【技术实现步骤摘要】
本专利技术涉及图像处理技术,特别是涉及一种基于多局部特征学习的快速实时判别型跟踪方法。
技术介绍
目标跟踪是机器学习领域的热门话题之一,在工业、军用及民用等方面有着广泛的应用,比如人机交互、辅助驾驶、视频监控、生物医学成像分析、目标的行为分析等,当然,目标跟踪也面临许多挑战,包括目标形变、光照变化、遮挡、运动模糊、旋转、尺度变换等,这些都会影响目标跟踪的效果。目标跟踪作为机器视觉的核心技术之一,一直是学者们研究的热点话题,当前的目标跟踪方法主要分为两种:一种是生成型算法,先用机器学习的算法建立要跟踪的目标的外观模型,然后在候选区域搜索与模型最相近的区域作为预测的目标位置;另一种是判别型算法,将物体的跟踪作为一个目标和背景的二分类问题,通过训练分类器将目标和背景区分开。本专利技术通过使用相关滤波器,将训练和检测过程转换到傅里叶域,将复杂的矩阵运算转换成了对位操作,减少了运算量和存储量。同时,使用压缩感知理论,在保证不丢失信息的前提下,将高维特征降为低维,加快算法速度。通过比较两种特征的跟踪效果从而决定当前帧的目标位置,提高了算法精度。
技术实现思路
有鉴于此,本专利技术的主要目的在于提供一种目标跟踪精度高、计算复杂度也比较低的基于多局部特征学习的快速实时判别型跟踪方法,大大减少了运算量和存储量,同时,既不影响跟踪精度,又加快了算法速度,且提高了算法精度。为了达到上述目的,本专利技术提出的技术方案为:一种基于多局部特征学习的快速实时判别型跟踪算法,实现步骤如下:步骤1、读取视频,将视频分解成单个帧,在初始帧中,通过与动作识别相联系或人工标记的方法,将需要跟踪的目 ...
【技术保护点】
一种基于多局部特征学习的快速实时判别型跟踪方法,其特征在于实现步骤如下:步骤1、读取视频,将视频分解成单个帧,在初始帧中,通过动作识别或人工标记的方法,将需要跟踪的目标用矩形框标记出来,得到矩形目标;步骤2、以步骤1得到的矩形目标为基准,向外扩展得到2倍的目标尺寸的区域作为候选区域;步骤3、设置尺寸与目标尺寸大小相同的子窗口模板,在候选区域,移动子窗口进行密集采样得到候选块,分别计算每个候选块的Haar‑like特征和HOG特征,从而得到整个候选区域的特征;步骤4、经密集采样得到的Haar‑like特征作为高维矢量,经压缩感知理论中的随机投影映射后,得到维数远小于原特征维数的低维特征,并且低维特征依旧能完整保存高维特征的信息,将投影后得到的低维特征作为训练和检测的输入;步骤5、根据步骤4得到的低维特征,进行训练,即根据训练样本和回归目标,利用核函数和循环矩阵的性质,在傅里叶域求解得到回归函数;步骤6、根据步骤5得到的回归函数,对后续的视频帧中进行目标的位置检测,在位置检测阶段,在新的视频帧中,以上一帧目标的位置为基准,向外扩展得到2倍的目标尺寸的区域作为候选区域,采用密集采样的方法,获 ...
【技术特征摘要】
1.一种基于多局部特征学习的快速实时判别型跟踪方法,其特征在于实现步骤如下:步骤1、读取视频,将视频分解成单个帧,在初始帧中,通过动作识别或人工标记的方法,将需要跟踪的目标用矩形框标记出来,得到矩形目标;步骤2、以步骤1得到的矩形目标为基准,向外扩展得到2倍的目标尺寸的区域作为候选区域;步骤3、设置尺寸与目标尺寸大小相同的子窗口模板,在候选区域,移动子窗口进行密集采样得到候选块,分别计算每个候选块的Haar-like特征和HOG特征,从而得到整个候选区域的特征;步骤4、经密集采样得到的Haar-like特征作为高维矢量,经压缩感知理论中的随机投影映射后,得到维数远小于原特征维数的低维特征,并且低维特征依旧能完整保存高维特征的信息,将投影后得到的低维特征作为训练和检测的输入;步骤5、根据步骤4得到的低维特征,进行训练,即根据训练样本和回归目标,利用核函数和循环矩阵的性质,在傅里叶域求解得到回归函数;步骤6、根据步骤5得到的回归函数,对后续的视频帧中进行目标的位置检测,在位置检测阶段,在新的视频帧中,以上一帧目标的位置为基准,向外扩展得到2倍的目标尺寸的区域作为候选区域,采用密集采样的方法,获取每个候选块的HOG特征和压缩后的Haar-like特征,分别带入位置检测函数,取检测响应最大的区域作为目标的预测位置;步骤7、分别计算由Haar-like特征和HOG特征得到的预测目标特征与上一帧目标特征的差异,选取与上一帧目标差异最小的位置检测结果作为当前帧最终的目标位置;步骤8、使用最终的目标位置向外扩展得到候选区域,重复步骤3至步骤5进行新的回归函数的训练,得到新的分类器,实现实时的目标跟踪。2.根据权利要求1所述的一种基于多局部特征学习的快速实时判别型跟踪方法,其特征在于:所述步骤3中密集采样方法如下:步骤i)以目标的位置为基准,向外扩展得到2倍的目标尺寸的区域作为候选区域;步骤ii)设置子窗口模板,子窗口模板大小与目标尺寸相同,从候选区域左上角开始,分别以行方向和列方向移动子窗口来进行采样,每次移动的步长为2个像素;步骤iii)分别计算每个候选块的Haar-like特征和HOG特征,得到整个候选区域的Haar-like特征和HOG特征。3.根据权利要求1所述的一种基于多局部特征学习的快速实时判别型跟踪方法,其特征在于:所述步骤4压缩感知的具体过程为:步骤i)根据压缩感知理论,通过一个随机测量矩阵,将高维的特征映射到低维,而且能保证低维的特征能完好的保存高维特征的信息;步骤ii)设随机矩阵n为矩阵行数,m为矩阵列数,行元素为从高维图像空间到低维子空间的单位长度的投影数据,即大小为n×m的随机矩阵R将高维图像空间...
【专利技术属性】
技术研发人员:王田,乔美娜,陶飞,
申请(专利权)人:北京航空航天大学,
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。