一种机器视觉特征跟踪系统技术方案

本发明专利技术公开了一种机器视觉特征跟踪系统，包括基准目标特征提取单元、待定目标特征提取单元、相似度分析单元、目标特征确认单元及特征更新单元；基准目标特征提取单元包括图像获取模块、特征提取模块、特征关联模块及基准目标特征输出模块；特征提取模块包括特征识别子模块、特征裁剪子模块、第一超分重建子模块及透视变化处理子模块；待定目标特征提取单元包括图像采集处理模块及特征自动标注模块。本发明专利技术可以实现目标特征识别的精确度，且可以利用强化学习及深度神经网络技术对待定候选目标图像中的特征进行自动标注，使模型以更贴近人类大脑的学习方式来达到快速准确地实现目标特征的自动标注，能够有效地提高运动目标跟踪的准确度。的准确度。的准确度。

【技术实现步骤摘要】
一种机器视觉特征跟踪系统


[0001]本专利技术涉及跟踪系统
，具体来说，涉及一种机器视觉特征跟踪系统。

技术介绍

[0002]随着运动目标检测技术的快速发展，相应的产生了多种用于对运动目标进行检测的方法，例如现有技术中基于运动目标的颜色特征、运动信息以及运动模型等建立相应的检测方法，而其中运动目标的特征检测与跟踪是研究的重要基础和关键技术，例如可以对处于运动状态的人的手部、脸部所拍摄的图像序列的特征进行检测和跟踪，进而可以实现对于人的手势、人的脸部等的识别。
[0003]其中，在对运动目标进行跟踪时，运动目标跟踪算法是比较基础，也是相对重要的部分，主要是指通过定义相应数学模型及检测算法，对视频帧序列中的运动目标自动进行跟踪、位置检测的一种技术。在进行运动目标跟踪时，需要对运动目标进行建模表达，主要途径为使用基于点的模型，使用基于轮廓的模型和使用基于密度核的模型。这些方法首先都是根据所需跟踪的运动目标来构建模型，然后在线进行模型匹配，来获取运动目标跟踪的效果。而随着视频智能分析要求的不断提高，对于目标跟踪准确度的要求也不断提高，因此，本专利技术提出了一种高精度的机器视觉特征跟踪系统。

