梅陈熊罗招材于国辉
申请(专利权)人:电子科技大学
类型:发明
国别省市:四川;51

网友询问留言 已有0条评论
  • 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。

1