一种基于抗遮挡机制的空时自学习目标跟踪方法技术

本发明专利技术本发明专利技术提供一种基于抗遮挡机制的空时自学习目标跟踪方法，包括：获取图像初始样本集；从图像初始样本集中采用循环移位，再利用裁剪矩阵提取背景块作为真实负样本；根据相邻帧响应图的差异设计局部响应变化矩阵以感知空间外观信息的变化，并设计自适应空间正则化项；根据历史跟踪结果中的正样本构建多模态模板池以评估最佳候选样本的置信度，若最佳候选样本被判定为正样本，则根据局部响应变化矩阵加快滤波器的学习；通过搜索响应图的最大值来定位跟踪对象，实现目标定位；本发明专利技术方法通过引入背景样本作为真实的负样本参与滤波器的学习，以历史跟踪结果中的硬阳性样本构建多模态模板池以评估最佳候选样本的置信度，跟踪性能好，可靠性高。可靠性高。可靠性高。

【技术实现步骤摘要】
一种基于抗遮挡机制的空时自学习目标跟踪方法


[0001]本专利技术涉及目标跟踪领域，特别是指一种基于抗遮挡机制的空时自学习目标跟踪方法。

技术介绍

[0002]视觉目标跟踪是计算机视觉的一个重要研究方向，其任务本质是模拟人眼的观测与人脑的决策行为。目标跟踪任务中，首先需要为计算机提供目标第一帧的初始位置和目标大小，然后要求计算机在后续帧中识别、跟踪目标的位置、大小等状态。目标跟踪技术已被广泛应用于智能视频监控、无人驾驶、现代化军事、人机交互、交通管理系统、三维重建、增强现实等领域。
[0003]目标跟踪有基于生成式和判别式的方法。生成式模型中，跟踪算法以上一帧目标框的几何状态为参考来产生大量随机样本，将与目标模板最相似的样本作为跟踪结果，而判别式模型是通过训练分类器以区分目标和背景，将响应值最高的样本作为跟踪结果。
[0004]自提出基于最小输出平方和准则的判别式相关滤波器跟踪方法以来，判别式相关滤波器以其出色的计算效率和跟踪效果激起学术界与工业界广泛关注。先后出现将核检测技术与核方法引入DCF框架中，提出基于循环结构与核方法(Circulant Structureof Tracking
‑
by
‑
detection with Kernels，CSK)的跟踪算法；提出基于方向梯度直方图(HOG) 特征的核相关滤波器高速跟踪(Kernel Correlation Filter，KCF)方法，跟踪效果显著提升。虽然 KCF实现了很好的跟踪性能，但它预先设定固定的目标框尺寸，当跟踪目标发生尺度变化时便不能有效跟踪。也有学者提出Staple算法，将颜色信息和HOG特征融合。此外还有学者将样本的手工特征和深度特征进行视觉融合以精确地描述目标及背景的外观表示。但深度网络用于目标跟踪存在实时性问题，合理简化和改进深度网络以提高跟踪性能还需深入研究。尺度估计是目标跟踪框架中一个重要组成部分。例如，局部
‑
全局相关滤波器(Local GlobalCorrelation Filter，LGCF)，利用局部分块中心点的距离自适应地估计对象的比例，同时解决局部遮挡问题。多特征尺度自适应跟踪器(Scale Adaptive Multi
‑
feature Filter,SAMF)，对输入样本做多尺度搜索，形成二维尺度样本池，再以相关滤波器对尺度样本池的样本逐一滤波，取最大响应对应的尺度作为最优尺度，解决KCF无法随目标尺度变化而自适应变化的问题。空间多尺度跟踪滤波器(Discriminative Scale Space Track,DSST)，该方法构造具有33个尺度的图像金字塔，通过设计多通道一维尺度滤波器以提高尺度搜索效率。
[0005]虽然相关滤波方法获得巨大成功，但也存在一定的局限性，具体包括：(1)传统DCF方法采用循环移位获取负样本，因此缺乏来自真实场景的负面样本，这会大大降低跟踪器对杂乱背景的鲁棒性；(2)传统DCF方法在遮挡场景下容易失效。这是因为DCF框架以最大响应的位置确定目标并以该样本直接训练滤波器而未对样本的置信度进行进一步的考查，从而导致遮挡物对跟踪器的误导，最终引起跟踪失效；(3)传统的DCF方法随空时信息变化的自适应学习能力不强，未能根据外观的空时变化自适应调整滤波器的更新速度。例如空间
正则化DCF(Spatially Regularized Discriminative Correlation Filter，SRDCF)跟踪器以固定的空间正则化项约束滤波器的空间分布。类似地，时空正则化相关滤波器(Spatial
‑
TemporalRegularized Correlation Filters，STRCF)也无法自适应调整空间正则化约束参数。

