基于连续相关滤波器的定位修正长程跟踪算法制造技术

本发明专利技术涉及视觉跟踪算法技术领域，具体的说是一种拥有更好的追踪性能和追踪稳定性的基于连续相关滤波器的定位修正长程跟踪算法，包括：实现连续域内的目标定位，选择目标特征，通过分别训练三个模板Rt、Rs和Rd实现，其中目标定位模板Rt是对目标外观的变化进行实时编码，同时需要对一些追踪干扰如快速移动和光照变化保持鲁棒性，选择VGG‑19卷积神经网络，使用conv3‑4,conv4‑4和conv5‑4这三层的输出特征来训练目标的定位模板Rt，而对于Rs和Rd模板，考虑到计算效率的问题，使用HOG特征；实现目标重定位。

Long range tracking algorithm based on continuous correlation filter

The present invention relates to the technical field of visual tracking algorithm, in particular to a better tracking performance and tracking stability of continuous positioning correlation filter tracking algorithm based on long range correction, including: target location in the continuous domain, target feature selection, respectively by training three template Rt, Rs and Rd. The target template Rt is to change the appearance of the target real-time encoding, and the need for some interference such as fast tracking and illumination changes to be robust, VGG 19 convolutional neural network, using conv3 4, Rt conv4 4 positioning template and conv5 4 this three layer output characteristics of the training objectives but, for the Rs and Rd templates, taking into account the computational efficiency of the problem, the use of HOG to achieve the goal of re positioning characteristics.

【技术实现步骤摘要】
基于连续相关滤波器的定位修正长程跟踪算法
：本专利技术涉及视觉跟踪算法
，具体的说是一种拥有更好的追踪性能和追踪稳定性的基于连续相关滤波器的定位修正长程跟踪算法。
技术介绍
：以图像或者视频为基础的目标跟踪技术是计算机视觉领域的重要研究课题，广泛应用于视频监控、智能导航/辅助驾驶、智能机器人、运动行为分析等领域。目标跟踪的基本框架是在视频序列的第一帧初始化包含兴趣目标的矩形框，追踪器在接下来的视频帧中标定目标的位置、面积和外形等。目标跟踪虽然应用广泛，但复杂场景下的长程跟踪仍然是一个具有挑战性的课题，因为追踪器常常会因为各种干扰因素影响而造成追踪的偏移，这些干扰因素包括目标的遮挡、快速移动和尺度变化等。且追踪器的偏移误差容易产生积累，在长程跟踪情况下易造成追踪失效。
技术实现思路
：本专利技术针对现有技术中存在的缺点和不足，提出了一种拥有更好的追踪性能和追踪稳定性的基于连续相关滤波器的定位修正长程跟踪算法。本专利技术通过以下措施达到：一种基于连续相关滤波器的定位修正长程跟踪算法，其特征在于步骤1：实现连续域内的目标定位，具体通过获得连续域内的相关滤波器实现，当给定了相关滤波器的权重本文档来自技高网...

【技术保护点】
一种基于连续相关滤波器的定位修正长程跟踪算法，其特征在于包括以下内容步骤1：实现连续域内的目标定位，具体通过获得连续域内的相关滤波器实现，当给定了相关滤波器的权重w后，获得追踪器的相关相应图

