[發(fā)明專利]一種基于級聯(lián)檢測器的運動目標跟蹤方法

有效

• 申請?zhí)枺?/td>: 201910400365.6
• 申請日: 2019-05-15
• 公開（公告）號: CN110222585B
• 公開（公告）日: 2021-07-27
• 發(fā)明（設(shè)計）人: 楊衛(wèi)東;翟展;王爽;沈孔懷;雷曉奇;凌翔濱;王公炎
• 申請（專利權(quán)）人: 華中科技大學(xué)
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/32;G06K9/62
• 代理公司: 華中科技大學(xué)專利中心 42201
• 代理人: 曹葆青;李智

本發(fā)明公開了一種基于級聯(lián)檢測器的運動目標跟蹤方法，包括：(1)相關(guān)濾波跟蹤器的初始化；(2)級聯(lián)檢測器的初始化；(3)相關(guān)濾波跟蹤器獲取第一感興趣區(qū)域；(4)級聯(lián)分類器目標檢測；(5)第一感興趣區(qū)域與檢測區(qū)域的綜合；(6)更新跟蹤模型與級聯(lián)檢測器；其中，通過相關(guān)濾波跟蹤器獲取第一感興趣區(qū)域，級聯(lián)檢測器包括方差分類器、多通道隨機蕨分類器和相關(guān)一致分類器，通過三種分類器獲取檢測區(qū)域，第一感興趣區(qū)域和檢測區(qū)域進行加權(quán)修正獲取第二感興趣區(qū)域，可有效地防止跟蹤結(jié)果的振蕩，同時采用級聯(lián)檢測器可保證跟蹤模型獲取的第一感興趣區(qū)域的準確性。

技術(shù)領(lǐng)域

本發(fā)明屬于目標跟蹤的技術(shù)領(lǐng)域，更具體地，涉及一種基于級聯(lián)檢測器的運動目標跟蹤方法。

背景技術(shù)

隨著科學(xué)技術(shù)的發(fā)展，人們的生活、學(xué)習(xí)和工作在智能設(shè)備上的要求也在不斷提高。在視頻監(jiān)控領(lǐng)域，在過去只能做到靜態(tài)的記錄，然后用來監(jiān)控某一區(qū)域或記錄某一地區(qū)在一定時間內(nèi)發(fā)生的事，但現(xiàn)在的社會環(huán)境需要監(jiān)測設(shè)備更加智能化，能夠?qū)崿F(xiàn)遠距離、多方位觀察視頻圖像，更需要圖像設(shè)備能實時跟蹤并自動分析處理。例如，自動跟蹤感興趣的目標對象，實現(xiàn)各種目標對象的檢測、實時跟蹤、定位報警等，這些技術(shù)需求又反過來推動了人工智能的發(fā)展，引領(lǐng)市場方向，引領(lǐng)科技進步。

運動目標跟蹤在軍事領(lǐng)域的應(yīng)用也越來越廣泛，運動目標跟蹤更發(fā)展成為了飛行器導(dǎo)航中的一項關(guān)鍵的技術(shù)。在各種軍用設(shè)備中都需要圖像跟蹤手段來達到精確導(dǎo)引的目的，包括導(dǎo)彈和無人機等系統(tǒng)，目前迫切需要利用這一信息載體對圖像進行搜索、捕獲、定位和精確跟蹤。

隨著技術(shù)的進步，對目標的搜索和跟蹤系統(tǒng)的需求正朝著智能化的方向發(fā)展，要求系統(tǒng)能夠長期地對目標進行準確的自動跟蹤。近些年基于相關(guān)濾波的跟蹤算法無論在速度還是性能上都表現(xiàn)出了極大的潛力，因此廣泛應(yīng)用于跟蹤領(lǐng)域，但是由于相關(guān)濾波本身并不具備干擾檢測的能力，因此如果目標被遮擋那么就會跟蹤失敗，此外隨著跟蹤過程的進行難以避免誤差逐漸累積造成跟蹤漂移，而且時間越長誤差越大，因此無法直接將現(xiàn)有算法應(yīng)用到長時跟蹤的場景中。

發(fā)明內(nèi)容

針對現(xiàn)有技術(shù)的缺陷，本發(fā)明的目的在于提供一種基于級聯(lián)檢測器的運動目標跟蹤方法，旨在解決現(xiàn)有的長時跟蹤方法由于缺乏級聯(lián)檢測器定位檢測區(qū)域?qū)е赂櫰频膯栴}。

為實現(xiàn)上述目的，本發(fā)明提供了一種基于級聯(lián)檢測器的運動目標跟蹤方法，包括：

(1)基于序列圖像第k幀的訓(xùn)練樣本，分別計算跟蹤模型的參數(shù)和級聯(lián)檢測器的參數(shù)；

所述級聯(lián)檢測器依次按照方差分類器、多通道隨機蕨分類器和相關(guān)一致分類器的順序級聯(lián)構(gòu)成；

(2)根據(jù)第k+1幀第一訓(xùn)練樣本的樣本特征以及基于第k幀訓(xùn)練樣本的跟蹤模型，計算第k+1幀第一訓(xùn)練樣本的頻域特征響應(yīng)圖和跟蹤置信度；

(3)根據(jù)跟蹤置信度，篩選頻域特征響應(yīng)值最大的點為第k+1幀的第一感興趣區(qū)域；

(4)將第k+1幀第一感興趣區(qū)域劃分為柵格圖像后，各柵格圖像依次通過級聯(lián)檢測器篩選出檢測區(qū)域；

(5)根據(jù)檢測區(qū)域校準第k+1幀的第一感興趣區(qū)域獲取第k+1幀的第二感興趣區(qū)域；

(6)以第k+1幀的第二感興趣區(qū)域為中心生成第k+1幀的第二訓(xùn)練樣本，并基于第k+1幀的第二訓(xùn)練樣本分別更新跟蹤模型和級聯(lián)檢測器；

(7)判斷是否滿足k+1m，若滿足，則k＝k+1，轉(zhuǎn)至步驟(2)；否則，停止；其中，m為序列圖像的最大幀數(shù)。

優(yōu)選地，步驟(1)包括：

(1.1)根據(jù)第k幀的目標跟蹤的初始感興趣區(qū)域生成第k幀的訓(xùn)練樣本，并基于第k幀的訓(xùn)練樣本的樣本特征和樣本標簽獲取跟蹤模型的參數(shù)；