The invention relates to a target tracking method of predictive adaptive learning, which belongs to the field of image processing. The method includes: S1: inputting the image of the first t frame and predicting the target position by motion vector; S2: obtaining phase-consistent image by LogGabor filter; S3: collecting positive and negative samples, using random sparse matrix to extract features, and calculating compression characteristics of positive and negative samples; S4: selecting the candidate position with the largest response of Naive Bayesian classifier as the target of the current frame; To calculate the similarity of the target window to update the classifier adaptively; S6: Output the target position of the T frame and the updated model parameters. The invention improves the tracking success rate remarkably, reduces the average center error remarkably, improves the tracking accuracy of the original algorithm in the case of illumination change, occlusion, etc., and has good tracking performance.
【技术实现步骤摘要】
一种预测自适应学习的目标跟踪方法
本专利技术属于图像处理领域,涉及一种预测自适应学习的目标跟踪方法。
技术介绍
随着计算机技术的迅速发展,目标跟踪作为计算机视觉领域的关键技术广泛应用于视频监控、人机交互、无人驾驶等领域,具有广阔的应用前景。在实际目标跟踪中往往会遇到各项干扰因素所带来的问题,其中需要考虑的关键因素有:1)复杂的背景;2)目标的遮挡;3)目标的形变;4)算法实时性。因此,保证长期稳定的目标跟踪成为了众多学者的研究重点。早期的研究大部分是基于生成模型进行跟踪,这种跟踪算法计算量大且复杂度高,难以进行实时跟踪。随着跟踪算法的快速发展,基于判别模型的跟踪成为了众多专家学者的研究重点。有学者提出了基于压缩感知的跟踪算法(CompressiveTracking,CT),该跟踪算法复杂度低且实时性强,但漂移现象较为明显。还有学者提出了快速压缩跟踪(FastCompressiveTracking,FCT)算法,该算法虽然较好地解决了严重的漂移现象,但仅能在目标遇到少量遮挡时保持较好跟踪效果。这些算法在实际应用中都能取得较好的跟踪效果,但仍然存在一些问题,如当跟踪目标的运动状态变化较大、光照变化明显时,其跟踪效果较差。因此,能在复杂环境下实现鲁棒、稳定的跟踪目标的算法仍然有待研究。为了解决上述存在的问题和缺陷,本专利技术提出了一种将压缩感知和相位一致性理论相结合的跟踪算法。之后根据运动向量的原理,来预测下一帧中目标的位置。利用压缩感知理论对所提取的特征进行降维,减少运算信息量,更加提升跟踪的速度,满足实时性的要求。并自适应的更新滤波器参数,来提高跟踪算法的准 ...
【技术保护点】
1.一种预测自适应学习的目标跟踪方法,其特征在于,该方法具体包括以下步骤:S1:输入第t帧图像,按照式(1)利用运动向量预测目标位置Lp;
【技术特征摘要】
1.一种预测自适应学习的目标跟踪方法,其特征在于,该方法具体包括以下步骤:S1:输入第t帧图像,按照式(1)利用运动向量预测目标位置Lp;其中,(x2,y2)表示当前帧位置,(x3,y3)表示预测位置,(Δx,Δy)表示运动向量;S2:对目标搜索区域Tsearch用式(2)进行相位一致性变换,得到相位一致性图像imgpc;其中,参数o表示方向的索引,下面只从一个方向上来说明相关参数的含义:PC2(x,y)为二维信号的相位一致性,Am(x,y)为第m级傅里叶级数成分的振幅,W(x,y)是控制频率展宽函数,为相位偏移量,ε为恒定系数,T为预估噪声系数;S3:采集正、负样本,利用随机稀疏矩阵的提取特征,正、负样本的搜索区域分别为TPOS={x|l(z)-Lp<a}、Tneg={x|b<l(z)-Lp<c},并根据式(3)计算正负样本的压缩特征;V=RX(3)其中,l(z)表示第i帧图像中样本z的中心位置,Lp表示第i帧图像中目标的中心位置,a为正样本搜索半径,b为负样本搜索内半径,c为负样本搜索外半径,且a<b<c;R为测量矩阵,V是原高维信号x在R下的投影;S4:将特征值代入式(4),设样本为目标即正样本时y=1,样本为背景即负样本时y=0,假设先验概率p(y=1)=p(y=0)选取朴素贝叶斯分类器响应最大的候选位置作为当前帧的目标Lt;其中,v为样本z的低维特征,v=(v1,v2,...,vn)T;S5:分类器自适应更新:计算第t帧和初始帧目标窗口的巴氏系数B;S6:判断B与q和p的关系,其中q,p为自适应阈值,且q>p,利用学习参数λ更新分类器参数;S7:最终输出第t帧的目标位置及更新后的模型参数。2.根据权利要求1所述的一种预测自适应学习的...
【专利技术属性】
技术研发人员:杨路,郑敏,王诗言,魏瑶瑶,
申请(专利权)人:重庆邮电大学,
类型:发明
国别省市:重庆,50
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。