【技术实现步骤摘要】
本专利技术涉及数字图像处理，尤其是指一种特征增强的红外高光谱视频目标跟踪方法与系统、介质和设备。
技术介绍
1、视觉跟踪是计算机视觉中的一项基本任务，有着广泛的应用。这是具有挑战性的，因为只有目标的初始状态可用。虽然在过去几十年中取得了重大进展，但仍然存在许多挑战。近年来，基于判别相关滤波器(discriminative correlation filter,dcf)的跟踪方法由于其令人印象深刻的性能和高速而受到广泛关注。在基于dcf的跟踪器中，通过最小化训练样本的所有循环移位的最小二乘损失来训练滤波器。由于相关运算可以在傅立叶域进行，dcf具有计算效率高的优点。dcf和深度卷积神经网络(convolutional neuralnetwork,cnn)的特征的组合已经证明了最先进的结果。
2、目前，目标跟踪算法(hierarchical convolutional features for visualtracking，hcf)算法被提出，该算法在低、中和高级别特征上构建多个dcf，以捕获空间细节和语义。它使用多级dcf响应图以由粗到细的方式预测目标位置。虽然特征级融合方法已被广泛使用或扩展以提高性能，但仍有改进的空间。这种方法有时仍然不能充分探索多个特征的关系。此外，它是相当困难的处理各种具有挑战性的变化，使用单一的模型，并依赖于一定的特征级融合策略在一定程度上限制了模型的多样性。单个跟踪器的性能有时可能是不稳定的，但多个跟踪器的输出的决策级融合可以有效地提高鲁棒性。
技术实现思路>
1、为此，本专利技术所要解决的技术问题在于克服现有技术中不能充分探索多个特征的关系，使用单一的模型，依赖于一定的特征级融合策略在一定程度上限制了模型的多样性，单个跟踪器的性能有时可能是不稳定的问题。为解决上述技术问题，本专利技术提供了一种特征增强的红外高光谱视频目标跟踪方法与系统、介质和设备，以实现对复杂背景下高光谱图像序列中的目标进行准确有效地跟踪。
2、为了达到上述目的，本专利技术采用的主要技术方案包括：
3、第一方面，本专利技术提供一种特征增强的红外高光谱视频目标跟踪方法，包括：获取原始红外高光谱图像，对原始红外高光谱图像进行预处理，得到预处理后的图像；载入预处理后的图像中的第一帧图像作为当前帧图像，根据当前帧图像提取感兴趣的区域，对感兴趣的区域进行红外特征增强操作，得到增强后的图像；提取增强后的图像的hog特征作为第一个特征；根据预设文件训练预处理后的图像，得到训练后的图像，提取训练后的图像的conv4-4卷积层特征作为第二个特征，提取训练后的图像的conv5-4卷积层特征作为第三个特征；根据第一个特征、第二个特征和第三个特征使用高斯响应模板得到判别相关滤波跟踪器；根据第一个特征、第二个特征、第三个特征和判别相关滤波跟踪器得到第一特征响应图、第二特征响应图和第三特征响应图；通过将第一特征响应图、第二特征响应图和第三特征响应图之间进行线性组合，得到第四特征响应图、第五特征响应图、第六特征响应图和第七特征响应图；其中，每个特征响应图作为一个跟踪判别专家；第一特征响应图、第二特征响应图、第三特征响应图、第四特征响应图、第五特征响应图、第六特征响应图和第七特征响应图中最大值位置作为预测的跟踪目标中心所在位置；根据跟踪判别专家的配对评估和自我评估分数得到每个跟踪判别专家当前帧图像跟踪的鲁棒性得分，选择鲁棒性得分最高的跟踪判别专家跟踪当前帧图像；更新判别相关滤波跟踪器，并对跟踪判别专家进行自适应更新；判断当前帧图像是否为预处理后的图像的最后一帧图像：若是，则完成目标跟踪任务，得到预测结果；若否，则载入预处理后的图像中的下一帧图像作为当前帧图像，并根据当前帧图像提取感兴趣的区域，对感兴趣的区域进行红外特征增强操作，得到增强后的图像。
4、在本专利技术的一个实施例中，所述预处理的具体步骤包括：对红外高光谱图像进行波段选择，得到预处理后的图像；所述波段选择的具体步骤包括：在原始红外高光谱图像中选取具有最大信息熵的3个波段组成预处理后的图像。
5、在本专利技术的一个实施例中，根据第一个特征、第二个特征、第三个特征和判别相关滤波跟踪器得到第一特征响应图、第二特征响应图和第三特征响应图的具体步骤包括：根据第一个特征和判别相关滤波跟踪器得到第一特征响应图；根据第二个特征和判别相关滤波跟踪器得到第二特征响应图；根据第三个特征和判别相关滤波跟踪器得到第三特征响应图。
