一種基于循環矩陣的快速自適應多尺度目標跟蹤方法技術

本發明專利技術涉及一種基于循環矩陣的快速自適應多尺度目標跟蹤方法，包括在視頻的初始幀圖像中，根據所給出的目標位置和目標窗口尺度信息，采用循環矩陣進行稠密采樣提取目標子窗口作為訓練樣本，訓練分類器；采用分類器檢測當前幀圖像中所有待測目標子窗口，獲取分類器響應值最大的待測目標子窗口之目標位置和目標窗口尺度信息，更新分類器，于下一幀圖像的處理。本發明專利技術在循環矩陣的基礎上，使用尺度縮放機制實時改變目標窗大小，能夠有效的應對目標姿態快速變化、尺度變化和嚴重遮擋等情況。

A fast adaptive multiscale target tracking method based on Circulant Matrices

The invention relates to a method for fast tracking adaptive multiscale target based on circular matrix, including the initial frame of video image, based on the target location and target window scale information, using cyclic matrix dense sampling to extract the target window as training samples to train the classifier; using the classifier to detect the current frame image to all the target window, the classifier response value target sub window target location and target window scale information, the biggest update classifier on the next frame of image processing. The invention uses the scale scaling mechanism to change the size of the target window in real time on the basis of the cyclic matrix, and can effectively respond to the rapid change of the target gesture, the scale change and the serious occlusion, etc..

