基于外观自适应空间正则化相关滤波器的目标跟踪方法技术

本发明专利技术公开了一种基于外观自适应空间正则化相关滤波器的目标跟踪方法，包括：利用在线K‑means聚类算法对跟踪结果图像块进行目标与背景的的分割，并得到目标区域模板；利用目标区域模板生成空间正则化权重矩阵；用交替方向乘子法(ADMM)训练学习具有空间正则化的相关滤波器，对目标进行跟踪。本发明专利技术能够有效的限制相关滤波器学习内容，减少相关滤波器的背景信息，抑制相关滤波器的边界效应。与传统的带有空间正则化的相关滤波器相比，更精准的对目标区域与背景区域进行不同程度抑制；能够扩大相关滤波器的搜索范围，提升相关滤波器对目标大位移的鲁棒性。

Target Tracking Method Based on Appearance Adaptive Spatial Regularization Correlated Filter

【技术实现步骤摘要】
基于外观自适应空间正则化相关滤波器的目标跟踪方法
本专利技术涉及一种基于外观自适应空间正则化相关滤波器的目标跟踪方法，属于视频目标跟踪

技术介绍
目标跟踪对机器人、无人机、自动驾驶、导航与制导等领域的发展有重要意义。例如，在人机交互过程中，摄像头不断对人体行为进行跟踪，并经过一系列的分析处理使机器人达到对人体姿态、动作、手势的理解，从而更好地实现人和机器的友好交流；在无人机目标跟踪过程中，不断获取目标的视觉信息，并传送给地面控制站，通过算法对视频图像序列进行分析，得到跟踪目标的实时位置信息，以保证跟踪目标实时处于无人机的视野范围之内。在使用KCF算法跟踪视频中的目标时，会被跟踪目标的快速运动或剧烈运动导致KCF算法搜索区域不能完整覆盖，从而导致跟踪失败。保证搜索区域覆盖目标的一种方法时通过扩大搜索区域的面积，但这会引入边界效应，使得滤波器学习到过多的背景信息。需要寻找一种既能扩大搜索区域又能抑制滤波器的背景信息的算法。
技术实现思路
本专利技术要解决的技术问题是：标准得空间增则化相关滤波算法虽然能很好得解决边界效应，但其正则化策略仅仅根据滤波器得系数所在位置对滤波器施行不同的惩罚系数，但是这对滤波器学习目标信息是不利的，所以需要寻找一个既能抑制边界效应又能较好的学习目标信息的正则化策略。为了解决上述技术问题，本专利技术的技术方案是提供了一种基于外观自适应空间正则化相关滤波器的目标跟踪方法，其特征在于，包括以下步骤：(1)初始化滤波器的学习率，ADMM算法最大迭代次数，拉格朗日惩罚因子，搜索框尺寸；(2)从第t帧图像中提取包含目标的图像块，将图像块的每一个像素点都整理成一个样本，将所有的样本点按顺序的放到数列D当中；(3)用K-means算法对数列D当中的样本点进行聚类，具体的设置为：以欧式距离来度量样本点的相似性，初始的5个质心指定为矩形图像块的四个顶点以及矩形的中心点，最终得到每个样本点的所属类别；(4)将样本点按照原来的顺序排成与原来图像块的尺寸一样的矩阵P，矩阵P的元素为相应样本点在步骤(3)当中的所属类值，在矩阵P中截取一个和矩阵P中心点相同的矩阵P1，但矩阵P1的尺寸为当前目标尺寸的0.6倍，对矩阵P1当中的所属类别数量进行统计排序，并把数量最多的类认为是目标所在类，取名为目标类，此外，若当前帧不是第一帧，则加入一个与之前所有目标类距离最近的一个类，加入目标类，将矩阵P中的元素，使属于目标类的类别所在位置为1，否则，都为0，最终得到目标所在区域的Mask矩阵，根据Mask矩阵，使值为1的位置的值重置为0.01，使值为0的位置的值重置为100000，并取名为权重矩阵w；(5)利用交替方向乘子法求解滤波器，滤波器的目标函数L(f,g)为：式中，f为滤波器，g为辅助变量，y为由高斯函数生成的标签，表示第t帧的目标图像块的第d个特征通道，D表示特征通道的总数，为拉格朗日乘子，μ为拉格朗日惩罚因子；ADMM算法通过迭代式求解以下子问题来求解目标函数：以上子问题都有闭式解：矩阵上的横线表示该矩阵的频域形式，矩阵N的元素全为1；(5)步骤(4)训练的滤波器记为并对之前的滤波器进行更新，更新的公式下式所示：式中，表示第t帧的第i种特征的滤波器，η为滤波器的学习率。(7)若t帧不是最后一帧，则用hit对候选样本进行打分，得到响应图，并取响应值最大的位置为目标中心点所在的位置，并返回步骤(2)，否则跟踪结束。优选地，步骤(2)中，所述样本包含5个维度，排列的顺序为：R通道值、G通道值、B通道值、X轴坐标和Y轴坐标，对R通道值、G通道值、B通道值进行按维度归一化处理，使得其值分布在[0,1]区间。本专利技术能够有效的限制相关滤波器学习内容，减少相关滤波器的背景信息，抑制相关滤波器的边界效应。与传统的带有空间正则化的相关滤波器相比，更精准的对目标区域与背景区域进行不同程度抑制；能够扩大相关滤波器的搜索范围，提升相关滤波器对目标大位移的鲁棒性。附图说明图1为本专利技术实施的流程算法；图2为本专利技术实施的权重矩阵的得到过程。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。结合图1，本专利技术提供的一种基于外观自适应空间正则化相关滤波器的目标跟踪方法包括以下步骤：(1)初始化滤波器的学习率、ADMM最大迭代次数、拉格朗日惩罚因子、搜索框尺寸。(2)从第t帧图像中提取包含目标的图像块，将图像块的每一个像素点都整理成一个样本。这个样本包含5个维度，排列的顺序为：R通道、G通道值、B通道值、X轴坐标和Y轴坐标。对前3个维度进行按维度归一化处理，使得其值分布在[0,1]区间。最后将所有的样本点按顺序的放到数列D当中。(3)用K-means算法对数列D当中的样本点进行聚类，具体的设置为：以欧式距离来度量样本点的相似性，初始的5个质心指定为矩形图像块的四个顶点以及矩形的中心点。最终得到每个样本点的所属类别。(6)将样本点按照原来的顺序排成与原来图像块的尺寸一样的矩阵P，矩阵P的元素为相应样本点在步骤(3)当中的所属类值。在矩阵P中截取一个和矩阵P中心点相同的矩阵P1，但矩阵P1的尺寸为当前目标尺寸的0.6倍。对矩阵P1当中的所属类别数量进行统计排序，并把数量最多的类认为是目标所在类，取名为目标类。此外，若当前帧不是第一帧，则加入一个与之前所有目标类距离最近的一个类，加入目标类。将矩阵P中的元素，使属于目标类的类别所在位置为1，否则，都为0，最终得到目标所在区域的Mask矩阵，根据Mask矩阵，使值为1的位置的值重置为0.01，使值为0的位置的值重置为100000，并取名为权重矩阵w。(5)利用交替方向乘子法求解滤波器，滤波器的目标函数为：式中，f为滤波器，g为辅助变量，y为由高斯函数生成的标签，表示第t帧的目标图像块的第d个特征通道，D表示特征通道的总数，为拉格朗日乘子，μ为拉格朗日惩罚因子。ADMM算法通过迭代式求解以下子问题来求解目标函数：上式中的子问题都具有闭式解，如下式所示：上式中矩阵上的横线表示该矩阵的频域形式，矩阵N的元素全为1。(6)步骤(5)训练的滤波器记为并对之前的滤波器进行更新，更新的公式如下式所示：式中，表示第t帧的第i种特征的滤波器，η为滤波器的学习率。(7)若t帧不是最后一帧，则用对候选样本进行打分，得到响应图，并取响应值最大的位置为目标中心点所在的位置，并返回步骤(2)，否则跟踪结束。图2为本专利技术实施的权重矩阵的得到过程。本文档来自技高网...

