[發(fā)明專利]基于多特征融合與自適應(yīng)學(xué)習(xí)率更新的抗遮擋跟蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 202011562036.0
• 申請(qǐng)日: 2020-12-25
• 公開（公告）號(hào): CN112613565B
• 公開（公告）日: 2022-04-19
• 發(fā)明（設(shè)計(jì)）人: 蔡?hào)|升;黃琦;章文旭;李堅(jiān);胡維昊;井實(shí);易建波;孫敏;張真源
• 申請(qǐng)（專利權(quán)）人: 電子科技大學(xué)
• 主分類號(hào): G06V10/80
• 分類號(hào): G06V10/80;G06V10/764;G06V10/56;G06V10/50;G06V40/10;G06T7/246;G06T7/73
• 代理公司: 成都行之專利代理事務(wù)所(普通合伙) 51220
• 代理人: 溫利平

1.一種基于多特征融合與自適應(yīng)學(xué)習(xí)率更新的抗遮擋跟蹤方法，其特征在于，包括以下步驟：

(1)、目標(biāo)框自適應(yīng)分塊

采集被檢測(cè)區(qū)域的視頻，并截取連續(xù)的L幀圖像，然后讀取第一幀圖像；

在第一幀圖像中，隨機(jī)選取一目標(biāo)，將目標(biāo)所在區(qū)域作為初始目標(biāo)框，然后按照預(yù)設(shè)分塊數(shù)目進(jìn)行自適應(yīng)分塊，得到多個(gè)目標(biāo)塊；

(2)、提取各目標(biāo)塊的融合特征

(2.1)、設(shè)置用于提取LAB空間顏色特征的κ個(gè)質(zhì)心；

(2.2)、將各目標(biāo)塊劃分為M×N個(gè)4×4大小的元胞，記為元胞矩陣；

(2.3)、提取各目標(biāo)塊的FHOG特征與LAB空間顏色特征，再將FHOG特征與LAB空間顏色特征進(jìn)行串聯(lián)，得到各目標(biāo)塊(31+n)維的融合特征，記為i表示目標(biāo)塊的編號(hào)，n為各目標(biāo)塊的LAB空間顏色特征的維度；

(3)、求解各目標(biāo)塊的分類器f；

利用核空間的嶺回歸求解各目標(biāo)塊的分類器f，在求解過(guò)程中，回歸系數(shù)α在對(duì)偶空間的解為：

其中，表示第一幀中第i個(gè)目標(biāo)塊的分類器權(quán)重系數(shù)，是核矩陣的第一行，為回歸目標(biāo)，λ為嶺回歸的正則項(xiàng)；

選用高斯核，其高斯核函數(shù)為：

其中，σ為高斯核函數(shù)的帶寬，F(xiàn)^-1表示傅里葉逆變換，表示第一幀中第i個(gè)目標(biāo)塊的融合特征的第k個(gè)通道分量，表示的傅里葉變換，表示的共軛，⊙表示對(duì)應(yīng)位置元素相乘；

(4)、更新各目標(biāo)塊的融合特征模板與分類器權(quán)重系數(shù)

(5)、對(duì)后續(xù)幀中的目標(biāo)塊進(jìn)行多尺度檢測(cè)；

(5.1)、設(shè)置分類器的檢測(cè)尺度：scale_step、1和1/scale_step；

(5.2)、分類器按照三個(gè)不同檢測(cè)尺度對(duì)后續(xù)幀中的目標(biāo)塊進(jìn)行多尺度檢測(cè)；

(5.2.1)、讀取當(dāng)前幀圖像，以上一幀跟蹤目標(biāo)的位置提取當(dāng)前幀圖像的目標(biāo)塊；

(5.2.2)、將當(dāng)前幀圖像的每個(gè)目標(biāo)塊按照步驟(2)所述方法提取三個(gè)不同檢測(cè)尺度下的融合特征，其中，第i個(gè)目標(biāo)塊提取的融合特征記為j＝2,3,…,L代表當(dāng)前幀編號(hào)，λ＝1,2,3代表三個(gè)不同尺度；

