一种改进的核相关滤波跟踪算法制造技术

一种改进的核相关滤波跟踪算法涉及图像跟踪领域。本发明专利技术引入CN颜色特征并进行特征融合，增强目标的特征表达能力；其次引入尺度池并进行划分，设计了新的尺度搜索策略；通过平均峰值相关能量作为跟踪置信度指标区分目标是否处于异常状态，判断模型是否更新，再使用旁瓣检测对状态细分，判断是否启用重检测步骤。本发明专利技术对核相关滤波跟踪算法进行全方面的改进，使用C++算法编写，建立了基于视觉的改进核相关滤波跟踪算法，以解决旧算法目标尺度固定与易产生模型漂移的问题。定与易产生模型漂移的问题。定与易产生模型漂移的问题。

【技术实现步骤摘要】
一种改进的核相关滤波跟踪算法


[0001]本专利技术涉及目标跟踪领域，涉及到一种同时具有跟踪框自适应调节和模型自适应更新的核相关滤波跟踪方法，特别涉及一种需要判断跟踪状态进而区分跟踪状态然后进行重检测的方法。

技术介绍

[0002]随着目标跟踪技术的发展，目标跟踪的应用范围也越来越广泛，例如在车辆辅助驾驶技术方面。对于目标检测算法往往是对整幅图片进行处理，如果每帧都进行检测处理，势必会造成硬件资源的浪费，导致算法实时性造成影响。此时跟踪算法即能够缓解检测的压力，并能够紧紧跟住目标，对车辆的碰撞事故有较好的预防能力。视频监控也是目标跟踪技术的应用方向。视频监控不仅可以统计车辆与行人的数量，更能够跟踪住可疑的车辆与行人。当前智能机器人的发展迅速，对于跟踪技术的需求也有增无减。智能机器人不仅能够服务于各行各业，同样也是实施救援的重要帮手，其中重要性不言而喻。核相关滤波跟踪算法使用循环位移的方法生成样本，并结合了循环傅里叶矩阵对角化的知识，极大地提高了算法的运行速度，同时FHOG特征的引入，增加了跟踪器对目标特征的刻画能力，提升了算法的准确率，这使得核相关滤波跟踪算法在相关滤波类算法中表现出众，但核相关滤波跟踪算法因为采取固定的跟踪框尺寸的策略，不能很好地适应目标尺度的变化；同时固定的模型更新策略也会导致模型的漂移。为解决这一问题，本专利技术提出一种结合CN特征融合、尺度滤波器自适应与合理的多决策模型更新与重检测机制的核相关滤波跟踪算法。实验表明，该方法与传统核相关滤波算法相比在精确度与成功率两方面都有较大提升。
专利
技术实现思路

