一种运动背景下的视觉跟踪方法及视觉跟踪系统技术方案
【技术实现步骤摘要】
一种运动背景下的视觉跟踪方法及视觉跟踪系统
本专利技术属于计算机视觉
，具体涉及一种计算强度低、应用范围广、能够准确跟踪目标快速移动和发生尺度变化的运动背景下的视觉跟踪方法及视觉跟踪系统。
技术介绍
机器视觉是现代制造的一个极其其重要的组成部分，涉及人工智能、神经生物学、心理物理学、计算机科学、图像处理、模式识别等多个领域的交叉学科。在计算机视觉中，如何准确的知道目标在视频图像中的位置甚至是大小、方向、形状，是一个基本的问题，也是视频跟踪技术所要解决的问题。目标跟踪技术的目的就是在给定视频或图像序列中定位目标的位置、状态、运动轨迹、尺度及速度等信息，进而依据这些信息进行更高一级的任务。因为这些特性，目标跟踪技术可以应用到生活中的各个场所，其中比较典型的应用就是视频监控、智能驾驶、人机交互、军事应用、视频检索等。如基于机器视觉的工业机器人自动跟踪，所要实现的功能是机械手对流水线上运动中的零件图像进行实时跟踪，为后续识别分类和装配工作做准备。因此，目标跟踪研究有着非常重要的意义，其研究成果具有广阔的应用前景。现有的目标跟踪方法大致可以分为四类，分别是基于模型的跟...
【技术保护点】
一种运动背景下的视觉跟踪方法，其特征在于包括目标初始化、图像特征提取、分类器初始训练、快速目标检测、分类器训练步骤，具体包括：A、目标初始化：读取视频序列第一帧并标注目标(x1,y1)及跟踪区域；B、图像特征提取：循环密集采集标注目标及跟踪区域的图像并提取特征；C、分类器初始训练：以目标周围上下文区域xi为作为基训练样本，加入上下帧约束，得到学习分类器增量系数a为：
【技术特征摘要】
1.一种运动背景下的视觉跟踪方法，其特征在于包括目标初始化、图像特征提取、分类器初始训练、快速目标检测、分类器训练步骤，具体包括：A、目标初始化：读取视频序列第一帧并标注目标(x1,y1)及跟踪区域；B、图像特征提取：循环密集采集标注目标及跟踪区域的图像并提取特征；C、分类器初始训练：以目标周围上下文区域xi为作为基训练样本，加入上下帧约束，得到学习分类器增量系数a为：其中：∧表示离散傅立叶变换，y为回归标签，kpc表示上一帧的目标外观与当前帧外观在高维空间的互相关，ap表示上一帧的分类器系数，表示对角元素为基样本的傅立叶变换，λ为控制过拟合的正则参数，I是单位向量；D、快速目标检测：在下一帧中循环移动检测区域z得到候选块，代入分类器得到f(z)＝(Kz)Tα以及目标位置(xi,yi)＝argmaxf(z)，其中：K为核矩阵；F、分类器训练：返回B步骤，然后在C步骤中以目标中心(xi,yi)所在上下文作为基训练样本，得到分类器增量系数a，更新模型，继续下一帧的更新。2.根据权利要求1所述运动背景下的视觉跟踪方法，其特征在于所述D步骤后及F步骤还包括目标尺度估计步骤，所述目标尺度估计步骤是利用MeanShift方法中的目标的颜色直方图模型，在候选目标区域计算得到区域内像素点颜色值与目标颜色直方图模型对应分量的相似性权值，得到候选区域的权重分布图，再根据权重分布图的一阶统计特征来计算目标尺度的大小。3.根据权利要求2所述运动背景下的视觉跟踪方法，其特征在于所述目标尺度估计步骤包括候选目标颜色直方图模型计算、候选目标区域权重计算、确定目标跟踪结果分步骤，具体包括：E1、候选目标颜色直方图模型计算：目标颜色直方图模型候选目标颜色直方图模型目标颜色直方图模型qu的相似度其中：C、Ch为常数，即函数在某区间的积分始终为1，k(x)为核化函数，xi、xi*分别为目标区域、候选目标区域的特殊标记位置，h为频带参数，u为直方图的分量，nh为目标窗口的像素数，m通常取值为8，16或32，ρ(y)为Bhattacharyya系数；E2、候选目标区域权重计算：目标在候选区域的权重其中：wi为候选目标区域的相似性权值；E3、确定目标跟踪结果：目标尺度的估计值A＝c(ρ)M0，式中，c(ρ)是关于ρ(0≤ρ≤1)的单调递增函数，目标的长h’和宽w’，其中：δ1为常数，当ρ等于1时c(ρ)＝1，K为跟踪框为矩形框时的长宽比恒定值。4.根据权利要求3所述运动背景下的视觉跟踪方法，其特征在于所述E2步骤中候选目标区域的相似性权值wi为：5.根据权利要求1、2或3所述运动背景下的视觉跟踪方法，其特征在于所述C步骤中：6.根据权利要求1、2或3所述运动背景下的视觉跟踪方法，其特征在于所述F步骤中更新模型按下式进行：model_x＝(1-ρ)model_x+ρxf，model_α＝(1-ρ)mode...
【专利技术属性】
技术研发人员：何自芬，张印辉，曹双旭，吴启科，唐海艳，
申请(专利权)人：昆明理工大学，
类型：发明
国别省市：云南,53
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。