[發明專利]一種基于卷積稀疏濾波的視覺跟蹤方法

有效

• 申請號: 201910058846.3
• 申請日: 2019-01-22
• 公開（公告）號: CN109859244B
• 公開（公告）日: 2022-07-08
• 發明（設計）人: 畢瑞星;馬鐘
• 申請（專利權）人: 西安微電子技術研究所
• 主分類號: G06T7/246
• 分類號: G06T7/246
• 代理公司: 西安通大專利代理有限責任公司 61200
• 代理人: 徐文權

1.一種基于卷積稀疏濾波的視覺跟蹤方法，其特征在于，包括以下步驟：

1)采用卷積稀疏濾波方法對目標特征提取矩陣進行離線訓練，在跟蹤視頻序列上進行無監督特征學習，得到最優特征提取矩陣；

步驟1)具體包括步驟：

101)獲取訓練數據集；

102)在多組圖像序列中隨機選擇目標矩形內的多個子塊圖像，將每個子塊圖像排列成列向量形式作為目標訓練樣本，記作e＝{e¹,e²,...eⁿ}；

103)用隨機數初始化權值矩陣，得到初始化后的權值矩陣W＝{w_i,j}∈R^m×n，隨機數取值范圍為0到樣本數目之間的任意值，權值矩陣維度與目標訓練樣本維度相同；

104)將初始化后權值矩陣W與目標訓練樣本e線性運算，得到G＝W·e，其中G＝{g_i}；

105)將激活函數h(g)對G逐元素運算，得到激活后的特征矩陣其中，激活函數h(g)為非線性函數；

106)對激活后的特征矩陣F行規范化得到其中，|| ||₁和|| ||₂分別表示向量的1范數和2范數；

107)對矩陣列規范化得到其中

108)對矩陣先行后列求取梯度

109)更新網絡權重將更新后的W′替換步驟104)中的W；

110)重復步驟104)～109)，直至矩陣的1范數收斂，此時的W即為最優的特征提取矩陣；

2)在線跟蹤過程中初始化跟蹤器，用最優特征提取矩陣卷積得到初始模板特征和嶺回歸解；

3)利用最優特征提取矩陣對測試圖像提取特征得到的測試樣本特征，利用核函數計算測試樣本特征與初始模板特征的相關性，而后卷積嶺回歸解，得到預測目標位置，更新跟蹤器，實現對目標的跟蹤。

2.根據權利要求1所述的基于卷積稀疏濾波的視覺跟蹤方法，其特征在于，步驟110)中的矩陣的1范數為當其取得最小值時得到的W為最優的特征提取矩陣。

3.根據權利要求1所述的基于卷積稀疏濾波的視覺跟蹤方法，其特征在于，步驟2)具體包括以下步驟：

201)在輸入的圖像序列或視頻中，獲取初始幀圖像信息I_R(i,j)，選擇待跟蹤的目標R₀；

202)創建跟蹤器T，對跟蹤器進行初始化，設置搜索范圍t_pad、學習率t_Lr、模塊大小t_tmsz、高斯帶寬σ和正則項λ；

203)以目標框中心位置為搜索框中心，R₀×t_tmsz為大小的區域圖像，作為初始模板圖像；

204)用最優特征提取矩陣W，對初始幀圖像卷積提取特征作為初始模板特征，

205)生成中心對稱的高斯權重窗其中m、n是高斯窗大小；

206)用高斯核函數計算樣本間的相關性，在初始化跟蹤中x'＝x，exp()表示自然常數e為底的指數函數，σ表示高斯帶寬，是初始化參數；

207)求解核函數矩陣在帶二范數懲罰的最小二乘回歸下的特征解α＝(K+λI)^-1y，其中I表示單位矩陣，λ表示10^-5的正則項，是初始化參數，y表示以m、n為寬、高的二維高斯矩陣。

4.根據權利要求3所述的基于卷積稀疏濾波的視覺跟蹤方法，其特征在于，步驟207)中，當K是循環矩陣時，

5.根據權利要求3或4所述的基于卷積稀疏濾波的視覺跟蹤方法，其特征在于，步驟3)具體包括以下步驟：

301)在當前幀I_R(i,j)，記作t幀，R_t-1是上一幀目標位置，外擴t_pad×R_t-1，測試圖像

在上一幀目標位置的R_t-1周圍外擴t_pad×R_t-1×S_c，作為放大的測試圖像；

在上一幀目標位置R_t-1周圍外擴倍，作為縮小的測試圖像；

302)用最優特征提取矩陣W，對測試圖像提取特征得到測試樣本特征z；

303)計算測試樣本特征z與初始模板特征x的高斯核相關K^z＝C(k^xz)，對核相關矩陣與嶺回歸解α卷積運算，得到f(z)＝(K^z)^Tα，變換到傅里葉域，得到響應矩陣響應矩陣中最大值為此時響應矩陣中的位置O_s＝1(i,j)為相同尺度下預測目標位置；

將放大的測試圖像做與測試圖像相同的運算，得到最大響應值最大響應值在圖像中的位置記放大尺度下的預測目標位置；

將縮小的測試圖像做與測試圖像相同的運算，得到最大響應值最大響應值在圖像中的位置記縮小尺度下的預測目標位置；

304)將步驟303)得到的響應分別與其對應的縮放尺度乘積，其中最大值為最終預測目標置信度P_t，其對應的尺度為預測目標縮放的尺度S，其對應的位置即為預測目標對應位置R_t；

305)對預測目標對應位置R_t特征提取，以學習率t_Lr為頻率更新訓練模板特征x和特征解α_t；

306)重復步驟301)-步驟305)，直至跟蹤結束。