[0003]为了解决上述技术问题，本专利技术提供一种特征融合方法，增强目标特征表达能力。本专利技术提供了一种尺度自适应方法，适应尺度的突变。本专利技术提供一种模型更新策略与重检测机制，缓解遮挡与丢失造成的模型漂移现象。所述方法包括如下：
[0004](1)CN特征融合；
[0005]通过将CN特征与FHOG特征进行特征向量的拼接，以求取更明显的目标特征表达。在此过程中，对FHOG特征进行进一步改进，即不再使用9维的无符号特征向量，而仅使用18维的有符号特征向量，最后再将其与11维的CN特征向量进行拼接，最终形成 4+18+11＝33维的特征向量。
[0006](2)尺度自适应；
[0007]首先经过统计实验分析，对目标尺度进行了尺度池的划分，分别划分了四个尺度区间，分别为[0.75，0.9)、[0.9，1)、(1，1.1]、(1.1， 1.25]，并最终形成3+4+1+3+4＝15维的尺度池S＝{0.75，0.8，0.85， 0.9，0.925，0.95，0.975，1，1.025，1.05，1.075，1.1，1.15，1.2， 1.25}。
[0008]后在尺度池划分的基础上设计一种尺度搜索策略，能适应尺度突变的情况。
[0009](3)模型更新策略与重检测机制；
[0010]通过模型更新策略与重检测机制改善跟踪目标因遮挡与丢失造成的模型漂移现像。首先通过判断响应图的波动情况来确定目标跟踪状态的好坏，再使用旁瓣峰检测来区分遮挡与丢失状态，最后使用重检测来重新确定目标位置。
[0011]本方法将单目摄像头采集到的图像信号输入算法进行实时分析，通过特征融合增强目标特征后，训练一维尺度滤波器，同时跟踪过程中使用算法的模型更新策略与重检测机制进行模型跟新的自适应调整，从各方面提升了算法的性能。使用C++语言编写并成功实现了改进的核相关滤波跟踪算法，能够有效解决尺度固定与模型漂移的现象。
附图说明
[0012]图1：特征融合示意图；
[0013]图2：搜索策略流程图；
[0014]图3：多决策模型跟新与重检测流程图；
具体实施方式
[0015](1)CN特征融合；
[0016]核相关滤波跟踪算法使用单目摄像头采取彩色图像，通过选定任意目标进行FHOG特征提取。FHOG在划分区间时，分别进行了无符号划分与有符号划分，FHOG特征划定每个细胞元为4
×
4像素，每个细胞元能分别生成一个9维的无符号特征与18维的有符号特征。 FOHG特征再将9维无符号特征来与其周围8个细胞元进行归一化与截断，归一化与截断为一个过程，即当前细胞元分别与其左上、右上、右下、左下包含当前细胞元的四个细胞元的特征进行叠加，形成一个 4
×
9的特征矩阵。后将4
×
9的特征矩阵每行每列分别相加，得到 4+9＝13维特征向量，最后形成13+18＝31维特征向量。
[0017]本专利技术通过将CN特征与FHOG特征进行特征向量的拼接，以求取更明显的目标特征表达。在此过程中，对FHOG特征进行进一步改进，即不再使用9维的无符号特征向量，而仅使用18维的有符号特征向量，将18维有符号特征来进行归一化与截断，形成一个4
×ꢀ
18的特征矩阵，后将4
×
18的特征矩阵每行每列分别相加，得到 4+18＝22维特征向量最后再将其与11维的CN特征向量进行拼接，最终形成4+18+11＝33维的特征向量。拼接的方式为11维的CN特征向量直接连接在22维的FHOG特征向量尾部形成一个特征向量。
[0018](2)尺度自适应；
[0019]目标尺度大部分落在[0.9，1)、(1，1.1]两个区间，超出[0.9，1.1] 区间的尺度绝大部分不超过原尺度的1.25倍，最小尺度则不低于原尺度的0.75倍。本专利技术提供了四个尺度区间，分别为[0.75，0.9)、[0.9， 1)、(1，1.1]、(1.1，1.25]，并对这四个区间进行了划分。尺度落在[0.9， 1)、(1，1.1]这两个区间的概率最大，给每个区间划分为4个尺度；尺度落在另外两区间的概率较小，给每个区间划分了3个尺度。最终形成3+4+1+3+4＝15维的尺度池S＝{0.75，0.8，0.85，0.9，0.925，0.95， 0.975，1，1.025，1.05，1.075，1.1，1.15，1.2，1.25}尺度池可由公式表示，式中m＝7，n＝4，
