一种基于相关滤波器的目标跟踪检测方法技术

本发明专利技术公开了一种基于相关滤波器的目标跟踪检测方法，属于计算机视觉技术领域，其主要思路为：获取一个视频，所述视频包括T帧图片，每帧图片中分别包含一个目标，其中第1帧图片上目标位置已知，剩余T‑1帧图片上各自目标位置未知；然后计算T帧图片目标搜索域区域；分别得到第1帧图片目标搜索域区域的HOG特征向量fHOG,1至第T帧图片目标搜索域区域的HOG特征向量fHOG,T；计算第t帧图片的HOG特征响应矩阵

【技术实现步骤摘要】
一种基于相关滤波器的目标跟踪检测方法
本专利技术属于计算机视觉
，特别涉及一种基于相关滤波器的目标跟踪检测方法，适应于实际应用。
技术介绍
视频目标跟踪是计算机视觉领域的重要研究课题，其定义是：给定视频序列初始帧中目标的位置框，在接下来的视频序列中自动给出该目标的位置框.视频目标跟踪研究在视频监控、人机交互、机器人等领域有广泛应用。经过30多年研究与发展，大量视频目标跟踪算法相继提出，早期工作主要集中于生成学习跟踪方法研究，如Lucas—Kanade算法、Kalman滤波算法和Mean—shift跟踪算法等；但早期研究工作通过经典的数学模型难以准确把握目标的动态表观信息，因此经常导致若干帧后跟踪失败；接着，研究人员尝试在跟踪问题中引入包含考量背景信息在内的鉴别学习方法，以判别分类角度为出发点的鉴别学习跟踪算法得到了广泛研究和发展；如2009年B.Babenko等提出在线多例学习跟踪算法(MIL)与S.Hare建立的利用核方法的结构化输出模型(Struck)；基于相关滤波视频目标跟踪算法近年来受到广泛关注，其初衷是设计一个对目标高响应、同时对背景低响应的滤波器，由此实现对目标模式的快速检测；该方法本身可以有效实现对目标定位，但是对训练样本提出了数量要求，直至Bolme在2010年提出了最小平方误差输出总和滤波器(MOSSE)，该状况得以改善；利用自适应训练框架，MOSSE实现了鲁棒高效的跟踪模式，在MOSSE基础上，出现了大量改进算法；如Henriques等于2012年构建的循环结构检测跟踪算法(CSK)和于2015年提出的核化相关滤波器算法。但是目前的相关滤波算法仍然有一些不足之处，如对快速物体与形变物体进行目标跟踪时容易丢失目标；对运动中的物体进行目标跟踪时容易发生中心点偏移导致目标获取不准确。
技术实现思路
针对上述现有技术存在的缺点，本专利技术的目的在于提出一种基于相关滤波器的目标跟踪检测方法，该种基于相关滤波器的目标跟踪检测方法对目标响应最大值设定了一个阈值，大于该阈值时，该目标响应最大值的位置就是目标中心点；小于该阈值时，对目标进行重新定位。为达到上述技术目的，本专利技术采用如下技术方案予以实现。一种基于相关滤波器的目标跟踪检测方法，包括以下步骤：步骤1，获取一个视频，所述视频包括T帧图片，每帧图片中分别包含一个目标，其中第1帧图片上目标位置已知，剩余T-1帧图片上各自目标位置未知；然后计算T帧图片目标搜索域区域；其中，T为大于或等于2的正整数；步骤2，对第t'帧图片目标搜索域区域分别进行HOG特征提取，得到第t'帧图片目标搜索域区域的HOG特征向量fHOG,t'；1≤t′≤T，t'的初始值为1；步骤3，令t'的值分别取1至T，重复步骤2，进而分别得到第1帧图片目标搜索域区域的HOG特征向量fHOG,1至第T帧图片目标搜索域区域的HOG特征向量fHOG,T；初始化：令t∈{2,3,…,T}，令表示第t帧图片目标搜索域区域，t的初始值为2；设定常量阈值为步骤4，确定相关滤波器，并将第t帧图片目标搜索域区域的HOG特征向量fHOG,t作为相关滤波器的输入，计算第t帧图片的HOG特征响应矩阵即为相关滤波器的输出，进而得到第t帧图片的HOG特征响应矩阵中的最大值；步骤5，根据第t帧图片的HOG特征响应矩阵中的最大值与和常量阈值得到第t帧图片的目标中心点步骤6，令t的值加1，返回步骤4，直到得到第T帧图片的目标中心点后结束跟踪，至此得到了第2帧图片的目标中心点至第T帧图片的目标中心点以及根据第1帧图片上目标位置得到第1帧图片的目标中心点实现了T帧图片中每个目标的实时跟踪。