【技术实现步骤摘要】
基于STC和分块重检测的多线程视觉目标跟踪方法
本专利技术涉及计算机视觉应用目标检测与跟踪领域,尤其涉及一种基于STC和分块重检测的多线程视觉目标跟踪方法。
技术介绍
视觉目标跟踪是计算机视觉中一个重要研究方向,在军事无人飞行器、精确制导以及空中预警和民用视频监控,人机交互和无人驾驶等众多领域有着极其广泛的应用,然而目标跟踪面临着目标尺度变换、重度遮挡、快速移动、超出视野和光照变化等众多挑战,因此提出一种可靠的实时视觉目标跟踪方法具有很重要的现实意义。以往的视觉目标跟踪方法有效的采用了时间上下文信息,根据前面帧的图像目标的位置和尺度信息来跟踪当前帧中目标的位置与尺度,STC在此基础上,基于贝叶斯框架,建立跟踪目标和局部上下文之间的时空关系,将跟踪问题转化为计算置信度图,通过最大化目标位置似然函数来得到目标位置的问题,对于目标轻度遮挡、姿态改变以及光照变化具有很好的跟踪效果,且能达到实时处理的要求,然而对于目标长期跟踪过程中出现的目标重度遮挡、快速移动以及超出视野等情况下,容易导致跟踪失败。考虑到相邻两帧图像间时间间隔很短,即使跟踪目标被严重遮挡,目标附近局部区域仍有可能没有变化,LCT采用基于相关滤波器的核岭回归方法来编码由目标对象及其周围环境组成的外观模板,由提取的特征构建的自适应模板能抵抗重度遮挡,快速运动和严重变形,而且解决了传统的基于相关滤波器的跟踪方法在长时间跟踪过程中产生漂移的问题。此外,LCT训练了另外一个相关滤波器用来估计目标尺度变化,采用HOG特征构建多尺度目标金字塔来详尽搜素最佳目标尺度。 ...
【技术保护点】
1.一种基于STC和分块重检测的多线程视觉目标跟踪方法,其特征在于,包括以下步骤:/nS1、读取视频或图像序列的第一帧图像,确定跟踪目标;/nS2、采用STC算法对第一帧图像建立空间上下文模型;/nS3、对第一帧图像中的跟踪目标所在矩形模板区域进行分块操作,并采用第一帧图像中人为选定的目标矩形区域的分块训练SVM分类器;/nS4、读取下一帧图像,从上一帧图像中学习得到空间上下文模型;/nS5、根据步骤S4中从上一帧图像中学习得到的空间上下文模型,更新当前帧图像的时空上下文模型;/nS6、获取当前帧图像的置信度图,通过最大化置信度图来获得当前帧图像的目标位置及其置信度概率;/nS7、根据步骤S6中获得的置信度概率来判断当前帧图像中跟踪目标被遮挡的程度;/nS8、根据步骤S7中判断的跟踪目标被遮挡程度,来选择相应算法更新目标位置;/nS9、循环执行步骤S4~S8,直至当前视频或图像序列处理完。/n
【技术特征摘要】
1.一种基于STC和分块重检测的多线程视觉目标跟踪方法,其特征在于,包括以下步骤:
S1、读取视频或图像序列的第一帧图像,确定跟踪目标;
S2、采用STC算法对第一帧图像建立空间上下文模型;
S3、对第一帧图像中的跟踪目标所在矩形模板区域进行分块操作,并采用第一帧图像中人为选定的目标矩形区域的分块训练SVM分类器;
S4、读取下一帧图像,从上一帧图像中学习得到空间上下文模型;
S5、根据步骤S4中从上一帧图像中学习得到的空间上下文模型,更新当前帧图像的时空上下文模型;
S6、获取当前帧图像的置信度图,通过最大化置信度图来获得当前帧图像的目标位置及其置信度概率;
S7、根据步骤S6中获得的置信度概率来判断当前帧图像中跟踪目标被遮挡的程度;
S8、根据步骤S7中判断的跟踪目标被遮挡程度,来选择相应算法更新目标位置;
S9、循环执行步骤S4~S8,直至当前视频或图像序列处理完。
2.如权利要求1所述的基于STC和分块重检测的多线程视觉目标跟踪方法,其特征在于:所述步骤S3中对第一帧图像进行的分块包括垂直分块和水平分块,垂直分块中,每个子区域大小为模板区域的半高,十分之一宽的矩形区域,水平分块中,每个子区域为模板区域的半宽,十分之一高的矩形区域,总共分成四十个子区域。
3.如权利要求1所述的基于STC和分块重检测的多线程视觉目标跟踪方法,其特征在于:所述步骤S4具体包括,
设当前帧图像为第t+1帧图像,对于上一帧图像即第t帧图像有确定的目标位置x*,从第t帧图像中学习得到空间上下文模型具体方法如下:
目标邻域上下文先验概率由下式计算:
p(c(z)|o)=I(z)wσ(z-x*)
其中p(c(z)|o)是目标邻域上下文先验概率,描述局部图像区域的特征,z泛指的是目标邻域各个位置,c(z)为当前帧中的上下文特征集Xc={c(z)=(I(z),z)|z∈Ωc(x*)},o为当前场景中出现的跟踪目标,I(z)为位置z处的图像灰度值,wσ(·)是由下式定义的权值函数:
其中a为归一化常量,使得p(c(z)|o)的值位于区间[0,1]内,σ为尺度参数;
目标位置似然概率置信度图公式如下:
其中为卷积运算,x∈R2为目标位置,b为归一化常量,β为形状参数,Ωc(x*)表示x*的局部上下文区域;
为采用FFT进行快速卷积计算,将上式变换到频域:
其中为FFT变换,⊙为元素对位相乘运算;
由上式推导出空间上下文模型hsc(x)的计算式:
其中为FFT逆变换。
4.如权利要求3所述的基于STC和分块重检测的多线程视觉目标跟踪方法,其特征在于:所述步骤S5具体包括,
由步骤S4从第t帧图像中学习得到的空间上下文模型用于更新第t+1帧图像的时空上下文模型,公式如下:
其中ρ为学习参数,是从第t帧图像中学习得到的空间上下文模型,是视频或图像序列前t帧中累积获得的时空上下文模型。
5.如权利要求4所述的基于STC和分块重检测的多线程视觉目标跟踪方法,其特征在于,所述步骤S6中获取当前帧图像的置信度图的公式如下:
表示第t帧中的目标位置。
6.如权利要求1所述的基于STC和分块重检测的多线程视觉目标跟踪方法,其特征在于:所述步骤S7中,当置信度概率值大于a1时,判断跟踪目标不存在遮挡;当置信度概率值在a2~a1之间时,判...
【专利技术属性】
技术研发人员:汪鼎文,陈曦,王泉德,孙世磊,瞿涛,
申请(专利权)人:武汉大学,
类型:发明
国别省市:湖北;42
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。