一种基于循环矩阵的快速自适应多尺度目标跟踪方法技术

本发明专利技术涉及一种基于循环矩阵的快速自适应多尺度目标跟踪方法，包括在视频的初始帧图像中，根据所给出的目标位置和目标窗口尺度信息，采用循环矩阵进行稠密采样提取目标子窗口作为训练样本，训练分类器；采用分类器检测当前帧图像中所有待测目标子窗口，获取分类器响应值最大的待测目标子窗口之目标位置和目标窗口尺度信息，更新分类器，于下一帧图像的处理。本发明专利技术在循环矩阵的基础上，使用尺度缩放机制实时改变目标窗大小，能够有效的应对目标姿态快速变化、尺度变化和严重遮挡等情况。

A fast adaptive multiscale target tracking method based on Circulant Matrices

The invention relates to a method for fast tracking adaptive multiscale target based on circular matrix, including the initial frame of video image, based on the target location and target window scale information, using cyclic matrix dense sampling to extract the target window as training samples to train the classifier; using the classifier to detect the current frame image to all the target window, the classifier response value target sub window target location and target window scale information, the biggest update classifier on the next frame of image processing. The invention uses the scale scaling mechanism to change the size of the target window in real time on the basis of the cyclic matrix, and can effectively respond to the rapid change of the target gesture, the scale change and the serious occlusion, etc..

【技术实现步骤摘要】
一种基于循环矩阵的快速自适应多尺度目标跟踪方法
本专利技术属于目标跟踪领域，具体是一种基于循环矩阵的快速自适应多尺度目标跟踪方法，
技术介绍
随着计算机技术的不断发展，运动目标跟踪作为人工智能、模式识别、计算机科学等多学科的结晶，逐渐成为图像处理、机器视觉、计算机领域的研究热点。目标跟踪不仅提供目标运动状态和轨迹，也为行为检测、场景理解、运动分析等提供初始数据，在人机交互、车辆导航、无人机拍摄、自动监控、军事侦察等方面应用广泛。跟踪主要是估计物体围绕一个场景运动时的轨迹，即一个跟踪系统给同一个视频中的不同帧的跟踪目标分配相一致的标签。目标跟踪主要包括四个过程：目标初始化，特征模板表示，相似性度量和运动估计。目标跟踪方法可以分为不同种类，例如根据跟踪目标信息使用情况的不同，可以将跟踪算法分为基于对比分析的目标跟踪、基于匹配的目标跟踪和基于运动检测的目标跟踪。其中，基于在线学习的目标跟踪算法逐渐成为近几年的主流方法。基于在线学习的目标跟踪方法主要分为基于判别模型和基于生成模型的方法。基于判别模型的跟踪方法是把目标跟踪看成分类问题，采用在线学习更新的分类器将目标与背景分离开。基于生成模型的本文档来自技高网...

【技术保护点】
一种基于循环矩阵的快速自适应多尺度目标跟踪方法，其特征在于：在视频的初始帧图像中，根据所给出的目标位置和目标窗口尺度信息，采用循环矩阵进行稠密采样提取目标子窗口作为训练样本，训练分类器；采用分类器检测当前帧图像中所有待测目标子窗口，获取分类器响应值最大的待测目标子窗口之目标位置和目标窗口尺度信息，更新分类器，于下一帧图像的处理。

【技术特征摘要】
1.一种基于循环矩阵的快速自适应多尺度目标跟踪方法，其特征在于：在视频的初始帧图像中，根据所给出的目标位置和目标窗口尺度信息，采用循环矩阵进行稠密采样提取目标子窗口作为训练样本，训练分类器；采用分类器检测当前帧图像中所有待测目标子窗口，获取分类器响应值最大的待测目标子窗口之目标位置和目标窗口尺度信息，更新分类器，于下一帧图像的处理。2.根据权利要求1所述的方法，其特征在于：采用循环矩阵进行稠密采样提取目标子窗口作为训练样本，利用傅里叶变换计算目标子窗口核函数，通过最小代价函数训练正规则化最小分类器系数。3.根据权利要求1所述的方法，其特征在于：采用分类器检测当前帧图像中所有待测目标子窗口的方法为：计算当前帧图像中待测目标子窗口与初始帧图像中目标子窗口之间的核函，利用所述核函数和分类器同时计算所有待测目标子窗口的响应值，获取响应值最大的待测目标子窗口。4.根据权利要求2所述的方法，其特征在于：多数利用傅里叶变换计算目标子窗口核函数的方法为：式中，x表示当前帧图像的子窗口，F和F-1分别表示傅里叶变换和傅里叶逆变换，*表示复共轭，σ是尺度参数。5.根据权利要求4所述的方法，其特征在于：所述通过最小代价函数训练正规则化最小分类器系数的方法为：式中，λ是正规则化参数，y是训练样本标记矩阵，yij是y的元素，k(x,x)是核函数，训练样本像素数是m*n，F和F-1分别表示傅里叶变换和傅里叶逆变换。6.根据权利要求3所述的...

【专利技术属性】
技术研发人员：刘治，郭庆荣，姬海燕，许建中，曹艳坤，
申请(专利权)人：山东大学，
类型：发明
国别省市：山东,37