6、在本专利技术的一个实施例中，通过将第一特征响应图、第二特征响应图和第三特征响应图之间进行线性组合，得到第四特征响应图、第五特征响应图、第六特征响应图和第七特征响应图的具体步骤包括：通过第一特征响应图和第二特征响应图线性组合得到第四特征响应图；通过第一特征响应图和第三特征响应图线性组合得到第五特征响应图；通过第二特征响应图和第三特征响应图线性组合得到第六特征响应图；通过第一特征响应图、第二特征响应图和第三特征响应图线性组合得到第七特征响应图。
7、在本专利技术的一个实施例中，根据当前帧图像提取感兴趣的区域，对感兴趣的区域进行红外特征增强操作，得到增强后的图像的具体步骤包括：获得当前帧图像目标框的左上角坐标及目标框的大小，根据目标框选取感兴趣的区域；提取当前帧图像的第一个波段，使用四叉树分解当前帧图像成块，得到多个块图像；对每个块图像进行腐蚀操作，并使用贝塞尔插值法重构当前帧图像的背景，得到重构后的背景图像；使用当前帧图像减去重构后的背景图像得到红外目标增强的单维图像；将单维图像与当前帧图像融合，得到增强后的图像。
8、在本专利技术的一个实施例中，所述贝塞尔插值法表示为：
9、q(u,v)＝umpmtvt，
10、其中，(u,v)为内插点，u、v为可变插值系数；m为常数插值系数矩阵，p为由16个控制点组成的4*4控制点矩阵。
11、在本专利技术的一个实施例中，根据如下公式得到第一特征响应图、第二特征响应图和第三特征响应图：
12、
13、其中，f-1为反傅里叶变换，r为hog特征和两个深度特征的高斯响应图，为第d波段傅里叶变换后的滤波器，为第d波段傅里叶变换后的特征图图像的共轭。
14、在本专利技术的一个实施例中，所述判别相关滤波跟踪器表示为：
15、
16、
17、
18、
19、
20、其中，ω为高斯滤波器，λ为正则化参数，x为通过链接所有循环位移的数据矩阵，为第d通道上的滤波器，d∈{1,2,…,d}，⊙为逐元素乘积；为向量的离散傅里叶变换(dft)，为的复共轭，λ为正则化参数，为滤波器的分子，为滤波器的分母，η为学习速率，t为当前帧图像的索引。
21、第二方面，本专利技术提供一种特征增强的红外高光谱视频目标跟踪系统，包括：
22、预处理模块，用于获取原始红外高光谱图像，对原始红外高光谱图像进行预处理，得到预处理后的图像；
23、红外特征增强模块，用于载入预处理本文档来自技高网...
【技术保护点】
1.一种特征增强的红外高光谱视频目标跟踪方法，其特征在于：
2.根据权利要求1所述的特征增强的红外高光谱视频目标跟踪方法，其特征在于：
3.根据权利要求1所述的特征增强的红外高光谱视频目标跟踪方法，其特征在于，根据第一个特征、第二个特征、第三个特征和判别相关滤波跟踪器得到第一特征响应图、第二特征响应图和第三特征响应图的具体步骤包括：
4.根据权利要求3所述的特征增强的红外高光谱视频目标跟踪方法，其特征在于，通过将第一特征响应图、第二特征响应图和第三特征响应图之间进行线性组合，得到第四特征响应图、第五特征响应图、第六特征响应图和第七特征响应图的具体步骤包括：
5.根据权利要求1所述的特征增强的红外高光谱视频目标跟踪方法，其特征在于，根据当前帧图像提取感兴趣的区域，对感兴趣的区域进行红外特征增强操作，得到增强后的图像的具体步骤包括：
6.根据权利要求5所述的特征增强的红外高光谱视频目标跟踪方法，其特征在于：
7.根据权利要求6所述的特征增强的红外高光谱视频目标跟踪方法，其特征在于：
8.根据权利要求7
9.一种特征增强的红外高光谱视频目标跟踪系统，其特征在于，包括：
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至8中任一项所述特征增强的红外高光谱视频目标跟踪方法。
...【技术特征摘要】
1.一种特征增强的红外高光谱视频目标跟踪方法，其特征在于：
2.根据权利要求1所述的特征增强的红外高光谱视频目标跟踪方法，其特征在于：
3.根据权利要求1所述的特征增强的红外高光谱视频目标跟踪方法，其特征在于，根据第一个特征、第二个特征、第三个特征和判别相关滤波跟踪器得到第一特征响应图、第二特征响应图和第三特征响应图的具体步骤包括：
4.根据权利要求3所述的特征增强的红外高光谱视频目标跟踪方法，其特征在于，通过将第一特征响应图、第二特征响应图和第三特征响应图之间进行线性组合，得到第四特征响应图、第五特征响应图、第六特征响应图和第七特征响应图的具体步骤包括：
5.根据权利要求1所述的特征增强的红外高...
【专利技术属性】
技术研发人员：钱琨，孙文君，沈易航，陈嘉玲，沈健，张首金，
申请(专利权)人：江南大学，
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。