(5.2.3)、將融合特征模板和融合特征輸入至分類器，計(jì)算出每個(gè)目標(biāo)塊在三個(gè)檢測(cè)尺度下的特征響應(yīng)圖

特征響應(yīng)圖的計(jì)算過(guò)程為：先計(jì)算其中，表示當(dāng)前幀中第i個(gè)目標(biāo)塊在不同尺度下與的核相關(guān)傅里葉變換；再將進(jìn)行傅里葉逆變換，得到M×N大小的特征響應(yīng)圖

(5.2.4)、提取各個(gè)特征響應(yīng)圖中最大響應(yīng)值及對(duì)應(yīng)位置；然后選出各個(gè)目標(biāo)塊在三個(gè)檢測(cè)尺度下的最大響應(yīng)值然后輸出對(duì)應(yīng)的尺度、特征響應(yīng)圖融合特征和位置

(6)、利用自適應(yīng)加權(quán)算法計(jì)算當(dāng)前幀中跟蹤目標(biāo)的最終位置；

(6.1)、計(jì)算當(dāng)前幀中各目標(biāo)塊的權(quán)值系數(shù)

(6.2)、計(jì)算當(dāng)前幀中跟蹤目標(biāo)的最終位置(x_j,y_j)；

其中，(x_j-1,y_j-1)表示上一幀中跟蹤目標(biāo)的最終位置；

(7)、構(gòu)建各個(gè)目標(biāo)塊的平均峰值相關(guān)能量集合；

(7.1)、為每一個(gè)目標(biāo)塊構(gòu)建一個(gè)平均峰值相關(guān)能量集合APCEⁱ；

(7.2)、計(jì)算當(dāng)前幀中各目標(biāo)塊的特征響應(yīng)圖的平均峰值相關(guān)能量然后判斷平均峰值相關(guān)能量集合APCEⁱ中的元素是否小于等于l，l＜＜L，如果滿足，則將放入至APCEⁱ，然后跳轉(zhuǎn)至步驟S9；否則，保持APCEⁱ不變，然后進(jìn)入步驟S8；

(8)、目標(biāo)塊遮擋檢測(cè)；

設(shè)置閾值Ψ；判斷當(dāng)前幀中各目標(biāo)塊是否被遮擋，若當(dāng)前幀中第i個(gè)目標(biāo)塊的值滿足：mean(·)表示取平均值，則認(rèn)為當(dāng)前幀中第i個(gè)目標(biāo)塊未發(fā)生遮擋，并將放入至APCEⁱ，然后進(jìn)入步驟S9；否則，認(rèn)為當(dāng)前幀中第i個(gè)目標(biāo)塊發(fā)生遮擋，丟棄本幀的保持集合不變，然后進(jìn)入步驟S9；

(9)、通過(guò)自適應(yīng)學(xué)習(xí)率更新各目標(biāo)塊的融合特征模板與分類器權(quán)重系數(shù)

(9.1)、根據(jù)當(dāng)前幀目標(biāo)位置提取各目標(biāo)塊，然后根據(jù)步驟(2)所述方法提取各目標(biāo)塊的融合特征再根據(jù)步驟(3)所述方法求解分類器的權(quán)重系數(shù)

(9.2)設(shè)置自適應(yīng)學(xué)習(xí)率η；

(9.3)、根據(jù)自適應(yīng)學(xué)習(xí)率更新各目標(biāo)塊的融合特征模板與分類器f的權(quán)重系數(shù)

(9.4)、當(dāng)步驟(9.3)更新完成后，令

(10)、當(dāng)步驟(9)更新完成后，若截取的視頻序列未讀取完畢，返回至步驟(5)；否則結(jié)束。