一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法技术

本发明专利技术公开了一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法，通过超像素分析的策略实现目标的外观重构，将目标分割成超像素块并聚类成超像素中心，计算每个超像素中心的光流分析像素点的位移变化，预测出目标的运动偏移量和尺度变化；基于预测出的参数，在新一帧图像中循环采样后，对每个样本均采用引入自适应学习因子改进后的基于高斯核的相关滤波目标跟踪方法，检测出目标的准确位置和尺度；最后，通过在线双SVM检测模型对检测结果进行检测校正，对低置信度的位置实施校正，最终精确定位目标位置并得到目标准确尺度。该发明专利技术克服目标跟踪过程中存在的尺度变化、遮挡、形变、运动模糊等跟踪难题，实现实时的高精度目标跟踪。

【技术实现步骤摘要】
一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法
本专利技术涉及图像处理与分析
，具体涉及一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法。
技术介绍
计算机技术与人工智能的充分结合不仅促进了计算机科学领域的发展，还极大地方便了人们的日常生活。作为引领计算机走向智能化的重要领域，计算机视觉技术引起了社会广泛的关注。而视觉目标跟踪技术作为计算机视觉的一项关键组成成分，可广泛应用于人机交互、行人和车辆监控、无人机航行等诸多场合。由于目标跟踪算法具有极为广泛的应用前景，近几年来国内外研究人员在此领域提出大量先进的目标跟踪算法，极大地促进了视觉目标跟踪领域的发展与进步，大体上可以分成两类：生成式跟踪算法通常是先学习目标的外观模型，然后从众多候选模型中寻找与目标模型匹配度最高的对应目标区域；判别式跟踪算法是把目标跟踪近似看作二分类任务，即通过完成目标前景和背景分类的任务实现目标地持续跟踪。生成式跟踪算法的关键在于对目标的外观进行准确地重构，并在跟踪过程中不断地学习目标的外观变化，从而在线更新外观模型，达到实时跟踪目标的目的。此类方法充分利用了图像的信息，能精确地拟合目本文档来自技高网...

【技术保护点】
一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法，其特征在于，所述的方法包括下列步骤：S1、输入视频序列的第一帧图像后，根据用户的指定确定跟踪目标所在的区域，利用SLIC算法重构目标的外观模型，对目标进行超像素分割，并用k‑means聚类算法聚类成若干个超像素中心；然后，计算上述每一超像素中心的L‑K光流，从而在下一帧图像中找到与之对应的每一像素点；之后根据相邻两帧图像的对应像素点的位置，分析像素点的位移变化，进而预测出需要跟踪目标的运动偏移量和尺度变化；S2、基于上一步骤中预测出的目标运动偏移量在下一帧图像中进行循环采样后，将目标跟踪的任务分解成两个子任务:目标位置检测和目标尺度检...

【技术特征摘要】
1.一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法，其特征在于，所述的方法包括下列步骤：S1、输入视频序列的第一帧图像后，根据用户的指定确定跟踪目标所在的区域，利用SLIC算法重构目标的外观模型，对目标进行超像素分割，并用k-means聚类算法聚类成若干个超像素中心；然后，计算上述每一超像素中心的L-K光流，从而在下一帧图像中找到与之对应的每一像素点；之后根据相邻两帧图像的对应像素点的位置，分析像素点的位移变化，进而预测出需要跟踪目标的运动偏移量和尺度变化；S2、基于上一步骤中预测出的目标运动偏移量在下一帧图像中进行循环采样后，将目标跟踪的任务分解成两个子任务:目标位置检测和目标尺度检测；对每个样本均使用引入自适应学习因子改进后的基于高斯核的相关滤波目标跟踪方法，通过傅里叶分析计算每个样本的置信图响应值并得到最大响应值对应的位置，检测出目标的准确位置；之后，在最大响应值对应的位置，分别用不同尺度的目标区域框与上一帧跟踪的目标区域进行相关卷积，得到最大尺度响应值，进而检测出目标的准确尺度；S3、采用在线双SVM检测模型对跟踪结果的可靠性进行检测校正，输出目标跟踪结果。2.根据权利要求1所述的一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法，其特征在于，所述的采用在线双SVM检测模型对跟踪结果的可靠性进行检测校正的过程如下：随着目标的持续运动，在跟踪结果置信度较高的位置，对目标进行采样，从而将这些可靠的目标表观信息用于建立检测模型，训练两个SVM；在跟踪结果置信度较低时，SVM检测模型对目标进行检测，以对低置信度的位置实施校正，从而实现对目标跟踪结果的优化或重新初始化，并进行下一轮的目标跟踪。3.根据权利要求1所述的一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法，其特征在于，所述的步骤S1具体包括：S101、第一帧图像确定需要跟踪的目标后，以目标区域的指定倍数为搜索区域，并将搜索区域变换到CIELAB颜色空间中；S102、根据搜索区域的像素数量N和聚类中心数量k，将搜索区域等像素间隔划分，并在网格上随机初步选定k个聚类中心的位置；S103、计算每个聚类中心3×3像素邻域内所有像素点的梯度值，将聚类中心移至该邻域内梯度最小值对应处，而对于每个像素，在其2S×2S邻域内用k-means算法聚类到距离最近的像素中心类；重复上述过程直至误差收敛，得到超像素分割后能够表征目标信息的超像素中心Ci；S104、计算上述每个超像素中心的L-K光流后,找到下一帧图像中与之对应的光流点Oi；根据相邻两帧图像的对应像素点的位置，用公式(1)计算并得到像素点的位移变化量序列：其中，X和Y分别是位移变化的横、纵坐标序列，Ci.x和Ci.y分别是超像素中心的横、纵坐标，以及Oi.x和Oi.y分别是对应光流点的横、纵坐标，n是相邻帧中能够匹配到的光流对数量，abs(·)是代表绝对值计算，因此，利用超像素光流法预测出的跟踪目标的运动偏移量(Δx,Δy)为：(Δx,Δy)＝(median(X),median(Y))(2)其中median(·)是求中值运算；S105、根据式(3)分别计算当前帧图像中每一个超像素中心与其余超像素中心的欧氏距离对Dr，以及下一帧图像中每一个光流点与其余光流点的欧氏距离对Dp：其中dist(·)是计算欧式距离，因此，利用超像素光流法预测出的跟踪目标的尺度变化因子Sf为：4.根据权利要求3所述的一种基于超像素光流和自适应学习因子改进的核相关滤波跟踪方法，其特征在于，所述的步骤S2具体包括：S201、根据预测出的目标运动偏移量(Δx,Δy)，在获取的新一帧大小为N×M图像块z中以px+Δx,y+Δy循环移位进行循环采集样本，则区域内的所有样本为px,y，(x,y)∈{0,...,N-1}×{0,...,M-1}；S202、对每个样本均使用基于高斯核的相关滤波目标跟踪方法，完成目标位置检测于是转化为最小化代价函数ε：

【专利技术属性】
技术研发人员：康文雄，梁宁欣，吴桂乐，
申请(专利权)人：华南理工大学，
类型：发明
国别省市：广东,44