本发明专利技术涉及图像处理技术领域，具体涉及一种自适应的上下文感知的抗遮挡目标跟踪方法及装置，方法为：在CACF的框架下加入Kalman滤波的预测机制，预测目标的位置及运动方向，赋予运动方向的上下文约束以更大的权重，来缓解由于目标快速运动或者目标方向突然变化导致的目标丢失现象，并且当目标遮挡时，利用Kalman滤波预测机制更新目标在当前帧的位置，来防止由遮挡造成的目标漂移和目标丢失的现象；通过加入Kalman滤波来预测目标的运动方向和位置，赋予运动方向的上下文约束以较大的权重，来抑制背景杂波对跟踪性能的影响，有效提高目标在运动模糊和遮挡以及出视野等复杂情况下的跟踪精度。况下的跟踪精度。况下的跟踪精度。
【技术实现步骤摘要】
一种自适应的上下文感知的抗遮挡目标跟踪方法及装置
[0001]本专利技术涉及图像处理
，具体而言，涉及一种自适应的上下文感知的抗遮挡目标跟踪方法及装置。
技术介绍
[0002]视觉目标跟踪一直是计算视觉领域具有挑战性的问题之一，它不仅广泛应用于视频监控、人机交互等民用领域，也应用于航空侦察，精确打击等军用领域。
[0003]目前，目标跟踪方法主要分为生成式跟踪方法和判别式跟踪方法，生成式方法主要通过对目标外观模型进行建模，在后续帧中进行相似特征搜素，逐步迭代实现目标定位，但是此类方法没有考虑到背景信息，当目标被其它物体遮挡、环境光照突然变化时容易导致跟踪失败，并且，生成式跟踪方法速度较慢；而鉴别式模型将背景信息和目标信息同时考虑在内，通过对比背景信息和目标模型之间的差异，将目标从背景中提取出来，将目标跟踪问题转换成一个二分类问题，特别将通信领域的相关滤波引入到目标跟踪领域，而基于相关滤波的方法通过引入循环矩阵增加了负样本的数量，提高了分类器的质量，并将计算转换到频域，无论在速度上还是在跟踪精度上，相关滤波类方法都显示出优越的性能，在过去十年内，国内外研究者们提出了大量的基于相关滤波的目标跟踪算法并取得了良好的跟踪效果。
[0004]基于相关滤波的方法一个主要的缺陷是由循环矩阵引起的边界效应，通常采用加余弦窗的方法解决边界效应，但是同时使得负样本的质量急剧下降，而基于上下文感知的目标跟踪方法在滤波器训练时增加了上下文信息，增加了负样本的数量，但是，该方法存在几个主要的缺陷：
[0005]1.没有考虑到目标的运动信息，赋予不同方向的上下文约束以同样的权重，当目标快速运动或者目标运动方向发生变化时，容易导致跟踪失败。
[0006]2.只考虑到目标的空间特征，而忽略目标的帧间信息和历史信息，当目标外观模型变化较大或者目标被遮挡时，目标模板退化，导致跟踪失败。
[0007]3.当目标被遮挡时，如附图2所示，响应图发生震荡，而CACF算法没有遮挡判断机制，如果滤波器不加区分的进行更新，可能会有噪声的引入和可靠目标信息的丢失，导致跟踪性能下降。
[0008]因此，如何在目标遮挡，目标变形，背景杂波，目标旋转等复杂情况下进行实时、稳定、鲁棒的跟踪目标成为当前迫切需要解决的难题。
技术实现思路
[0009]本专利技术实施例提供了一种自适应的上下文感知的抗遮挡目标跟踪方法及装置，通过加入Kalman的滤波机制，预测目标的运动方向，赋予运动方向的背景约束以更大的权重，有效提高对目标跟踪的精度。
[0010]根据本专利技术的实施例，提供了一种自适应的上下文感知的抗遮挡目标跟踪方法，
包括以下步骤：
[0011]在CACF算法中加入Kalman滤波，建立目标跟踪模型；
[0012]初始化目标跟踪模型的参数，参数包括Kalman滤波、遮挡检测、ADMM以及CACF算法；
[0013]将视频转换成序列图像，确定跟踪目标的初始位置；
[0014]根据Kalman滤波预测目标的运动方向及位置，相对于目标的位置赋予目标运动方向较大的权重；
[0015]利用第t
‑
1图像求解的滤波模板计算第t帧的响应图R；
[0016]基于响应图R计算得到第t帧响应图F
max
和APCE；
[0017]计算第t帧响应图F
max
和APCE的加权平均值；
[0018]基于所述第t帧响应图F
max
、APCE以及所述APCE的加权平均值判断目标遮挡情况；
[0019]如果目标被遮挡，则滤波器停止训练，根据Kalman滤波预测的结果更新跟踪目标在下一帧的位置。
[0020]进一步地，基于第t帧响应图、APCE以及APCE的加权平均值判断目标遮挡情况之后还包括：
[0021]如果目标没有被遮挡，则计算自适应学习率，基于滤波器，更新滤波模板；其中，滤波器为根据建立的目标跟踪模型使用ADMM算法迭代求解得到。
[0022]进一步地，在CACF算法中加入Kalman滤波，建立目标跟踪模型具体为：
[0023]在CACF算法的基础上加入自适应上下文约束、自适应时间约束及额外的遮挡检测机制，建立时空自适应上下文感知的抗遮挡目标跟踪模型。