本专利技术的有益效果：本专利技术提出了一种基于相关滤波器的改进方法，在得到目标响应矩阵的最大值后用阈值进行判断，是否进行再检测，提高了目标获取的精确度；针对算法中的重要函数，将某个常数改变为高斯分布矩阵，使该函数更平滑。附图说明下面结合附图和具体实施方式对本专利技术作进一步详细说明。图1为本专利技术的一种基于相关滤波器的目标跟踪检测方法流程图；图2为自适应搜索域的原理图；图3为HOG特征提取的原理图；图4a为使用传统算法后视频的第1帧图片示意图；图4b为使用传统算法后视频的第25帧图片示意图；图4c为使用传统算法后视频的第29帧图片示意图；图4d为使用传统算法后视频的第38帧图片示意图；图5a为使用本专利技术方法后视频的第1帧图片示意图；图5b为使用本专利技术方法后视频的第25帧图片示意图；图5c为使用本专利技术方法后视频的第29帧图片示意图；图5d为使用本专利技术方法后视频的第38帧图片示意图。具体实施方式参照图1，为本专利技术的一种基于相关滤波器的目标跟踪优化方法流程图；其中所述基于相关滤波器的目标跟踪再检测方法，包括以下步骤：步骤1，计算搜索域的大小。利用熵的性质自动选择搜索域的大小；首先，输入一个视频，所述视频包括T帧图片，每帧图片中分别包含一个目标，其中第1帧图片上目标位置是已知的，剩余T-1帧图片上各自目标位置都是未知的；第1帧图片上目标大小为q1，计算第1帧图片上目标的熵E(q1)，p1i表示第1帧图片内灰度值i在q1中出现的概率，b1表示第1帧图片中的灰度值最大值，本实施例中b1取值为255。确定第2帧图片上目标搜索域区域初始值为s0，s0＝O×q1，O为大于0的正整数，本实施例O取值为3。1.1计算得到第1帧图片上目标的熵E(q1)与第2帧图片上第k-1次更新后目标搜索域区域的熵E(sk-1)之间的比R(k-1)，其表达式为：R(k-1)＝E(q1)/E(sk-1)(1)其中，1≤k≤K，K为设定的搜索域更新次数最大值，本实施例K取值为9；k的初始值为1，sk-1表示第2帧图片上第k-1次更新后目标搜索域区域，pk-1,2,l表示第2帧图片内灰度值l在sk-1中出现的概率，log2表示底数为2的对数，b2表示第2帧图片中的灰度值最大值，本实施例中b2取值为255。1.2令k的值加1，且令sk-1＝sk-2-Q，返回1.1，直到得到第1帧图片上目标的熵E(q1)与第2帧图片上第K-1次更新后搜索域的熵E(sK-1)之间的比R(K-1)或者sk-1＝1.2q1时停止更新，将停止更新时对应的第1帧图片上目标的熵与第2帧图片上第k-1次更新后搜索域的熵之间的比，记为第1帧图片上目标的熵E(q1)与第2帧图片上第k'次更新后搜索域的熵E(sk')之间的比R(k')，1≤k'≤K，k'表示停止更新时对应的更新次数，Q为设定常数，0<Q<1，本实施例中Q取值为0.2。1.3根据第1帧图片上目标的熵E(q1)与第2帧图片上第k'次更新后目标搜索域区域的熵E(sk')之间的比R(k')，并通过如下公式得到第2帧图片上的最优目标搜索域区域，记为第2帧图片目标搜索域区域其中，表示取最小时对应的j值，R(j-1)表示第1帧图片上目标的熵E(q1)与第2帧图片上第j-1次更新后目标搜索域区域的熵E(sj-1)之间的比，表示第2帧图片目标搜索域区域的最优更新次数，Q为设定常数，0<Q<1，本实施例中Q取值为0.2；O表示设定整数，O>1，本实施例中O取值为3；结果如图2所示。令第1帧图片目标搜索域区域q1表本文档来自技高网...

