[發(fā)明專利]基于聯(lián)合預測-檢測-修正框架的長期目標跟蹤算法

在審

• 申請?zhí)枺?/td>: 202010052387.0
• 申請日: 2020-01-17
• 公開（公告）號: CN111291630A
• 公開（公告）日: 2020-06-16
• 發(fā)明（設計）人: 唐晨;邱岳
• 申請（專利權）人: 天津大學
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06K9/62
• 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

1.一種基于聯(lián)合預測-檢測-修正框架的長期目標跟蹤算法，其特征是，通過預測器模塊預測目標運動趨勢和尺度變化，利用檢測器模塊結合預測參數(shù)進行有效的目標位置估計和目標尺度估計，通過修正器模塊結合精化機制進行目標位置的修正，從而實現(xiàn)精確的目標跟蹤。

2.如權利要求1所述的基于聯(lián)合預測-檢測-修正框架的長期目標跟蹤算法，其特征是，具體步驟細化如下：

步驟1：輸入第t幀視頻圖像；

步驟2：由第t幀視頻圖像中的中心點坐標和對應的光流點坐標，用預測器預測目標的運動偏移量(Δx,Δy)和尺度變化量S_f；

步驟3：進行目標位置檢測。首先基于(Δx,Δy)和目標上一幀位置C_t-1確定搜索框范圍并提取樣本，然后用下式(4)計算目標相關置信圖y_P：

其中，A為相關濾波系數(shù)，⊙為哈達碼積運算，z為確定的搜索框范圍，φ(·)為希爾伯特變換，p是學習到的目標外觀模型；

尋找目標相關置信圖中的最大響應值，即為目標新的位置C_t；

步驟4：若檢測器中目標外觀濾波器的最大響應值低于預設的閾值θ時，進行目標位置精修；

步驟5：進行目標尺度檢測。首先，根據(jù)超像素預測的尺度變化因子S_f，可以設置尺度變化步長S_S：

S_S＝(S_S,0-1)+f(S_f) (5)

其中，S_S,0是初始尺度步長，f(·)是用于限制S_f取值的函數(shù)；

隨后計算完備的尺度范圍Φ：

Φ＝{S_S^±i} (6)

其中，L是尺度層數(shù)；

接下來，在Φ中用各個尺度進行縮放，并用步驟3中的方法求得目標尺度置信圖y_S，最終將最大y_S對應的尺度作為尺度檢測的結果S_t；

步驟6：若檢測器中目標尺度濾波器的最大響應值低于預設的閾值θ時，進行目標尺度精修；

步驟7：更新模型參數(shù)。結合當前幀的響應圖y_t和前一幀的響應圖y_t-1，有：

其中，δ₀初始學習因子；

接著，用下式(8)進行模型參數(shù)更新：

步驟8：輸出目標位置結果C_t和目標尺寸大小S_t；

步驟9：輸入下一幀圖像，按前述步驟處理，實現(xiàn)目標跟蹤。

3.如權利要求2所述的基于聯(lián)合預測-檢測-修正框架的長期目標跟蹤算法，其特征是，用預測器預測目標的運動偏移量和尺度變化量具體步驟是，進行超像素目標外觀重構，并計算超像素光流，計算目標外觀偏移量(Δx,Δy)，如下式(1)(2)：

(Δx,Δy)＝(median(X),median(Y)) (2)

其中，X和Y分別是光流點位移變化量的橫、縱坐標序列，C_i.x和C_i.y分別是中心點的橫、縱坐標，O_i.x和O_i.y分別是對應光流點的橫、縱坐標，n是相鄰幀中匹配的光流對的數(shù)量，abs(.)代表絕對值計算，median(.)是求中值運算；

計算目標尺度變化因子S_f，如下式(3)：

其中，dist(·)表示兩個點間的歐氏距離的計算。

4.如權利要求2所述的基于聯(lián)合預測-檢測-修正框架的長期目標跟蹤算法，其特征是，對于目標跟蹤結果的修正，步驟4和步驟6具體地：

首先使用修正器的級聯(lián)支持向量機SVM(Support Vector Machine)在上一幀跟蹤到的目標位置周圍檢測一個候選的目標，然后計算其相關濾波響應值y_r，如果max(y_r)＞λ×max(y)，其中λ為修正放大系數(shù)，那么則認為修正器檢測的結果比預測-檢測器跟蹤的結果更可靠，用修正器的結果去更新跟蹤結果，并更新對應的濾波器模型參數(shù)；否則，則認為更新失敗，保留預測-檢測的結果，并重新訓練修正器中的SVM。