【技术保护点】
1.一种基于外观自适应空间正则化相关滤波器的目标跟踪方法，其特征在于，包括以下步骤：(1)初始化滤波器的学习率，ADMM算法最大迭代次数，拉格朗日惩罚因子，搜索框尺寸；(2)从第t帧图像中提取包含目标的图像块，将图像块的每一个像素点都整理成一个样本，将所有的样本点按顺序的放到数列D当中；(3)用K‑means算法对数列D当中的样本点进行聚类，具体的设置为：以欧式距离来度量样本点的相似性，初始的5个质心指定为矩形图像块的四个顶点以及矩形的中心点，最终得到每个样本点的所属类别；(4)将样本点按照原来的顺序排成与原来图像块的尺寸一样的矩阵P，矩阵P的元素为相应样本点在步骤(3)当中的所属类值，在矩阵P中截取一个和矩阵P中心点相同的矩阵P1，但矩阵P1的尺寸为当前目标尺寸的0.6倍，对矩阵P1当中的所属类别数量进行统计排序，并把数量最多的类认为是目标所在类，取名为目标类，此外，若当前帧不是第一帧，则加入一个与之前所有目标类距离最近的一个类，加入目标类，将矩阵P中的元素，使属于目标类的类别所在位置为1，否则，都为0，最终得到目标所在区域的Mask矩阵，根据Mask矩阵，使值为1的位置的值重置为0.01，使值为0的位置的值重置为100000，并取名为权重矩阵w；(5)利用交替方向乘子法求解滤波器，滤波器的目标函数L(f,g)为：...

【技术特征摘要】
1.一种基于外观自适应空间正则化相关滤波器的目标跟踪方法，其特征在于，包括以下步骤：(1)初始化滤波器的学习率，ADMM算法最大迭代次数，拉格朗日惩罚因子，搜索框尺寸；(2)从第t帧图像中提取包含目标的图像块，将图像块的每一个像素点都整理成一个样本，将所有的样本点按顺序的放到数列D当中；(3)用K-means算法对数列D当中的样本点进行聚类，具体的设置为：以欧式距离来度量样本点的相似性，初始的5个质心指定为矩形图像块的四个顶点以及矩形的中心点，最终得到每个样本点的所属类别；(4)将样本点按照原来的顺序排成与原来图像块的尺寸一样的矩阵P，矩阵P的元素为相应样本点在步骤(3)当中的所属类值，在矩阵P中截取一个和矩阵P中心点相同的矩阵P1，但矩阵P1的尺寸为当前目标尺寸的0.6倍，对矩阵P1当中的所属类别数量进行统计排序，并把数量最多的类认为是目标所在类，取名为目标类，此外，若当前帧不是第一帧，则加入一个与之前所有目标类距离最近的一个类，加入目标类，将矩阵P中的元素，使属于目标类的类别所在位置为1，否则，都为0，最终得到目标所在区域的Mask矩阵，根据Mask矩阵，使值为1...

【专利技术属性】
技术研发人员：周武能，傅衡成，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31