【技术保护点】
1.一种基于相关滤波器的目标跟踪检测方法，其特征在于，包括以下步骤：步骤1，获取一个视频，所述视频包括T帧图片，每帧图片中分别包含一个目标，其中第1帧图片上目标位置已知，剩余T‑1帧图片上各自目标位置未知；然后计算T帧图片目标搜索域区域；其中，T为大于或等于2的正整数；步骤2，对第t'帧图片目标搜索域区域分别进行HOG特征提取，得到第t'帧图片目标搜索域区域的HOG特征向量fHOG,t'；1≤t′≤T，t'的初始值为1；步骤3，令t'的值分别取1至T，重复步骤2，进而分别得到第1帧图片目标搜索域区域的HOG特征向量fHOG,1至第T帧图片目标搜索域区域的HOG特征向量fHOG,T；初始化：令t∈{2,3,…,T}，令

【技术特征摘要】
1.一种基于相关滤波器的目标跟踪检测方法，其特征在于，包括以下步骤：步骤1，获取一个视频，所述视频包括T帧图片，每帧图片中分别包含一个目标，其中第1帧图片上目标位置已知，剩余T-1帧图片上各自目标位置未知；然后计算T帧图片目标搜索域区域；其中，T为大于或等于2的正整数；步骤2，对第t'帧图片目标搜索域区域分别进行HOG特征提取，得到第t'帧图片目标搜索域区域的HOG特征向量fHOG,t'；1≤t′≤T，t'的初始值为1；步骤3，令t'的值分别取1至T，重复步骤2，进而分别得到第1帧图片目标搜索域区域的HOG特征向量fHOG,1至第T帧图片目标搜索域区域的HOG特征向量fHOG,T；初始化：令t∈{2,3,…,T}，令表示第t帧图片目标搜索域区域，t的初始值为2；设定常量阈值为步骤4，确定相关滤波器，并将第t帧图片目标搜索域区域的HOG特征向量fHOG,t作为相关滤波器的输入，计算第t帧图片的HOG特征响应矩阵即为相关滤波器的输出，进而得到第t帧图片的HOG特征响应矩阵中的最大值；步骤5，根据第t帧图片的HOG特征响应矩阵中的最大值与和常量阈值得到第t帧图片的目标中心点步骤6，令t的值加1，返回步骤4，直到得到第T帧图片的目标中心点后结束跟踪，至此得到了第2帧图片的目标中心点至第T帧图片的目标中心点以及根据第1帧图片上目标位置得到第1帧图片的目标中心点实现了T帧图片中每个目标的实时跟踪。2.如权利要求1所述的一种基于相关滤波器的目标跟踪检测方法，其特征在于，在步骤1中，所述T帧图片目标搜索域区域，其过程为：1.1计算得到第1帧图片上目标的熵E(q1)与第2帧图片上第k-1次更新后目标搜索域区域的熵E(sk-1)之间的比R(k-1)，其表达式为：R(k-1)＝E(q1)/E(sk-1)其中，1≤k≤K，K为设定的搜索域更新次数最大值；k的初始值为1，sk-1表示第2帧图片上第k-1次更新后目标搜索域区域，pk-1,2,l表示第2帧图片内灰度值l在sk-1中出现的概率，log2表示底数为2的对数，b2表示第2帧图片中的灰度值最大值；p1i表示第1帧图片内灰度值i在q1中出现的概率，b1表示第1帧图片中的灰度值最大值，q1表示第1帧图片上目标大小；1.2令k的值加1，且令sk-1＝sk-2-Q，返回1.1，直到得到第1帧图片上目标的熵E(q1)与第2帧图片上第K-1次更新后搜索域的熵E(sK-1)之间的比R(K-1)或者sk-1＝1.2q1时停