技术实现思路

[0004]针对相关技术中的问题，本专利技术提出一种机器视觉特征跟踪系统，以克服现有相关技术所存在的上述技术问题。
[0005]为此，本专利技术采用的具体技术方案如下：
[0006]一种机器视觉特征跟踪系统，包括基准目标特征提取单元、待定目标特征提取单元、相似度分析单元、目标特征确认单元及特征更新单元；
[0007]其中，基准目标特征提取单元用于提取检测视频的多个帧的第一帧中的特征，得到基准目标特征；
[0008]待定目标特征提取单元用于提取检测视频中被跟踪的待定候选目标的特征，得到待定目标特征；
[0009]相似度分析单元用于将基准目标特征与待定目标特征进行相似度比较；
[0010]目标特征确认单元用于依据相似度比较的结果来确认待定目标特征是否为基准目标特征，当相似度结果大于或等于匹配阈值时，则确认该待定目标特征为目标跟踪特征；
[0011]特征更新单元用于将目标跟踪特征更新为新的基准目标特征。
[0012]进一步的，基准目标特征提取单元包括图像获取模块、特征提取模块、特征关联模块及基准目标特征输出模块；
[0013]其中，图像获取模块用于获取检测视频多个帧中的第一帧图像；
[0014]特征提取模块用于对第一帧图像进行特征提取；
[0015]特征关联模块用于采用多元线性回归模型描述基准目标图像数据与特征数据之
间的随机线性关系；
[0016]基准目标特征输出模块用于输出基准目标的特征。
[0017]进一步的，特征提取模块包括特征识别子模块、特征裁剪子模块、第一超分重建子模块及透视变化处理子模块；
[0018]其中，特征识别子模块用于识别第一帧图像中的特征；
[0019]特征裁剪子模块用于对第一帧图像中的特征部分进行裁剪处理；
[0020]第一超分重建子模块用于对裁剪后的低分辨率的特征图像进行超分重建处理；
[0021]透视变化处理子模块用于依据透视变换原理对裁剪后的特征图像中角度偏离的图像进行处理。
[0022]进一步的，特征关联模块在采用多元线性回归模型描述基准目标图像数据与特征数据之间的随机线性关系时包括以下步骤：
[0023]采用多元线性回归模型描述基准目标图像数据与特征数据之间的随机线性关系，其关系如下：
[0024]y
i
＝β0+β1x
i1
+β2x
i2
+β3x
i3
+ε
i
,i＝1,2,
…
,n；
[0025]其中，y表示基准目标图像特征评估数据指标，x1表示特征数量，x2表示特征类型，x3表示特征数据分组汇聚协议，β0，β1，β2，β3表示回归系数，ε
i
表示随机误差项，且各ε
i
相互独立且服从N(0,σ2)分布，n表示样本容量，且n个样本观测值如下：
[0026](y
i
,x
i1
,x
i2
,x
i3
)i＝1,2,
…
,n。
[0027]进一步的，待定目标特征提取单元包括图像采集处理模块及特征自动标注模块；
[0028]其中，图像采集处理模块用于采集检测视频中被跟踪的待定候选目标图像并进行图像处理；
[0029]特征自动标注模块用于利用强化学习及深度神经网络技术对待定候选目标图像中的特征进行自动标注。
[0030]进一步的，图像采集处理模块包括图像采集子模块、分辨率核验子模块及第二超分重建子模块；
[0031]其中，图像采集子模块用于采集检测视频中被跟踪的待定候选目标图像；
[0032]分辨率核验子模块用于对待定候选目标图像的分辨率进行核验；
[0033]第二超分重建子模块用于对分辨率低于预设阈值的待定候选目标图像进行超分重建处理。
[0034]进一步的，特征自动标注模块在利用强化学习及深度神经网络技术对待定候选目标图像中的特征进行自动标注时包括以下步骤：
[0035]采用SILC算法对基准目标图像进行多尺度超像素划分，并标记所述超像素的特征概率阈值；
[0036]构建超像素分类训练集，并采用基于机器学习方法训练上述标记后的超像素得到学习模型；
[0037]构建用于标注模型的训练集，并基于深度神经网络的端到端学习，自动对特征区域标注分割；
[0038]构建标注模型，并使用预先备置的特征图像数据对构建的所述标注模型进行测试；
[0039]利用测试后的标注模型对待定候选目标图像中的特征进行自动标注；
[0040]其中，学习模型用于对分类训练集中的超像素进行分类，并由人工对分类结果给予奖励和惩罚，将奖励和惩罚结果反馈给学习模型，学习模型通过奖惩机制重新做出调整，循环直至学习模型达到最优，获得待定候选目标图像中特征区域的标注信息；
[0041]深度神经网络为ResNet网络，ResNet网络包括Identity Block和Conv Block；Identity Block的输入和输出维度一致，Conv Block的输入和输出维度不一致，且Identity Block可以串联多个。
