[發(fā)明專利]多層深度特征融合的自適應(yīng)抗遮擋紅外目標跟蹤方法

有效

• 申請?zhí)枺?/td>: 201810259132.4
• 申請日: 2018-03-27
• 公開（公告）號: CN108665481B
• 公開（公告）日: 2022-05-31
• 發(fā)明（設(shè)計）人: 秦翰林;王婉婷;王春妹;延翔;程文雄;彭昕;胡壯壯;周慧鑫
• 申請（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/82;G06N3/04
• 代理公司: 西安志帆知識產(chǎn)權(quán)代理事務(wù)所(普通合伙) 61258
• 代理人: 侯峰;韓素蘭

1.一種多層深度特征融合的自適應(yīng)抗遮擋紅外目標跟蹤方法，其特征在于，該方法為：首先，通過VGG-Net獲取視頻圖像目標候選區(qū)域的多層深度特征圖，再對所述多層深度特征圖通過上采樣獲得一系列相同尺寸不同層級的多層深度特征圖；然后，根據(jù)相關(guān)濾波將所述多層深度特征圖從時域轉(zhuǎn)換到頻域，并且根據(jù)快速傅里葉變換進行濾波器訓(xùn)練和響應(yīng)圖計算，再根據(jù)層內(nèi)特征加權(quán)融合對多層深度特征圖進行合并降維處理，構(gòu)建出不同層級的特征響應(yīng)圖并且求出最大相關(guān)響應(yīng)值即為目標估計位置；最后，對目標稠密特征進行提取，并根據(jù)相關(guān)濾波獲得特征最大響應(yīng)值，獲得通過深度卷積特征所估計的目標中心位置的響應(yīng)置信度；當所述目標中心位置的響應(yīng)置信度小于重檢測閾值T₀時，通過在線目標重檢測對獲得的目標估計位置進行評估并且根據(jù)評估結(jié)果對目標的位置進行自適應(yīng)更新；

所述對目標稠密特征進行提取，并根據(jù)相關(guān)濾波獲得特征最大響應(yīng)值，獲得通過深度卷積特征所估計的目標中心位置的響應(yīng)置信度，具體為：

首先，在t+1幀圖像上，以所估計出的目標中心位置為中心坐標采樣得到a×b大小的搜索區(qū)域塊，作為稠密特征提取的范圍，利用公式(10)和(11)計算得到每個像素在水平和垂直方向的梯度分量，由公式(12)和(13)能夠得到每個像素梯度向量的長度和角度；

G₁＝pixel_{(pos_x+1,pos_y)}-pixel_{(pos_x-1,pos_y)} (10)

G₂＝pixel_{(pos_x,pos_y+1)}-pixel_{(pos_x,pos_y-1)} (11)

θ＝arctan(G₁/G₂) (13)

其中，pixel_{(pos_x+1,pos_y)}，pixel_{(pos_x-1,pos_y)}，pixel_{(pos_x,pos_y+1)}，pixel_{(pos_x,pos_y-1)}分別表示4個像素點的位置，pos_x，pos_y為估計出的目標位置，G₁，G₂分別表示2個像素點在水平和垂直方向上的距離，S和θ表示梯度向量的長度和梯度向量角度；

然后，將搜索區(qū)域分成大小相同的單元格，分別計算每個單元patch內(nèi)像素的梯度信息，包括大小和方向，每個像素的梯度大小對其方向貢獻不同的權(quán)重，然后這個權(quán)重累加到所有的梯度方向上；

對搜索區(qū)域進行單元分塊，每個單元格大小為a/4×b/4像素，分為4×4的單元格，分9個方向統(tǒng)計每個單元格的梯度信息，從而用一個9維的向量來表示它的圖像信息，統(tǒng)計每個單元格的特征圖即可得到稠密特征

最后，對所提取的多層稠密特征進行高斯相關(guān)濾波并求最大響應(yīng)值，即可得到通過上述深度卷積特征所估計的目標中心位置的響應(yīng)置信度Confidence，該值反映了每一次跟蹤結(jié)果的可靠程度，

Confidence＝max(F^-1(E)) (15)

其中，zf，xf分別為當前幀和前一幀提取的稠密特征集合，F(xiàn)為傅里葉變換；

所述當所述目標中心位置的響應(yīng)置信度小于重檢測閾值T₀時，通過在線目標重檢測對獲得的目標估計位置進行評估，具體為：重檢測模塊的核心為線性二分類器，通過計算公式(16)對獲得的目標估計位置進行二項分類：

f(p)＝s_w,p+s_b (16)

其中，是向量內(nèi)積符號，s_w是權(quán)向量，它是超平面的法線方向，s_b為偏移，訓(xùn)練后得到s_w和s_b的值，通過拉格朗日方法求解，令拉格朗日函數(shù)為公式(17)：

其中，α_l≥0為每個樣本的拉格朗日乘子，(p₁,q₁),...,(p_l,q_l),(p_k,q_k)為直方圖均衡后的樣本，k為樣本個數(shù)，q_l等于1或-1，p_l為d維向量；

求解后得到的最優(yōu)分類函數(shù)可由公式(18)表示：

f(p)＝sgn[(s_w^*·p)+s_b^*] (18)

其中，s_w*，s_b*分別為對應(yīng)的最優(yōu)解；

所述根據(jù)評估結(jié)果對目標的位置進行自適應(yīng)更新，具體為：通過在線目標重檢測對獲得的目標估計位置進行評估獲得樣本一系列得分值scorcs，取其中的最大值，該值所對應(yīng)的樣本所在位置即為重檢測后目標的再次估計位置tpos；對該樣本進行公式(14)和(15)的處理，重新得到一個檢測后的跟蹤置信度Confidence₂，當該值滿足公式(19)時，將用tpos代替pos，即得到重檢測后的目標位置，若不滿足則跟蹤位置不進行變化；

Confidence₂1.1Confidencemax(scorcs)0 (19)。