利用深度数据构建约束相关滤波器的视觉跟踪方法、系统技术方案

本发明专利技术公开了一种利用深度数据构建约束相关滤波器的视觉跟踪方法、系统。该视觉跟踪方法包括步骤：S1，对当前深度图像帧中估计的目标位置处的深度数据进行深度目标分割，获取目标空间信息；S2，对当前彩色图像帧中估计的目标位置处的彩色数据提取特征向量；S3，根据目标空间信息构建高斯型回归标签函数；S4，利用目标空间信息和当前彩色图像帧中提取的特征向量以及高斯型回归标签函数构建空间约束相关滤波器；S5，对下一帧彩色图像在搜索窗内的彩色数据进行特征提取获得特征向量，根据下一帧彩色图像中提取的特征向量和空间约束相关滤波器计算目标相关响应；S6，根据目标相关响应中的最大响应的位置确定下一帧彩色图像的目标位置。

【技术实现步骤摘要】
利用深度数据构建约束相关滤波器的视觉跟踪方法、系统
本专利技术涉及图像处理
，尤其涉及一种利用深度数据构建约束相关滤波器的视觉跟踪方法、系统。
技术介绍
视觉跟踪广泛应用于人工智能、交通、安防、机器人、智能仓储等领域，是实现智能化、无人化的重要方法和途径。利用视觉跟踪方法可以获取目标的位置、速度、轨迹等信息，通过这些信息可以完成更加高级的行为识别，进而更好的为生产和生活服务。近年来，视觉跟踪领域广泛采用相关滤波的方法实现目标模型在频域的高效学习和检测，但是相关滤波的方法严重受限于边缘效应和固定的目标形状而无法进一步提升跟踪性能，严重限制了视觉跟踪的应用场景，给视觉跟踪的实际应用带来很大的障碍。相关滤波方法引入了边缘效应，导致只有搜索窗中心位置的相关滤波器响应是准确的，这降低了搜索范围；并且相关滤波器采用固定尺寸的滤波器模板，要求目标必须是固定尺寸的矩形形状，非矩形目标会引入背景信息从而降低判别能力，训练的滤波器与待检测的模板必须是相同大小，限制了算法的应用范围。
技术实现思路
本专利技术所要解决的技术问题在于提供一种能够适应任意形状的目标和能够克服边缘效应的利用深度数据构建约束相关滤波器的视觉跟踪方法、系统。为解决上述技术问题，本专利技术采用如下所述的技术方案：一种利用深度数据构建约束相关滤波器的视觉跟踪方法，其特征在于，所述视觉跟踪方法包括如下步骤：S1，对当前深度图像帧中估计的目标位置处的深度数据进行深度目标分割，获取目标空间信息；S2，对当前彩色图像帧中估计的目标位置处的彩色数据进行特征提取，获得特征向量；S3，根据目标空间信息构建高斯型回归标签函数；S4，利用目标空间信息和当前彩色图像帧中提取的特征向量以及高斯型回归标签函数构建空间约束相关滤波器；S5，对下一帧彩色图像在搜索窗内的彩色数据进行特征提取获得特征向量，根据下一帧彩色图像中提取的特征向量和空间约束相关滤波器计算目标相关响应；S6，根据目标相关响应中的最大响应的位置确定下一帧彩色图像的目标位置。优选地，所述步骤S6之前还包括：根据当前彩色图像帧中提取的特征向量计算各特征通道的贡献；根据各特征通道的相关响应计算各特征通道的独特性；根据特征通道的贡献和特征通道的独特性计算各特征通道的权重；利用特征通道的权重对各特征通道的相关响应进行加权运算得到目标的相关响应。优选地，所述步骤S6之后还包括：采取学习方法对空间约束相关滤波器进行更新；利用所述步骤S5-S6中的方法根据所述更新后的空间约束相关滤波器确定下下帧彩色图像的目标位置。优选地，所述目标空间信息包括形状和深度分布直方图。优选地，所述特征向量包括方向梯度直方图特征、颜色特征和灰度特征。一种利用深度数据构建约束相关滤波器的视觉跟踪系统，其特征在于，所述视觉跟踪系统包括有：空间信息获取模块，用于对当前深度图像帧中估计的目标位置处的深度数据进行深度目标分割，获取目标空间信息；目标特征提取模块，用于对当前彩色图像帧中估计的目标位置处的彩色数据进行特征提取，获得特征向量；函数构造模块，用于根据目标空间信息构建高斯型回归标签函数；滤波器构造模块，用于利用目标空间信息和当前彩色图像帧中提取的特征向量以及高斯型回归标签函数构建空间约束相关滤波器；响应计算模块，用于对下一帧彩色图像在搜索窗内的彩色数据进行特征提取获得特征向量，根据下一帧彩色图像中提取的特征向量和空间约束相关滤波器计算目标相关响应；目标位置确定模块，用于根据目标相关响应中的最大响应的位置确定当前帧彩色图像的目标位置。