[0024]进一步地，在CACF算法的基础上加入自适应上下文约束、自适应时间约束及额外的遮挡检测机制，建立时空自适应上下文感知的抗遮挡目标跟踪模型具体为：
[0025]基于Kalman滤波的预测，赋予不同方向的上下文约束分配不同的权重；
[0026]在DCF算法的框架上加入自适应上下文约束；
[0027]在DCF算法的基础上，加入自适应时间正则项约束；
[0028]在DCF算法的基础上，将自适应上下文约束和自适应时间正则项约束在统一框架下通过优化公式进行优化求解；
[0029]引入辅助变量h，构造增广拉格朗日函数；
[0030]根据交替方向乘子法，对增广朗日函数进行求解并优化。
[0031]进一步地，优化公式为：
[0032][0033]其中，ζ和v表示超参数，ζ和v的大小根据具体应用场景决定，φ表示全局响应图变化的阈值，当∏2大于阈值的时候，表明目标模板退化。
[0034]进一步地，基于第t帧响应图、APCE以及APCE的加权平均值判断目标遮挡情况具体为：
[0035]基于遮挡判别公式判断目标遮挡情况；
[0036]遮挡判别公式为：
[0037][0038]其中，β1和β2为常数。
[0039]进一步地，如果目标没有被遮挡，则计算自适应学习率，基于滤波器，更新滤波模板具体为：
[0040]通过自适应学习率公式计算自适应学习率，插值更新滤波模板；
[0041]自适应学习率公式为：
[0042]ξ＝ξ0e
(θ.min(δ
‑
1,0))
[0043]其中，δ＝τ1F
max
+τ2APCE
mean
，ξ0表示基础学习率，τ1、τ2和θ为预设的定值。
[0044]一种自适应的上下文感知的抗遮挡目标跟踪装置，包括：
[0045]模型建立模块，用于在CACF算法中加入Kalman滤波，建立目标跟踪模型；
[0046]初始化模块，用于初始化目标跟踪模型的参数，参数包括Kalman滤波、遮挡检测、ADMM以及CACF算法；
[0047]视频转换模块，用于将视频转换成序列图像，确定跟踪目标的初始位置；
[0048]权重赋予模块，用于根据Kalman滤波预测目标的运动方向及位置，赋予运动方向较大的权重；
[0049]第一计算模块，用于使用第t
‑
1图像求解的滤波模板计算第t帧的响应图R；
[0050]第二计算模块，用于基于响应图R计算得到第t帧响应图F
max
和AP本文档来自技高网...
【技术保护点】
【技术特征摘要】
1.一种自适应的上下文感知的抗遮挡目标跟踪方法，其特征在于，包括以下步骤：在CACF算法中加入Kalman滤波，建立目标跟踪模型；初始化目标跟踪模型的参数，所述参数包括Kalman滤波、遮挡检测、ADMM以及CACF算法；将视频转换成序列图像，确定跟踪目标的初始位置；根据Kalman滤波预测目标的运动方向及位置，相对于目标的位置赋予目标运动方向较大的权重；利用第t
‑
1图像求解的滤波模板计算第t帧的响应图R；基于响应图R计算得到第t帧响应图F
max
和APCE；计算第t帧响应图F
max
和APCE的加权平均值；基于所述第t帧响应图F
max
、APCE以及所述APCE的加权平均值判断目标遮挡情况；如果目标被遮挡，则滤波器停止训练，根据所述Kalman滤波预测的结果更新所述跟踪目标在下一帧的位置。2.根据权利要求1所述的自适应的上下文感知的抗遮挡目标跟踪方法，其特征在于，所述基于第t帧响应图F
max
、APCE以及APCE的加权平均值判断目标遮挡情况之后还包括：如果目标没有被遮挡，则计算自适应学习率，基于滤波器，更新滤波模板；其中，所述滤波器为根据建立的所述目标跟踪模型使用ADMM算法迭代求解得到。3.根据权利要求2所述的自适应的上下文感知的抗遮挡目标跟踪方法，其特征在于，所述在CACF算法中加入Kalman滤波，建立目标跟踪模型具体为：在CACF算法的基础上加入自适应上下文约束、自适应时间约束及额外的遮挡检测机制，建立时空自适应上下文感知的抗遮挡目标跟踪模型。4.根据权利要求3所述的自适应的上下文感知的抗遮挡目标跟踪方法，其特征在于，所述在CACF算法的基础上加入自适应上下文约束、自适应时间约束及额外的遮挡检测机制，建立时空自适应上下文感知的抗遮挡目标跟踪模型具体为：基于所述Kalman滤波的预测，赋予不同方向的上下文约束分配不同的权重；在DCF算法的框架上加入自适应上下文约束；在DCF算法的基础上，加入自适应时间正则项约束；在DCF算法的基础上，将所述自适应上下文约束和所述自适应时间正则项约束在统一框架下通过优化公式进行优化求解；引入辅助变量h，构造增广拉格朗日函数；根据交替方向乘子法，...
【专利技术属性】
技术研发人员：刘晶红，苏银强，徐芳，左羽佳，谢志华，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。