The method of adaptive feature selection and time-consistent robust correlation filtering for visual tracking involves computer vision technology. By introducing elastic network and time consistency constraints into the learning of correlation filtering, discriminant features can be adaptively selected to suppress interference features. At the same time, the learning and updating of models can be combined to effectively alleviate the problem of weak discriminability and time degradation of traditional correlation filters, and improve the algorithm for occlusion, deformation, rotation and background interference. Robustness. Through elastic networks and time consistency constraints, correlation filters adaptively select discriminant features with continuous time and regional characteristics. The derived correlation filtering learning problem can be solved by ADMM, and it can be solved efficiently with only a few iterations. It can achieve better performance, high precision and fast speed.
【技术实现步骤摘要】
自适应特征选择和时间一致性鲁棒相关滤波视觉跟踪方法
本专利技术涉及计算机视觉技术,尤其是涉及一种自适应特征选择和时间一致性鲁棒相关滤波视觉跟踪方法。
技术介绍
人类对外界视频具有很高的视觉感知能力,大脑能够对视频中的运动目标进行快速精准地定位。计算机要模仿人类大脑的视觉感知能力,就要能够在速度和精度上达到人类的水平。视觉跟踪是计算机视觉中的基础性问题,是视觉感知的基础性内容,其速度和精度决定着视觉感知的实时性及精确性。目标跟踪是计算机视觉领域的重要研究方向之一,在智能视频监控、人机交互、机器人导航、虚拟现实、医学诊断、公共安全等领域有着重要的作用。该任务首先在一个视频的初始帧选择感兴趣的目标,然后在接下来的连续帧中,预测目标的状态。此外,目标跟踪是一个颇具挑战性的课题,目标在跟踪过程中往往会发生表观变化(如发生遮挡,形变,旋转等),同时夹杂着复杂的光照变化、背景中相似目标的干扰以及目标的快速运动等,这些都会使该任务变得困难。近几年,基于相关滤波和深度学习的目标跟踪方法由于其良好的性能成为目前研究的主流方向。基于相关滤波的方法近几年已成为目标跟踪领域的研究热点之一,该类方法具有较好的速度优势,并在标准数据集和各项比赛中都取得了较好的结果。KCF的提出开启了相关滤波在目标跟踪领域的应用热潮。随后,许多研究者对KCF进行改进。为了处理尺度变化,DSST额外训练一个1D相关滤波器来进行尺度估计。为了缓解边界效应,SRDCF和CSR-DCF分别引入空间正则项和空间响应图来惩罚位于目标区域外面的相关滤波系数;CACF将上下文构成的样本与原来的目标样本一起用于训练相关滤 ...
【技术保护点】
1.自适应特征选择和时间一致性鲁棒相关滤波视觉跟踪方法,其特征在于包括以下步骤:1)在第t帧,给定定位到的目标,由目标及其周围背景构造基本样本,训练样本由基本样本的所有循环平移样本构成,相应的标签由高斯函数确定,回归器训练如下:
【技术特征摘要】
1.自适应特征选择和时间一致性鲁棒相关滤波视觉跟踪方法,其特征在于包括以下步骤:1)在第t帧,给定定位到的目标,由目标及其周围背景构造基本样本,训练样本由基本样本的所有循环平移样本构成,相应的标签由高斯函数确定,回归器训练如下:其中,*为卷积运算符号,xt和ft为第t帧的训练样本和滤波器,y为由高斯函数确定的标签,D为特征的维数;2)由于从样本中提取的所有特征包含判别性的特征与干扰特征,都用于训练步骤1)中的回归器,为了选择判别性的特征同时抑制干扰特征,所以在步骤1)中的回归器中引入稀疏约束以实现像素级别的特征选择,从而得到具有稀疏约束的回归器如下:其中,||·||1表示l1范数,λ1为相应的正则项参数;3)在视觉跟踪中,由于判别性特征和干扰特征往往集中在某几个区域,为了让这些特征具有区域分布特性,因此在步骤2)中的回归器中引入平方约束用于提升回归器的鲁棒性能,从而得到具有弹性网络约束的回归器如下:其中,||·||2表示l2范数,λ2为相应的正则项参数;4)在视觉跟踪中,相邻帧之间的回归器具有时间一致的特性,为了充分利用这一特性,因此在步骤3)中的回归器中引入时间一致性约束,从而得到具有弹性网络约束和时间一致性约束的回归器如下:其中,ft-1为第t-1帧学习得到的相关滤波器,μ为时间正则项参数;5)对步骤4)中的回归器进行求解,引入辅助变量,通过交替方向乘子法,将待求解的问题分解为3个子问题,每个子问题都有闭式解,通过少数几次迭代优化,从而得到回归器的解,具体实现过程如下:首先引入辅助变量待优化的问题转换如下:然后,采用增广拉格朗日乘子法将等式约束引入到目标函数中如下:其中,ht为拉格朗日乘子,γ为惩罚因子,由于L(ft,gt,ht)是凸的,因此采用ADMM来交替地优化以下的子问题:子问题ft:给定gt和ht,采用帕塞瓦尔定利将这个子问题由空域转换到频域如下所示:其中,表示相应变量的离散...
【专利技术属性】
技术研发人员:王菡子,梁艳杰,严严,刘祎,
申请(专利权)人:厦门大学,
类型:发明
国别省市:福建,35
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。