一种预测自适应学习的目标跟踪方法技术

本发明专利技术涉及一种预测自适应学习的目标跟踪方法，属于图像处理领域。该方法具体包括：S1：输入第t帧图像，利用运动向量预测目标位置；S2：通过LogGabor滤波器获得相位一致性图像；S3：采集正、负样本，利用随机稀疏矩阵的提取特征，并计算正负样本的压缩特征；S4：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；S5：计算目标窗口相似度来自适应地更新分类器；S6：输出第t帧的目标位置及更新后的模型参数。本发明专利技术在跟踪成功率上有显著提升，平均中心误差明显降低，提高了原算法在光照变化、遮挡等情况下的跟踪精度，有着良好的跟踪性能。

A Predictive Adaptive Learning Method for Target Tracking

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确性。
技术实现思路
有鉴于此，本专利技术的目的在于提供一种预测自适应学习的目标跟踪方法，用于解决压缩跟踪在光照变化、遮挡情况下跟踪不稳定问题，利用相位一致性不易受光照变化影响和能够检测大范围特征的特点，并根据相似度自适应更新分类器，使得分类结果更准确。为达到上述目的，本专利技术提供如下技术方案：一种预测自适应学习的目标跟踪方法，包括压缩跟踪与相位一致性、预测机制及分类器自适应更新，如图1所示，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，m是小波变换的尺度，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。进一步，步骤S1中，假设当前帧位置为(x2,y2)，上一帧位置为(x1,y1)；当物体快速移动时，利用运动向量信息以及当前帧的位置信息来预测下一帧的目标位置，即位置预测方法：利用运动向量(Δx,Δy)来确定下一帧目标位置时，通过计算(x2+Δx,y2+Δy)来作为目标的初始位置，在目标快速运动的情况下，以预测位置为中心进行跟踪。进一步，步骤S2中，使用压缩跟踪对图像进行多尺度降维，将多维特征向量映射到低维特征中，并利用局部能量模型进行相位一致计算从而提取线性、阶跃等重要图像特征，即：其中，H(x)是F(x)的Hilbert变换，I(x)是信号，和分别是m尺度下奇偶小波，则局部能量函数定义为：其中，PC(x)为一维信号在x处信号的相位一致性函数，Am为第m级Fourier的振幅。进一步，步骤S5中，所述分类器自适应更新具体包括：采用Bhattacharyya系数来度量初始帧目标窗口和当前帧目标窗口的相似性；对于连续概率分布，其表达式为：其中，p(x)和q(x)分别为初始帧目标窗口和当前帧目标窗口图像的密度函数；B表示巴氏系数，通过比较两帧搜索窗口B∈[0,1]图像的相似度；B值越大，两窗口目标图像相似度越大。进一步，步骤S6中，所述判断B与q和p的关系具体为：(1)若B＜p，则提取初始帧的正样本、t帧的负样本，利用学习参数λ更新分类器参数；(2)若p≤B≤q，则仅采集t帧的负样本，利用学习参数λ更新分类器参数；(3)若B＞q，则采集t帧正、负样本，利用学习参数λ更新分类器参数。本专利技术的有益效果在于：本专利技术通过使用运动向量预测更准确的目标位置，利用相位一致性不易受光照变化影响和能够检测大范围特征的特点，并根据相似度自适应更新分类器，使得分类结果更准确。运用本专利技术对多个视频序列进行测试，实验结果表明，本专利技术在跟踪成功率上有显著提升，平均中心误差明显降低，提高了原算法在光照变化、遮挡等情况下的跟踪精度；有着良好的跟踪性能在目标在被大面积遮挡和光照变化的情况时，仍能保证目标跟踪具有更好的鲁棒性。附图说明为了使本专利技术的目的、技术方案和有益效果更加清楚，本专利技术提供如下附图进行说明：图1为本专利技术所述跟踪方法流程图；图2为位置预测方法示意图；图3为x处Fourier成分的极坐标图；图4为自适应更新分类器示意图；图5为特征生成示意图；图6选取搜索区域示意图。具体实施方式下面将结合附图，对本专利技术的优选实施例进行详细的描述。如图1所示，本专利技术所述的一种预测自适应学习的目标跟踪方法，具体包括以下步骤：S1：在目标快速运动时，传统压缩跟踪算法容易产生跟踪丢失的问题，为了解决这个问题，本专利技术引入位置预测机制。假设当前帧位置为(x2,y2)，上一帧位置为(x1,y1)。当物体快速移动时，按照传统方法将(x2,y2)作为下一帧的初始位置，会产生跟踪误差。利用运动向量信息以及当前帧的位置信息来预测下一帧的目标位置,提出了位置预测机制，如图2所示，利用运动向量(Δx,Δy)来确定下一帧目标位置时，计算预测位置(x2+Δx,y2+Δy)作为目标的初始位置。引入位置预测法后，在目标快速运动的情况下，以预测位置为中心进行跟踪更容易覆盖目标，故该方法对于快速运动的目标跟踪具有较好的鲁棒性。S2：对于一维信号，在x处信号的相位一致性函数为：其中，Am是第m级Fourier的振幅，表示Fourier级数在x处的局部相位信息，本文档来自技高网...

【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