【技術實現步驟摘要】
一種基于循環矩陣的快速自適應多尺度目標跟蹤方法
本專利技術屬于目標跟蹤領域，具體是一種基于循環矩陣的快速自適應多尺度目標跟蹤方法，
技術介紹
隨著計算機技術的不斷發展，運動目標跟蹤作為人工智能、模式識別、計算機科學等多學科的結晶，逐漸成為圖像處理、機器視覺、計算機領域的研究熱點。目標跟蹤不僅提供目標運動狀態和軌跡，也為行為檢測、場景理解、運動分析等提供初始數據，在人機交互、車輛導航、無人機拍攝、自動監控、軍事偵察等方面應用廣泛。跟蹤主要是估計物體圍繞一個場景運動時的軌跡，即一個跟蹤系統給同一個視頻中的不同幀的跟蹤目標分配相一致的標簽。目標跟蹤主要包括四個過程：目標初始化，特征模板表示，相似性度量和運動估計。目標跟蹤方法可以分為不同種類，例如根據跟蹤目標信息使用情況的不同，可以將跟蹤算法分為基于對比分析的目標跟蹤、基于匹配的目標跟蹤和基于運動檢測的目標跟蹤。其中，基于在線學習的目標跟蹤算法逐漸成為近幾年的主流方法。基于在線學習的目標跟蹤方法主要分為基于判別模型和基于生成模型的方法。基于判別模型的跟蹤方法是把目標跟蹤看成分類問題，采用在線學習更新的分類器將目標與背景分離開。基于生成模型的跟蹤方法首先建立目標模型，然后在后續幀圖像中搜索與目標模型最相似的作為目標并更新目標模型，進行后續目標跟蹤。基于判別模型的跟蹤方法首先需要提取大量的訓練樣本，樣本分為正負樣本，目標是正樣本，非目標是負樣本，并利用正負樣本訓練分類器。訓練分類效果好的分類器需要大量的訓練樣本，但是這樣就會產生很大的計算量，因此基于判別模型的跟蹤方法實時性不好，僅適用于跟蹤實時性要求不高的場合。Henriques等人提出了基于循環矩陣的跟蹤算法，該算法跟蹤速度非常快，可達到幾百幀每秒，利用循環矩陣進行稠密采樣提取訓練樣本。而一般的基于判別模型的跟蹤算法采用稀疏采樣提取訓練樣本，稀疏采樣忽略樣本內聯結構，并且樣本也存在重疊，使得訓練數據冗余度高。但是稠密采樣的過程會產生循環矩陣，循環矩陣可以與傅里葉分析聯系起來。利用快速傅里葉變換可以快速學習分類器，提高跟蹤速度。基于循環矩陣的跟蹤算法計算量小，跟蹤魯棒性高，但是當目標出現快速變化、尺度變化和遮擋時，很容易丟失目標。因為基于循環矩陣的跟蹤算法固定了目標框以及搜索范圍，搜索范圍是目標框的兩倍，當目標出現尺度變化的時候，超出固定的目標框和搜索框，就會導致目標特征的丟失，進而影響跟蹤效果。
技術實現思路
針對現有技術中存在的不足，本專利技術提出了一種基于循環矩陣的快速自適應多尺度目標跟蹤方法，使用尺度縮放機制實時改變目標窗大小，能夠有效的應對目標姿態快速變化、尺度變化和嚴重遮擋等情況。本專利技術采用下面的技術方案：一種基于循環矩陣的快速自適應多尺度目標跟蹤方法，包括：在視頻的初始幀圖像中，根據所給出的目標位置和目標窗口尺度信息，采用循環矩陣進行稠密采樣提取目標子窗口作為訓練樣本，訓練分類器；采用分類器檢測當前幀圖像中所有待測目標子窗口，獲取分類器響應值最大的待測目標子窗口之目標位置和目標窗口尺度信息，更新分類器，于下一幀圖像的處理。進一步的，本方法中采用循環矩陣進行稠密采樣提取目標子窗口作為訓練樣本，利用傅里葉變換計算目標子窗口核函數，通過最小代價函數訓練正規則化最小分類器系數。進一步的，采用分類器檢測當前幀圖像中所有待測目標子窗口的方法為：計算當前幀圖像中待測目標子窗口與初始幀圖像中目標子窗口之間的核函，利用所述核函數和分類器同時計算所有待測目標子窗口的響應值，獲取響應值最大的待測目標子窗口。進一步的，利用傅里葉變換計算目標子窗口核函數的方法為：式中，x表示當前幀圖像的子窗口，F和F-1分別表示傅里葉變換和傅里葉逆變換，*表示復共軛，σ是尺度參數。進一步的，所述通過最小代價函數訓練正規則化最小分類器系數的方法為：式中，λ是正規則化參數，y是訓練樣本標記矩陣，yij是y的元素，k(x,x)是核函數，訓練樣本像素數是m*n，F和F-1分別表示傅里葉變換和傅里葉逆變換。進一步的，計算當前幀圖像中待測目標子窗口與初始幀圖像中目標子窗口之間的核函數的方法為：式中，x表示初始幀圖像的目標子窗口，x'表示當前幀圖像的待測目標子窗口，F和F-1分別表示傅里葉變換和傅里葉逆變換，*表示復共軛，σ是尺度參數。進一步的，利用所述核函數和分類器同時計算所有待測目標子窗口的響應值的方法為：式中，k(x,x')是核函數，α是分類器系數，F和F-1分別表示傅里葉變換和傅里葉逆變換。進一步的，所述獲取分類器響應值最大的待測目標子窗口之目標位置和目標窗口尺度信息方法為：xt'表示兩幀之間的目標窗口估計尺度，xt表示第t幀的目標窗口大小，xt+1表示第t+1的目標窗口大小，表示前n幀的估計窗口大小的平均值，ζ＞0表示固定濾波器參數，σ是尺度參數。進一步的，所述更新分類器的方法為：α＝(1-ξ)α+ξα'式中，α表示前一幀的分類器α值系數，α'表示當前幀的的分類器α'值系數，ξ表示線性插值系數。進一步的，本方法對所述目標子窗口或待測目標子窗口作加余弦窗預處理，用于消除邊緣，強調中心。進一步的，本方法首先將初始幀圖像或當前幀圖像轉化為灰度圖像，然后對所述灰度圖像進行提取目標子窗口或檢測待測目標子窗口的操作。本專利技術的有益效果：(1)本專利技術使用稠密采樣選取訓練樣本進行分類器訓練，使分類器的訓練更加有效，保證跟蹤的魯棒性。(2)本專利技術使用循環矩陣特性使用了循環結構進行相鄰幀的相關性檢測來進行目標跟蹤，跟蹤速度快，保證跟蹤的時效性。(3)本專利技術使用尺度縮放機制實時改變目標窗大小，能夠有效的應對目標姿態快速變化、尺度變化和嚴重遮擋等情況。附圖說明圖1為本專利技術的流程示意圖。具體實施方式：下面結合附圖與實施例對本專利技術作進一步說明：應該指出，以下詳細說明都是例示性的，旨在對本申請提供進一步的說明。除非另有指明，本文使用的所有技術和科學術語具有與本申請所屬
的普通技術人員通常理解的相同含義。需要注意的是，這里所使用的術語僅是為了描述具體實施方式，而非意圖限制根據本申請的示例性實施方式。如在這里所使用的，除非上下文另外明確指出，否則單數形式也意圖包括復數形式，此外，還應當理解的是，當在本說明書中使用術語“包含”和/或“包括”時，其指明存在特征、步驟、操作、器件、組件和/或它們的組合。本專利技術的一種典型實施例是一種基于循環矩陣的快速自適應多尺度目標跟蹤方法，如圖1所示，包括以下步驟：步驟(1)：輸入視頻序列，獲取目標位置和目標窗口尺度信息；步驟(2)：對于視頻中的初始幀圖像，先轉為灰度圖，可以進一步的重新調整灰度圖像數據到更小的范圍，再利用稠密采樣提取目標子窗口，預處理目標子窗口，計算核函數，通過最小代價函數訓練正規則化最小分類器系數；本專利技術使用稠密采樣選取訓練樣本進行分類器訓練，使分類器的訓練更加有效，保證跟蹤的魯棒性。進一步的，在稠密采樣的基礎上，使用循環矩陣結構進行相鄰幀的相關性檢測來進行目標跟蹤，跟蹤速度快，保證跟蹤的時效性。步驟(3)：對于后面每一幀圖像，先轉化為灰度圖像，然后預處理待測目標子窗口，結合上一幀圖像信息再次計算所有待測目標子窗口的核函數，利用核函數的循環結構和分類器同時計算所有待測目標子窗口的響應值，選出響應值最大的待測目標子窗口位置；本文檔來自技高網...