优选地，所述视觉跟踪系统还包括有：贡献计算模块，用于根据特征向量计算各特征通道的贡献；独特性计算模块，用于根据各特征通道的相关响应计算各特征通道的独特性；权重计算模块，根据特征通道的贡献和特征通道的独特性计算各特征通道的权重。优选地，所述视觉跟踪系统还包括有：滤波器更新模块，用于采取学习方法对空间约束相关滤波器进行更新。本专利技术的有益技术效果在于：本专利技术通过对深度数据进行目标分割，获取目标的形状和深度分布等空间信息，然后利用目标的形状构建带有空间约束的相关滤波器，相关滤波器时包含了目标的形状等空间信息，因此，滤波器能适应任意形状的目标；同时，目标的空间信息打破了相关滤波器利用的循环假设，进而克服了循环假设带来的边缘效应，使得计算的相关响应在整个搜索框内都是准确的，扩大了视觉跟踪的搜索范围。附图说明图1为本专利技术一个实施例中的利用深度数据构建约束相关滤波器的视觉跟踪方法的流程示意图；图2为本专利技术一个实施例中的利用深度数据构建约束相关滤波器的视觉跟踪系统的结构示意图。具体实施方式为使本领域的普通技术人员更加清楚地理解本专利技术的目的、技术方案和优点，以下结合附图和实施例对本专利技术做进一步的阐述。如图1所示，在本专利技术一个实施例中，利用深度数据构建约束相关滤波器的视觉跟踪方法，包括：S1，对当前深度图像帧中估计的目标位置处的深度数据进行深度目标分割，获取目标空间信息。具体地，对当前深度图像帧估计的目标位置处的深度数据进行深度目标分割，获取目标的形状和深度分布等空间信息。首先计算深度数据的深度分布直方图h(dj)，步长为5cm，若非第一帧，采用目标深度分布的标准方差δ作为步长，h(dj)共有j个位，每个位对应的深度平均值为dj,h(dj)为第j位深度范围内的深度值的个数。对深度分布直方图做长度为3的一维非极大值抑制并且挑选局部最大值作为K-Means聚类的起始点。局部最大值的个数作为K-Means聚类的类数K以减少收敛所需要的迭代次数，若直方图位数大于50，并且局部最大值只有一个，则在直方图的末尾添加一个聚类的起始点作为背景的聚类起始点放置目标的深度分布标准方差受到极大值得影响。从初始点开始聚类，更新方法为聚类收敛之后，根据聚类结果，取对应的深度范围最小的类作为目标分布的平面，在深度图上取出所有属于深度范围内的深度值，连接这些深度值所在图像中的位置，取面积最大的区域作为目标的形状m，利用所有属于目标形状内的深度值计算目标的深度分布标准差μ和标准方差δ。S2，对当前彩色图像帧中估计的目标位置处的彩色数据进行特征提取，获得特征向量。具体地，对当前彩色图像帧中估计的目标位置处的彩色数据提取方向梯度直方图(HistogramofOrientedGradient,HOG)特征、颜色(ColorNames,CN)特征和灰度特征，该三种特征的数据构成了特征向量f。S3，根据目标空间信息构建高斯型回归标签函数。具体地，以估计的模板中心为原点，根据构建从目标中心到边缘逐渐下降的高斯型回归标签函数，其中m≤W,n≤H,W和H分别为搜索窗的宽和高。S4，利用目标空间信息和当前彩色图像帧中提取的特征向量以及高斯型回归标签函数构建空间约束相关滤波器。具体地，利用目标空间信息和当前彩色图像帧中提取的特征向量以及高斯型回归标签函数构建约束相关滤波器，并求解滤波器模型。目标形状可以作为一个约束条件，防止滤波器被矩形框内非目标的背景污染，相关滤波器的求解其实是最小化相关响应和高斯回归标签函数的二范数的过程，非约束的相关滤波器是最小化转化为频域为其中为数字傅里叶变换操作,为复共轭操作，λ为正则项，防止过拟合，通常设置为0.02。根据非约束相关滤波器利用增广拉格朗日方法构建约束相关本文档来自技高网...