‑
m＝
‑
7，
‑
n＝
‑
4；
[0020]S＝{t
‑
m
，
…
，t
‑
n
‑1，t
‑
n
，
…
，t
‑1，t，t1…
，t
n
，t
n+1
，
…
，t
m
}
[0021]目标在视频序列中尺度的变化具有短时一致性，即在一定的帧数内目标尺度会向
同一个方向变化，记录此信息可以起到辅助选取尺度的作用。具体的方法为：
[0022]选取10帧为一个周期，分别记录10帧内每帧目标尺度的变化情况。本文为每一帧定义一个变量myScale,并且为myScale定义不同的数值来表示尺度的变化情本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种改进的核相关滤波跟踪算法，其特征在于：(1)CN特征融合；核相关滤波跟踪算法使用单目摄像头采取彩色图像，通过选定任意目标进行FHOG特征提取；FHOG在划分区间时，分别进行了无符号划分与有符号划分，FHOG特征划定每个细胞元为4
×
4像素，每个细胞元能分别生成一个9维的无符号特征与18维的有符号特征；FOHG特征再将9维无符号特征来与其周围8个细胞元进行归一化与截断，归一化与截断为一个过程，即当前细胞元分别与其左上、右上、右下、左下包含当前细胞元的四个细胞元的特征进行叠加，形成一个4
×
9的特征矩阵；后将4
×
9的特征矩阵每行每列分别相加，得到4+9＝13维特征向量，最后形成13+18＝31维特征向量；通过将CN特征与FHOG特征进行特征向量的拼接，以求取更明显的目标特征表达；在此过程中，对FHOG特征进行进一步改进，即不再使用9维的无符号特征向量，而仅使用18维的有符号特征向量，将18维有符号特征来进行归一化与截断，形成一个4
×
18的特征矩阵，后将4
×
18的特征矩阵每行每列分别相加，得到4+18＝22维特征向量最后再将其与11维的CN特征向量进行拼接，最终形成4+18+11＝33维的特征向量；拼接的方式为11维的CN特征向量直接连接在22维的FHOG特征向量尾部形成一个特征向量；(2)尺度自适应；目标尺度大部分落在[0.9，1)、(1，1.1]两个区间，超出[0.9，1.1]区间的尺度绝大部分不超过原尺度的1.25倍，最小尺度则不低于原尺度的0.75倍；提供了四个尺度区间，分别为[0.75，0.9)、[0.9，1)、(1，1.1]、(1.1，1.25]，并对这四个区间进行了划分；尺度落在[0.9，1)、(1，1.1]这两个区间的概率最大，给每个区间划分为4个尺度；尺度落在另外两区间的概率较小，给每个区间划分了3个尺度；最终形成3+4+1+3+4＝15维的尺度池S＝{0.75，0.8，0.85，0.9，0.925，0.95，0.975，1，1.025，1.05，1.075，1.1，1.15，1.2，1.25}尺度池由公式表示，式中m＝7，n＝4，
‑
m＝
‑
7，
‑
n＝
‑
4；S＝{t
‑
m
，
…
，t
‑
n
‑1，t
‑
n
，
…
，t
‑1，t，t1…
，t
n
，t
n+1
，
…
，t
m
}目标在视频序列中尺度的变化具有短时一致性，即在一定的帧数内目标尺度会向同一个方向变化，记录此信息起到辅助选取尺度的作用；具体的方法为：选取10帧为一个周期，分别记录10帧内每帧目标尺度的变化情况；为每一帧定义一个变量myScale,为myScale定义不同的数值来表示尺度的变化情况：myScale＝(2：尺度变大，0：尺度不变，
‑
2：尺度变小)；同时维护一个变量mySum用来统计每10帧myScale的和；式中i代表当前帧数，N代表视频总帧数；mySum的值需在尺度开始搜索之前计算出来；mySum的值代表不同的含义，其和大于0代表近10帧中出现目标尺度变大的情况多，当前帧目标尺度变大的概率越大，优先搜索；若mySum小于0，代表当前帧目标尺度变小的概率较大；当mySum等于0时，目标的尺度可能一直未发生变化，也可能表示在近10帧中出现尺度变大与变小的帧数相等；结合当前帧尺度变化的概率，实现尺度的预测，降低计算量；先确定尺寸变化方向，再验证尺寸是否突变，最后确定最佳尺寸；具...

【专利技术属性】
技术研发人员：王波涛，宋宝玉，
申请(专利权)人：北京工业大学，
类型：发明
国别省市：