[0042]进一步的，采用SILC算法对基准目标图像进行多尺度超像素划分包括以下步骤：
[0043]初始化种子点：按照设定的超像素个数，在待定候选目标图像内均匀的分配初始种子点；
[0044]在初始种子点的n*n邻域内重新选择二次种子点；
[0045]在每个二次种子点周围的邻域内为每个像素点分配类标签；
[0046]距离度量：对于每个搜索到的像素点，分别计算它和该二次种子点的距离；<本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种机器视觉特征跟踪系统，其特征在于，包括基准目标特征提取单元(1)、待定目标特征提取单元(2)、相似度分析单元(3)、目标特征确认单元(4)及特征更新单元(5)；其中，所述基准目标特征提取单元(1)用于提取检测视频的多个帧的第一帧中的特征，得到基准目标特征；所述待定目标特征提取单元(2)用于提取检测视频中被跟踪的待定候选目标的特征，得到待定目标特征；所述相似度分析单元(3)用于将所述基准目标特征与待定目标特征进行相似度比较；所述目标特征确认单元(4)用于依据相似度比较的结果来确认所述待定目标特征是否为基准目标特征，当相似度结果大于或等于匹配阈值时，则确认该待定目标特征为目标跟踪特征；所述特征更新单元(5)用于将目标跟踪特征更新为新的基准目标特征。2.根据权利要求1所述的一种机器视觉特征跟踪系统，其特征在于，所述基准目标特征提取单元(1)包括图像获取模块(11)、特征提取模块(12)、特征关联模块(13)及基准目标特征输出模块(14)；其中，所述图像获取模块(11)用于获取检测视频多个帧中的第一帧图像；所述特征提取模块(12)用于对所述第一帧图像进行特征提取；所述特征关联模块(13)用于采用多元线性回归模型描述基准目标图像数据与特征数据之间的随机线性关系；所述基准目标特征输出模块(14)用于输出基准目标的特征。3.根据权利要求2所述的一种机器视觉特征跟踪系统，其特征在于，所述特征提取模块(12)包括特征识别子模块(121)、特征裁剪子模块(122)、第一超分重建子模块(123)及透视变化处理子模块(124)；其中，所述特征识别子模块(121)用于识别所述第一帧图像中的特征；所述特征裁剪子模块(122)用于对所述第一帧图像中的特征部分进行裁剪处理；所述第一超分重建子模块(123)用于对裁剪后的低分辨率的特征图像进行超分重建处理；所述透视变化处理子模块(124)用于依据透视变换原理对裁剪后的特征图像中角度偏离的图像进行处理。4.根据权利要求2所述的一种机器视觉特征跟踪系统，其特征在于，所述特征关联模块(13)在采用多元线性回归模型描述基准目标图像数据与特征数据之间的随机线性关系时包括以下步骤：采用多元线性回归模型描述基准目标图像数据与特征数据之间的随机线性关系，其关系如下：y
i
＝β0+β1x
i1
+β2x
i2
+β3x
i3
+ε
i
,i＝1,2,
…
,n；其中，y表示基准目标图像特征评估数据指标，x1表示特征数量，x2表示特征类型，x3表示特征数据分组汇聚协议，β0，β1，β2，β3表示回归系数，ε
i
表示随机误差项，且各ε
i
相互独立且服从N(0,σ2)分布，n表示样本容量，且n个样本观测值如下：(y
i
,x
i1
,x
i2
,x
i3
)i＝1,2,
…
,n。5.根据权利要求1所述的一种机器视觉特征跟踪系统，其特征在于，所述待定目标特征
提取单元(2)包括图像采集处理模块(21)及特征自动标注模块(22)；其中，所述图像采集处理模块(21)用于采集检测视频中被跟踪的待定候选目标图像并进行图像处理；所述特征自动标注模块(22)用于利用强化学习及深度神经网络技术对待定候选目标图像中的特征进行自动标注。6.根据权利要求5所述的一种机器视觉特征跟踪系统，其特征在于，所述图像采集处理模块(21)包括图像采集子模块(211)、分辨率核验子模块(212)及第二超分重建子模块(213)；其中，所述图像采集子模块(211)用于采集检测视频中被跟踪的待定候选目标图像；所述分辨率核验子模块(212)用于对待定候选目标图像的分辨率进行核验；所述第二超分重建子模块(213)用于对分辨率低于预设阈值的待定候选目标图像进行超分重建处理。7.根据权利要求5所述的一种机器视觉特征跟踪系统，其特征在于，所述特征...

【专利技术属性】
技术研发人员：谢益强，尹勇，谢一智，
申请(专利权)人：浙江科镭仕科技有限公司，
类型：发明
国别省市：