基于超像素结构约束的空地红外目标跟踪数据集标注方法技术

本发明专利技术公开了一种基于超像素结构约束的空地红外目标跟踪数据集标注方法，S1：对需要处理的图像的前M帧进行人工标注，得到初始训练数据库，再对其红外图像进行超像素分割，通过聚类算法，实现外部类结构约束，提取图像正负样本集；S2：使用S1提取的负样本，构建基于空间位置的概率超图模型，实现样本集的内部位置结构约束；S3：使用S1提取的正样本的超像素，构建基于类的概率超图模型，实现样本集的内部类结构约束；S4：融合S2和S3两种内部约束的显著图，并对目标进行有效框选和标注；S5：通过人工标注的前M帧图像，更新训练数据集和分类器模型，对M帧以后图像进行训练和分类。解决了利用视觉跟踪算法实现对视频图像中目标的自动标注问题。注问题。注问题。

【技术实现步骤摘要】
基于超像素结构约束的空地红外目标跟踪数据集标注方法


[0001]本专利技术涉及图像处理
，更具体地说，它涉及一种基于超像素结构约束的空地红外目标跟踪数据集标注方法。

技术介绍

[0002]随着大数据、云计算、机器视觉、微电子等技术的快速发展，为人工智能插上了腾飞的翅膀。利用深度学习进行了视觉处理是目前人工智能发展较为成功的领域，人工智能在目标检测、目标跟踪、场景理解、图像制导等领域都有极为广泛的应用。当前的智能算法严重依赖数据集的规模和质量，而目前的数据集制作大都依靠人工去标注，人工标注在标注时间和成本上都比较高，无法适应现在大规模数据集快速准确标注的需求。
[0003]目标跟踪数据集大都基于视频序列，视频序列的标注是一类特殊的标注方式，视频序列中的目标具有时间的关联性，这种时间上的关联性可以提供丰富的目标信息。因此可以利用目标关联信息，在首帧或者前几帧通过人工标注的基础上，后续帧利用视觉跟踪来实现对目标的自动标注，这样就能大大减少标注的工作量，为大规模的视频图像序列标注提供了可能。
[0004]目前的视觉跟踪算法大致分为本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.基于超像素结构约束的空地红外目标跟踪数据集标注方法，其特征在于，包括以下步骤：S1：对需要处理的图像的前M(M≥1)帧进行人工标注，得到初始训练数据库，再对其红外图像进行超像素分割，通过聚类算法，实现外部类结构约束，提取图像正负样本集；S2：使用S1提取的负样本，构建基于空间位置的概率超图模型，实现样本集的内部位置结构约束；S3：使用S1提取的正样本的超像素，构建基于类的概率超图模型，实现样本集的内部类结构约束；S4：融合S2和S3两种内部约束的显著图，并对目标进行有效框选和标注；S5：通过人工标注的前M帧图像，更新训练数据集和分类器模型，对M帧以后图像进行训练和分类。2.根据权利要求1所述的基于超像素结构约束的空地红外目标跟踪数据集标注方法，其特征在于，所述S4过程中，通过粒子滤波框架，对目标进行有效框选和标注。3.根据权利要求1所述的基于超像素结构约束的空地红外目标跟踪数据集标注方法，其特征在于，所述S1过程中，对红外图像进行超像素分割时，选择获取目标周围不高于3倍区域。4.根据权利要求3所述的基于超像素结构约束的空地红外目标跟踪数据集标注方法，其特征在于，S1具体包括以下步骤：对每一帧图像的周围区域进行超像素分割，每一个超像素通过其区域内的直方图表示a
t,r
(t＝1,...,M,r＝1,...,N
t
)，其中N
t
表示第t帧分割的超像素的数目，组合所有的超像素表示，构成特征池F＝{a
t,r
|t＝1,...,M,r＝1,...,N
t
}，采用聚类算法对特征池中的元素进行聚类，生成类别Cluter
i
(i＝1,...,n)；若一个类内的超像素的位置大部分位于目标区域内，这样的类定义为正样本类，正样本类Cluter
+
定义为：Cluter
+
＝{Cluter
+
|S(Cluter
i
)
+
/S(Cluter
i
)
‑
＞λ(λ＞1)},i＝1,...,n其中S(Cluter
i
)
+
表示第i类中超像素在目标区域内的面积，S(Cluter
i
)
‑
表示在区域之外的面积；若一个类内的超像素的位置大部分位于背景区域，这样的类定义为负样本类，负样本类Cluter
+
定义为：Cluter
‑
＝{Cluter
‑
|S(Cluter
i
)
+
/S(Cluter
i
)
‑
＜λ(λ＞1)},i＝1,...,n负样本类的数目表示为N
‑
，每个类的聚类中心为5.根据权利要求1所述的基于超像素结构约束的空地红外目标跟踪数据集标注方法，其特征在于，所述S2具体包括以下步骤：S21：概率超图排序计算具体包括以下步骤：概率超图为G＝(V,E,w)，定义一个分类函数f赋予每一个节点一个分类值，得到连接的节点具有相似标记的超边，通过累加每一条超边上所有节点的排序权值，得到基于超图结构的代价函数
定义基于d(v)和δ(e)的定义，d(v
w
)＝∑
e∈E
w(e)h
w
(v,e)和d(e
w
)＝∑
v∈V
h
w
(v,e)推导上式：其中I表示单位矩阵；引入反馈项：其中表示粗排序矩阵，矩阵T
B
为一对角约束矩阵，其定义为对角线上的元素为0，其余为1；对于分类函数f，最优的分割就是在最小化上述两个代价项之和：通过对分类函数f求微分d(Φ(f))/d(f)＝0，得到：f＝(1
‑
γ)(I
‑
γΘ)
‑1T
A
T
B
y其中γ＝1/(1+u)；定义Π(V,E,w)＝(1
‑
γ)(I
‑
γΘ)
‑1T
A
T
B
表示在一个特定γ下概率超图的特征矩阵，得到：f＝Π(V,E,w)yS22：基于空间位置的概率超图模型构建具体包括以下步骤：构建空间位置概率超图G
p
＝(V,E
p
,w
p
)，其中节点关联于所有采样的候选图像块，每一个节点v
l
都用图像坐标系下的平移参数(x,y)来表示，它的k
p
(本发明中k
p
取15
‑
20)个位置最邻近节点构成了空间位置概率超边用节点来表示这条超边的“质心”节点，用高斯核函数来描述节点v
l
和超边的相似度，隶属度矩阵H
p
表示为：其中σ为正的参数，和表示节点v
i
和超边的“质心”v
j
所对应图像块的归一化的图像灰度向量，则表示向量之间的欧式距离，表示平均距离：
基于隶属度矩阵H
p
，根据定义计算出矩阵Θ
p...

【专利技术属性】
技术研发人员：杨小冈，卢瑞涛，黄攀，郝桂友，陈璐，范继伟，
申请(专利权)人：中国人民解放军火箭军工程大学，
类型：发明
国别省市：