技术实现思路

[0006]本专利技术的主要目的在于克服现有技术中的上述缺陷，提出一种基于抗遮挡机制的空时自学习目标跟踪方法，引入背景样本作为真实的负样本参与滤波器的学习，以历史跟踪结果中的硬阳性样本构建多模态模板池以评估最佳候选样本的置信度，跟踪性能好，可靠性高。
[0007]本专利技术的技术方案，包括：
[0008]一种基于抗遮挡机制的空时自学习目标跟踪方法，包括：
[0009]获取图像初始样本集；
[0010]从图像初始样本集中采用循环移位，再利用裁剪矩阵提取背景块作为真实负样本；
[0011]根据相邻帧响应图的差异设计局部响应变化矩阵以感知空间外观信息的变化，并设计自适应空间正则化项；
[0012]根据历史跟踪结果中的正样本构建多模态模板池以评估最佳候选样本的置信度，若最佳候选样本被判定为正样本，则根据局部响应变化矩阵加快滤波器的学习；
[0013]通过搜索响应图的最大值来定位跟踪对象，实现目标定位。
[0014]具体地，所述方法的目标函数为：
[0015][0016]其中，中表示第t帧训练样本中提取的第d通道特征，D为通道个数，vec和mat 分别表示矩阵列化算子和向量矩阵化算子；
★
表示二维相关算子；y是输出的相关性，具有大空间支持的训练样本；是相关性滤波器；和λ
(t)
分别表示时间正则化自适应因子和优化的时间正则化平衡参数，表示空间正则化自适应因子。
[0017]具体地，所述空间正则化自适应因子，具体为：
[0018]将局部响应变化向量m引入空间正则化自适应因子中；
[0019][0020]其中，δ为调整局部响应变化的权重；P是一个二元矩阵,P
T
是P的转置，w是原有继承参数；
[0021]局部响应变化向量m的第j个元素m
j
定义为：
[0022][0023]其中，[ψΔ]表示一个移位运算符使两个响应图r
(t)
与r
(t
‑
1)
的峰值重合；r
j
表示响应图r中的第j个元素。
[0024]具体地，所述构建多模态模板池后还包括：
[0025]将多模态模板池填满第一帧的面片，即：t
n
＝p
(1)
(n＝1,2,
…
,N)，其中p
(1)
表示第一帧目标面片拉成的列向量，t
n
表示多模态目标池T的第n个列向量；从第二帧开始，设相关响应获取的最优样本的面片为b，提取T(:,n)与b的HOG特征，如下式所示：
[0026][0027]其中HOG表示方向梯度直方图提取算子；
[0028][0029]定义参考参数
[0030][0031]其中ζ和υ表示超参数，τ是一个取值范围为[0,1]的阈值；当大于所设阈值时，表明目标未被遮挡，则将e
b
更新到目标模板池中，并淘汰模板池中第2到第N个模板中与b相似度最低的面片；当小于或等于所设阈值时，表明目标被遮挡，响应图存在畸变，则相关滤波器停止学习。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于抗遮挡机制的空时自学习目标跟踪方法，其特征在于，包括：获取图像初始样本集；从图像初始样本集中采用循环移位，再利用裁剪矩阵提取背景块作为真实负样本；根据相邻帧响应图的差异设计局部响应变化矩阵以感知空间外观信息的变化，并设计自适应空间正则化项；根据历史跟踪结果中的正样本构建多模态模板池以评估最佳候选样本的置信度，若最佳候选样本被判定为正样本，则根据局部响应变化矩阵加快滤波器的学习；通过搜索响应图的最大值来定位跟踪对象，实现目标定位。2.根据权利要求1所述的一种基于抗遮挡机制的空时自学习目标跟踪方法，其特征在于，所述方法的目标函数为：其中，中表示第t帧训练样本中提取的第d通道特征，D为通道个数，vec和mat分别表示矩阵列化算子和向量矩阵化算子；
★
表示二维相关算子；y是输出的相关性，具有大空间支持的训练样本；是相关性滤波器；和λ
(t)
分别表示时间正则化自适应因子和优化的时间正则化平衡参数，表示空间正则化自适应因子。3.根据权利要求2所述的一种基于抗遮挡机制的空时自学习目标跟踪方法，其特征在于，所述空间正则化自适应因子，具体为：将局部响应变化向量m引入空间正则化自适应因子中；其中，δ为调整局部响应变化的权重；P是一个二元矩阵,P
T
是P的转置，w是原有继承参数；局部响应变化向量m的第j个元素m
j
定义为：其中，[ψΔ]表示一个移位运算符使两个响应图r
(t)
与r
(t
‑
1)
的峰值重合；r
j
表示响应图r中的第j个元素。4.根据权利要求2所述的一种基于抗遮挡机制的空时自学习目标跟踪方法，其特征在于，所述构建多模态模板池后还包括：将多模态模板池填满第一帧的面片，即：t
n
＝p
(1)
(n＝1,2,
…
,N)，其中p
(1)
表示第一帧目标面片拉成的列向量，t
n
表示多...

【专利技术属性】
技术研发人员：王灵芝，陈颖频，张俊，陈嵚崟，林静敏，
申请(专利权)人：厦门城市职业学院厦门开放大学，
类型：发明
国别省市：