[發(fā)明專利]基于相關濾波和自適應特征融合的多尺度目標跟蹤方法

在審

• 申請?zhí)枺?/td>: 202010017064.8
• 申請日: 2020-01-08
• 公開（公告）號: CN111260738A
• 公開（公告）日: 2020-06-09
• 發(fā)明（設計）人: 唐晨;邱岳
• 申請（專利權）人: 天津大學
• 主分類號: G06T7/90
• 分類號: G06T7/90;G06T7/277;G06T7/269;G06T7/246;G06T5/40;G06K9/62;G06K9/46
• 代理公司: 天津市北洋有限責任專利代理事務所 12201
• 代理人: 劉國威

1.一種基于相關濾波和自適應特征融合的多尺度目標跟蹤方法，其特征是，步驟如下：

步驟1：輸入當前第t幀圖像；

步驟2：采集圖像樣本塊，提取樣本的梯度特征和顏色特征，并采用方向梯度直方圖HOG(Histogram of Oriented Gridients)特征x^HOG和顏色屬性CN(Color Name)特征x^CN表達；

步驟3：將上一幀得到的濾波器h和當前幀候選目標圖像塊x進行卷積，然后查找所有測試樣本響應向量，最大響應位置為目標的預測位置，對于給定的單個目標圖像塊x，分類器的響應輸出為

將HOG特征表達的圖像樣本x^HOG和CN特征表達的圖像樣本x_CN分別代入上式，求取各自相關濾波響應圖，并得到各自最大響應值為R^HOG和R^CN；

步驟4：通過HOG和CN兩種特征響應值的大小來對兩種特征自適應分配權重，計算如式(2)所示：

根據(jù)各特征權重大小為CN特征和HOG特征分配的權重，對最終的目標跟蹤結果進行加權融合，計算如式(3)所示：

R＝δR^CN+(1-δ)R^HOG (3)

其中δ∈[0,1]，若δ＝0，則代表該跟蹤結果僅僅使用了HOG特征的跟蹤結果；若δ＝1，則代表該跟蹤結果僅僅使用了顏色特征的跟蹤結果；

步驟5：提取多尺度圖像塊的HOG特征，使用這些多尺度圖像塊的HOG特征來訓練核函數(shù)的最小二乘法分類器，獲得一個一維的尺度跟蹤器，最后尋找這個濾波器的最大的輸出響應R_S，用式(4)完成尺度的預測：

其中參數(shù)為學習參數(shù)，k_S的元素x_S是從第t-1幀學習的目標尺度模型，是從新一幀提取的樣本；

步驟6：將目標的預測位置R和預測尺度R_S結合，用矩形框標記出當前幀的目標；

步驟7：按照線性插值的方法更新平移濾波器和尺度濾波器，如下式(5)-(7)所示：

其中參數(shù)為學習參數(shù)，k^j的元素為γ為自適應學習速率，為目標的預測值，λ為正則項系數(shù)；

步驟8：輸入下一幀圖像，按步驟1-7處理，最終實現(xiàn)目標跟蹤。

2.如權利要求1所述的基于相關濾波和自適應特征融合的多尺度目標跟蹤方法，其特征是，所述步驟2和步驟5中，HOG特征的具體提取過程為：

(1)首先將目標圖像作灰度化處理；

(2)使用Gamma校正的方法對輸入的待檢測圖像進行顏色空間的歸一化，從而達到調節(jié)圖像的對比度以及降低局部陰影與光照變化帶來的影響的目的，同時還可以抑制噪音帶來的干擾，Gamma壓縮公式：I(x,y)＝I(x,y)^Gamma，在這里取Gamma＝1/2；

(3)計算目標圖像的每一個像素的梯度，圖像中像素點的梯度為：

G_x(x,y)＝H(x+1,y)-H(x-1,y) (8)

G_y(x,y)＝H(x,y+1)-H(x,y-1) (9)

式中G_x(x,y)、G_y(x,y)和H(x,y)分別表示輸入圖像中的像素點(x,y)處的水平方向和垂直方向梯度的像素值，像素點(x,y)處的梯度幅值和梯度方向分別為：

(4)將圖像劃分成每個都含有4×4個像素點的小的細胞單元，并為每一個細胞單元構建它的梯度方向直方圖；

(5)將每3×3個細胞單元來組成一個塊，那這個塊內(nèi)所包含的細胞單元的各自的特征向量連著串聯(lián)起來，那么就可以得到這個塊的梯度直方圖；

(6)將目標圖像內(nèi)所有塊的梯度直方圖特征向量串聯(lián)在一起，就組成了該目標圖像的方向梯度直方圖，即最終得到的供判別分類器使用的特征向量。

3.如權利要求1所述的基于相關濾波和自適應特征融合的多尺度目標跟蹤方法，其特征是，步驟7中，自適應學習速率γ選取的具體過程采用幀差法，也就是相鄰兩幀圖片間的差值作為依據(jù)來分段確定學習速率的大小，對一幀大小是m×n的圖像塊x，每一個像素點用x_ij來表示，其中0≤i≤m-1，0≤j≤n-1，對于第t幀圖像：

當0q2.5時，相鄰兩幀目標圖片變化較小，目標表觀模型變化較小，設置較低的學習速率，以保持良好的跟蹤；當2.5≤q8時，目標表觀模型變化正常，設置常規(guī)的學習速率；當q≥8時，目標表觀模型變化十分明顯，設置較大的學習速率，具體分段學習速率如式(13)所示：