【技术特征摘要】
1.一种基于连续相关滤波器的定位修正长程跟踪算法，其特征在于包括以下内容步骤1：实现连续域内的目标定位，具体通过获得连续域内的相关滤波器实现，当给定了相关滤波器的权重w后，获得追踪器的相关相应图yres定义在连续域内，同时Z表示在当前帧使用上一帧目标位置获取的搜索窗的特征，在相关滤波器跟踪算法中，目标物体的位置通过搜索整张响应图并寻找最大值yres所在的位置来确定，分两步来实现目标的精细定位：首先将响应图yres的位置索引s(t),t∈[0,T)划分为离散域s(Tn/(2K+1)),Tn＝0,…,2K，在位置s(Tn/(2K+1))上使用网格搜索，然后使用搜索到的最大值的位置作为yres的起始搜索位置，使用牛顿迭代法实现连续域内的目标定位，而牛顿迭代法的海塞矩阵和偏导数可以通过分析yres获得；步骤2：选择目标特征，通过分别训练三个模板Rt、Rs和Rd实现，其中目标定位模板Rt是对目标外观的变化进行实时编码，同时需要对一些追踪干扰如快速移动和光照变化保持鲁棒性，选择VGG-19卷积神经网络，使用conv3-4,、conv4-4和conv5-4这三层的输出特征来训练目标的定位模板Rt，而对于Rs和Rd模板，考虑到计算效率的问题，使用HOG特征；步骤3：实现目标重定位：在CCFT算法中，使用像素值对比的结果作为二值特征来训练随机蕨分类器，首先在图像块上进行一定数量的像素值对比，得出每一棵随机蕨的先验概率，然后将所有随机蕨的先验概率进行平均，就得到了检测器，搜索方法是通过使用k最近邻分类器寻找最可靠的训练样本，且如果k个最近邻的特征图都显示为正样本，则这一图像块则被认为是所寻找的目标图像。2.根据权利要求1所述的一种基于连续相关滤波器的定位修正长程跟踪算法，其特征在于步骤1中连续域内的相关滤波器通过以下步骤获得：假设追踪器的训练样本x包含D个特征通道x1,…,xD，每个特征通道xd可以生成一个相对应的相关滤波器的权重wd，则传统的相关滤波器可以由求解下面的损失函数获得：其中λ是正则化参数(λ≥0)，同时y是相关滤波器的期望输出，它是二维高斯函数的形状，‖f(k)‖2表示序列f(k)的二范数，且在提出的算法中，损失函数中所涉及的所有参数都定义在连续域内，但实际上，训练样本的特征通道xd来源于所提取的图像，而图像是由离散的像素点来表示，所以xd也是离散的，因此本发明引入χd用于表示xd经过插值以后得到的连续图像，使用的方法是三次样条插值。假设一维的特征通道包含Nd个像素点，本发明使用xd[n]来表示xd中每个像素点的取值，其中n∈{0,1,…,Nd-1}。则插值以后的图像由式(2)获得：χd(v)是插值后的样本特征，它是由插值函数bd的循环叠加获得的，其中xd[n]用作循环样本bd的权重，通过应用式(2)，离散的特征通道xd[n]被映射到连续域内χd(v)，v∈(0,V]，三次样条核函数bd可表示为式(3)：其中a是x＝1处核函数的导数值；使用更为精细的插值函数——三次样条函数，同时，将特征图插值到连续域内，由此训练出连续域内的相关滤波器，进而实现连续的目标定位；给定已插值的特征图，本发明可以通过调整传统的损失函数来学习得到连续的相关滤波器：式(4)中的所有变量都定义在连续域内。假设表示a的离散傅里叶系数，且即可以将表示为a和复指数函数ek(t)＝ei2πkt/T的内积的形式，根据式(2)和(4)可得出插值后的相关响应图的形式为因为响应图已经被插值到连续域内，则总的响应图可表示为为了训练相关滤波器w，将损失函数变换到频率域内表示：式(5)中定义的相关滤波器权重包含无限多个傅里叶系数，但在实际应用中，考虑到计算效率本发明使用有限个傅里叶系数来表示相关滤波器为此，本发明提出定义一个有限维的子域然后在傅里叶系数的基础上求解式(5)，当|k|>Kd时定义同时将Kd的值设定为|Nd/2|，这时d特征通道对应的相关滤波器的系数个数与xd的傅里叶系数个数相等，应用二范数性质，(5)式的损失函数可以等价于：

【专利技术属性】
技术研发人员：康文静，李欣尤，刘功亮，
申请(专利权)人：哈尔滨工业大学威海，
类型：发明
国别省市：山东,37