【技術保護點】
一種基于循環矩陣的快速自適應多尺度目標跟蹤方法，其特征在于：在視頻的初始幀圖像中，根據所給出的目標位置和目標窗口尺度信息，采用循環矩陣進行稠密采樣提取目標子窗口作為訓練樣本，訓練分類器；采用分類器檢測當前幀圖像中所有待測目標子窗口，獲取分類器響應值最大的待測目標子窗口之目標位置和目標窗口尺度信息，更新分類器，于下一幀圖像的處理。

【技術特征摘要】
1.一種基于循環矩陣的快速自適應多尺度目標跟蹤方法，其特征在于：在視頻的初始幀圖像中，根據所給出的目標位置和目標窗口尺度信息，采用循環矩陣進行稠密采樣提取目標子窗口作為訓練樣本，訓練分類器；采用分類器檢測當前幀圖像中所有待測目標子窗口，獲取分類器響應值最大的待測目標子窗口之目標位置和目標窗口尺度信息，更新分類器，于下一幀圖像的處理。2.根據權利要求1所述的方法，其特征在于：采用循環矩陣進行稠密采樣提取目標子窗口作為訓練樣本，利用傅里葉變換計算目標子窗口核函數，通過最小代價函數訓練正規則化最小分類器系數。3.根據權利要求1所述的方法，其特征在于：采用分類器檢測當前幀圖像中所有待測目標子窗口的方法為：計算當前幀圖像中待測目標子窗口與初始幀圖像中目標子窗口之間的核函，利用所述核函數和分類器同時計算所有待測目標子窗口的響應值，獲取響應值最大的待測目標子窗口。4.根據權利要求2所述的方法，其特征在于：多數利用傅里葉變換計算目標子窗口核函數的方法為：式中，x表示當前幀圖像的子窗口，F和F-1分別表示傅里葉變換和傅里葉逆變換，*表示復共軛，σ是尺度參數。5.根據權利要求4所述的方法，其特征在于：所述通過最小代價函數訓練正規則化最小分類器系數的方法為：式中，λ是正規則化參數，y是訓練樣本標記矩陣，yij是y的元素，k(x,x)是核函數，訓練樣本像素數是m*n，F和F-1分別表示傅里葉變換和傅里葉逆變換。6.根據權利要求3所述的...

【專利技術屬性】
技術研發人員：劉治，郭慶榮，姬海燕，許建中，曹艷坤，
申請(專利權)人：山東大學，
類型：發明
國別省市：山東,37