【技术保护点】
1.一种利用深度数据构建约束相关滤波器的视觉跟踪方法，其特征在于，所述视觉跟踪方法包括如下步骤：S1，对当前深度图像帧中估计的目标位置处的深度数据进行深度目标分割，获取目标空间信息；S2，对当前彩色图像帧中估计的目标位置处的彩色数据进行特征提取，获得特征向量；S3，根据目标空间信息构建高斯型回归标签函数；S4，利用目标空间信息和当前彩色图像帧中提取的特征向量以及高斯型回归标签函数构建空间约束相关滤波器；S5，对下一帧彩色图像在搜索窗内的彩色数据进行特征提取获得特征向量，根据下一帧彩色图像中提取的特征向量和空间约束相关滤波器计算目标相关响应；S6，根据目标相关响应中的最大响应的位置确定下一帧彩色图像的目标位置。

【技术特征摘要】
1.一种利用深度数据构建约束相关滤波器的视觉跟踪方法，其特征在于，所述视觉跟踪方法包括如下步骤：S1，对当前深度图像帧中估计的目标位置处的深度数据进行深度目标分割，获取目标空间信息；S2，对当前彩色图像帧中估计的目标位置处的彩色数据进行特征提取，获得特征向量；S3，根据目标空间信息构建高斯型回归标签函数；S4，利用目标空间信息和当前彩色图像帧中提取的特征向量以及高斯型回归标签函数构建空间约束相关滤波器；S5，对下一帧彩色图像在搜索窗内的彩色数据进行特征提取获得特征向量，根据下一帧彩色图像中提取的特征向量和空间约束相关滤波器计算目标相关响应；S6，根据目标相关响应中的最大响应的位置确定下一帧彩色图像的目标位置。2.如权利要求1所述的利用深度数据构建约束相关滤波器的视觉跟踪方法，其特征在于，所述步骤S6之前还包括：根据当前彩色图像帧中提取的特征向量计算各特征通道的贡献；根据各特征通道的相关响应计算各特征通道的独特性；根据特征通道的贡献和特征通道的独特性计算各特征通道的权重；利用特征通道的权重对各特征通道的相关响应进行加权运算得到目标的相关响应。3.如权利要求1所述的利用深度数据构建约束相关滤波器的视觉跟踪方法，其特征在于，所述步骤S6之后还包括：采取学习方法对空间约束相关滤波器进行更新；利用所述步骤S5-S6中的方法根据所述更新后的空间约束相关滤波器确定下下帧彩色图像的目标位置。4.如权利要求1所述的利用深度数据构建约束相关滤波器的视觉跟踪方法，其特征在于，所述目标空间信息包括形状和深度分布直方图。5.如权利要求1所述的利用深度数据构建约束相关滤波器的视觉跟踪方法，其特征在于，所述特征向量包括方向梯度直方图特征、颜色特征和灰度特...

【专利技术属性】
技术研发人员：黄磊，李冠群，张沛昌，孙维泽，李强，王一波，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东,44