【技术实现步骤摘要】
一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法
本专利技术涉及计算机视觉技术,尤其是涉及一种基于稀疏紧凑相关滤波器的快速鲁棒跟踪方法。
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,要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。基于相关滤波器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,并在众多数据集和各项比赛中都取得了较好的结果。DCF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DCF进行改进。为了处理尺度以及旋转变化,LDES提出相位滤波器在极坐标系中同时对目标的尺度以及旋转角度进行估计;MCPF将相关滤波器有效嵌入粒子滤波跟踪框架之中以处理目标跟踪过程中的尺度变化。为了有效缓解滤波器的空间边界效 ...
【技术保护点】
1.一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法,其特征在于包括以下步骤:/n1)对于给定的目标,由目标及其上下文构造一个基本样本,训练样本由这个基本样本的所有循环平移样本构成,这些循环平移样本的标签由高斯函数确定,DCF训练多通道相关滤波器的损失函数;/n2)在多任务学习中,将排它性稀疏正则项与组稀疏正则项整合到一起构造组内-组间稀疏正则项,在目标跟踪中,基于DCF的跟踪器在滤波器学习中引入时间一致性约束来缓解DCF随时间退化的问题,引入组内-组间稀疏正则项以及时间正则项定义回归损失函数,以学习稀疏相关滤波器;/n3)基于步骤2)定义的回归损失函数进行通道剪枝,将冗余的滤波器整体去除,以进一步加速计算过程,通过去除某个特定通道的滤波器来计算回归损失的变化;根据重要性程度对D通道滤波器进行排序,选取排序靠前的C个通道滤波器进行跟踪;/n4)构造拉格朗日函数,采用ADMM算法优化回归损失,完成基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪。/n
【技术特征摘要】
1.一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法,其特征在于包括以下步骤:
1)对于给定的目标,由目标及其上下文构造一个基本样本,训练样本由这个基本样本的所有循环平移样本构成,这些循环平移样本的标签由高斯函数确定,DCF训练多通道相关滤波器的损失函数;
2)在多任务学习中,将排它性稀疏正则项与组稀疏正则项整合到一起构造组内-组间稀疏正则项,在目标跟踪中,基于DCF的跟踪器在滤波器学习中引入时间一致性约束来缓解DCF随时间退化的问题,引入组内-组间稀疏正则项以及时间正则项定义回归损失函数,以学习稀疏相关滤波器;
3)基于步骤2)定义的回归损失函数进行通道剪枝,将冗余的滤波器整体去除,以进一步加速计算过程,通过去除某个特定通道的滤波器来计算回归损失的变化;根据重要性程度对D通道滤波器进行排序,选取排序靠前的C个通道滤波器进行跟踪;
4)构造拉格朗日函数,采用ADMM算法优化回归损失,完成基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪。
2.如权利要求1所述一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法,其特征在于在步骤1)中,所述对于给定的目标,由目标及其上下文构造一个基本样本,训练样本由这个基本样本的所有循环平移样本构成,这些循环平移样本的标签由高斯函数确定,DCF训练多通道相关滤波器的损失函数的具体方法为:
在第t帧,对于给定的目标,由目标及其上下文构造一个基本样本,训练样本由这个基本样本的所有循环平移样本构成,这些循环平移样本的标签由高斯函数确定,DCF训练多通道相关滤波器的损失函数定义如下:
其中,为循环卷积运算符号,Xt∈RM×N×D和Wt∈RM×N×D为第t帧的基本样本和滤波器,Y∈RM×N为由高斯函数确定的标签,M、N和D为分别表示宽度、高度和通道数,ξ为正则项参数;滤波器学习的目标是最小化损失函数在公式(1)中,表示基本样本的多通道特征均被用来训练多通道相关滤波器。
3.如权利要求1所述一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法,其特征在于在步骤2)中,所述在多任务学习中,将排它性稀疏正则项与组稀疏正则项整合到一起构造组内-组间稀疏正则项,如下所示:
其中,表示Wt中位于(m,n)位置的向量,表示Wt中位于(m,n,d)位置的元素,θ为权重参数用以平衡排它性稀疏与组稀疏正则项;
组稀疏在通道上进行l2范数然后在空间上进行l1范数,用于去除空间上冗余的特征,使得滤波器在空间上稀疏;排它性稀疏在通道上进行l1范数然后在空间上进行l2范数,用于去除通道上冗余的特征,使得滤波器在通道上稀疏。
4.如权利要求3所述一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法,其特征在于权重参数θ=0.2。
5.如权利要求1所述一种基于稀疏紧凑相关滤波器的快速鲁棒目标跟踪方法,其特征在于在步骤2)中,在目标跟踪中,基于DCF的跟踪器在滤波器学习中引入时间一致性约束来缓解DCF随时间退化的问题,引入的时间正则项如下所示:
其中,Wt-1表示第t-1帧的滤波器;
引入组内-组间稀疏正则项REG(Wt)以及时间正则项RT(Wt)定义回归损失函数,以学习稀疏相关滤波器...
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。