基于多任务相关粒子滤波的视觉跟踪方法、装置制造方法及图纸

本发明专利技术涉及计算机视觉领域，提出了基于多任务相关粒子滤波的视觉跟踪方法、装置，旨在结合相关滤波和粒子滤波的优势，提高视觉跟踪方法的鲁棒性，该方法包括：S1，基于被测目标前一时刻每个粒子的目标状态生成被测目标当前时刻的粒子，对粒子在空间上进行划分，并对当前时刻的每一个粒子利用多任务相关滤波求解具有判别力的特征；S2，利用多任务相关滤波，对所述当前时刻的粒子进行移动并到达一个稳定的位置；S3，依据通过多任务相关滤波计算得到的所述当前时刻的粒子的响应分布的最大值，计算所述当前时刻的粒子的权重，并进一步计算当前时刻被测目标的跟踪状态的期望值。改善了追踪效果，解决了遮挡问题，提高视觉跟踪的鲁棒性。

Visual tracking method and device based on Multitask related particle filter

The present invention relates to the field of computer vision, proposed a multi task related particle filter for visual tracking method and device based on correlation filter and particle filter aims to combine the advantages of robust visual tracking method, the method includes: S1, target state generating measured target before the moment of each particle measured target at the moment based on the particle, the particles in space division, and has the characteristics of discriminative for multi task correlation filtering each particle by the present moment; S2, using multi task correlation filtering, the current time of the particle moving and reach a stable position; S3, according to the distribution of maximum response get through the task related filtering calculation of the current moment of the particle weight calculation, the current time of the particle, and further calculate the current The expected value of the tracking state of a measured target at a time. The tracking effect is improved, the occlusion problem is solved, and the robustness of visual tracking is improved.

【技术实现步骤摘要】
基于多任务相关粒子滤波的视觉跟踪方法、装置
本专利技术属于计算机视觉领域，具体涉及基于多任务相关粒子滤波的视觉跟踪方法、装置。
技术介绍
视觉跟踪是计算机视觉中最为重要的任务之一。其应用包括视频监控、行为分析、自动驾驶等。视觉跟踪主要的挑战是当目标物体的外形随时间发生较大的变化时，如何进行鲁棒视觉跟踪。尽管这些年取得了一些有意义的进展，但发展鲁棒算法仍存在很大的困难。当下急需在存在诸如光照变化，快速动作，姿势变化，局部遮挡和背景杂乱等因素影响下的跟踪场景中设计鲁棒的算法来进行目标状态估计。最近，相关滤波被应用到了视觉跟踪中并已经被证明可以达到高速和鲁棒的效果。由于深度卷积神经网络(CNNs)在大规模的视觉识别任务中获得成功，因此基于相关滤波的CNN跟踪方法已经得到较大的发展。大量的跟踪基准数据集证明了这些基于CNN的跟踪方法比基于手工特征的方法效果要好。尽管已经达到了最先进的效果，但现有的基于相关滤波的CNN跟踪方法仍有一些局限性。(1)这些跟踪方法学得的相关滤波的每一层都是相互独立的，没有考虑他们之间的关系。由于卷积神经网络不同层的特征可以互相补充，基于卷积神经网络特征的相关滤波方本文档来自技高网...

【技术保护点】
一种基于多任务相关粒子滤波的视觉跟踪方法，其特征在于，包括以下步骤：步骤S1，基于被测目标前一时刻每个粒子的目标状态生成被测目标当前时刻的粒子，对粒子在空间上进行划分，并对当前时刻的每一个粒子利用多任务相关滤波求解具有判别力的特征；步骤S2，利用多任务相关滤波，对所述当前时刻的粒子进行移动并到达一个稳定的位置；步骤S3，依据通过多任务相关滤波计算得到的所述当前时刻的粒子的响应分布的最大值，计算所述当前时刻的粒子的权重，并进一步计算当前时刻被测目标的跟踪状态的期望值。

【技术特征摘要】
1.一种基于多任务相关粒子滤波的视觉跟踪方法，其特征在于，包括以下步骤：步骤S1，基于被测目标前一时刻每个粒子的目标状态生成被测目标当前时刻的粒子，对粒子在空间上进行划分，并对当前时刻的每一个粒子利用多任务相关滤波求解具有判别力的特征；步骤S2，利用多任务相关滤波，对所述当前时刻的粒子进行移动并到达一个稳定的位置；步骤S3，依据通过多任务相关滤波计算得到的所述当前时刻的粒子的响应分布的最大值，计算所述当前时刻的粒子的权重，并进一步计算当前时刻被测目标的跟踪状态的期望值。2.根据权利要求1所述的视觉跟踪方法，其特征在于，步骤S3中还包括所述多任务相关滤波的相关滤波器的参数的更新步骤：利用所述当前时刻的粒子的权重中最大权重对应的粒子对所述相关滤波器的参数进行更新。3.根据权利要求1所述的视觉跟踪方法，其特征在于，步骤S1中生成被测目标当前时刻的粒子的过程服从状态转移概率分布其中，中表示t-1时刻的目标状态，st表示当前时刻的粒子状态分布。4.根据权利要求3所述的视觉跟踪方法，其特征在于，步骤S1中对粒子在空间上进行划分，包括：对当前时刻的每一个粒子在空间上用相同的方式划分成P个部分。5.根据权利要求1所述的视觉跟踪方法，其特征在于，步骤S1中对当前时刻的每一个粒子利用多任务相关滤波求解具有判别力的特征，通过如下式子计算：其中，{zpk}为所计算的粒子的具有判别力的特征；Gpk＝XpkXpkT，表示当前时刻某一粒子所对应的所有训练样本，是该粒子第p个部分的第k种特征在二维空间上进行(m,n)的循环平移后的结果，(m,n)∈{0,1...,M-1}×{0,1,...,N-1}，M和N表示特征的高和宽；y＝[y0,0,...,ym,n,...,yM-1,N-1]T对应于循环平移的高斯函数标签；记Z＝[Z1,...,Zp,...,ZP]∈RMN×PK,Zp＝[zp1,...,zpK,...,zpK]∈RMN×K；λ和γ是正则化参数。6.根据权利要求1所述的视觉跟踪方法，其特征在于，步骤S2包括如下步骤：步骤S21，利用多任务相关滤波计算当前时刻每个粒子的响应分布：其中，为t时刻第i个粒子通过多任务相关滤波计算得到的响应分布，是t时刻第i个粒子的观测，zpk和分别是粒子对应的多任务相关滤波求解后的具有判别力的特征和目标的表观模型，和...

【专利技术属性】
技术研发人员：张天柱，徐常胜，
申请(专利权)人：中国科学院自动化研究所，
类型：发明
国别省市：北京,11