止更新，将停止更新时对应的第1帧图片上目标的熵与第2帧图片上第k-1次更新后搜索域的熵之间的比，记为第1帧图片上目标的熵E(q1)与第2帧图片上第k'次更新后搜索域的熵E(sk')之间的比R(k')，1≤k'≤K，k'表示停止更新时对应的更新次数；其中，Q为设定常数，0<Q<1；1.3根据第1帧图片上目标的熵E(q1)与第2帧图片上第k'次更新后目标搜索域区域的熵E(sk')之间的比R(k')，并通过如下公式得到第2帧图片上的最优目标搜索域区域，记为第2帧图片目标搜索域区域其中，表示取最小时对应的j值，R(j-1)表示第1帧图片上目标的熵E(q1)与第2帧图片上第j-1次更新后目标搜索域区域的熵E(sj-1)之间的比，表示第2帧图片目标搜索域区域的最优更新次数，Q为设定常数，0<Q<1；令第1帧图片目标搜索域区域O表示设定整数，O>1；1.4令表示第t帧图片目标搜索域区域，qt-1表示第t-1帧图片上目标大小，t∈{2,3,…,T}；1.5令t的值从2取至T，重复执行1.4，直到得到第T帧图片目标搜索域区域将第2帧图片目标搜索域区域至第T帧图片目标搜索域区域以及第1帧图片目标搜索域区域记为T帧图片目标搜索域区域，然后将t的值初始化为2。3.如权利要求2所述的一种基于相关滤波器的目标跟踪检测方法，其特征在于，在步骤2中，所述第t'帧图片目标搜索域区域的HOG特征向量，其得到过程为：2.1对第t'帧图片目标搜索域区域进行灰度化，得到灰度化后第t'帧图片目标搜索域区域；然后采用Gamma校正法对灰度化后第t'帧图片目标搜索域区域进行颜色空间的标准化，进而得到Gamma校正法后第t'帧图片目标搜索域区域，所述Gamma校正法后第t'帧图片目标搜索域区域中包括A×B个像素，A表示Gamma校正法后第t'帧图片目标搜索域区域的高，B表示Gamma校正法后第t'帧图片目标搜索域区域的宽；再计算Gamma校正法后第t'帧图片目标搜索域区域中A×B个像素的梯度，得到A×B个像素的梯度值；A、B分别为大于0的正整数；2.2将Gamma校正法后第t'帧图片目标搜索域区域中每C×C个像素分别作为一个单元cell，进而得到E个单元cell，表示向下取整；确定每个单元cell包含H个梯度方向；将每个单元cell的H个梯度方向分别记为对应单元cell的梯度直方图，进而得到E个单元cell的梯度直方图，每个单元cell的梯度直方图都为H×1维；将E个单元cell的梯度直方图作为E个单元cell的特征描述符；C、H分别为大于0的正整数；2.3将E个单元cell中每D×D个单元cell分别组成一个块block，进而得到F个块block，表示向下取整；将每个块block内D×D个单元cell的特征描述符分别依次串接起来，进而得到F个块block的HOG特征描述符，所述F个块block的HOG特征描述符都为H×D维；D、F分别为大于0的正整数；将F个块block的HOG特征描述符依次串接起来，得到第t'帧图片的HOG特征描述符，所述第t'帧图片的HOG特征描...

【专利技术属性】
技术研发人员：赵亦工，岑晓，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西,61