CN108288283A - 一种基于相关滤波的视频跟踪方法 - Google Patents
一种基于相关滤波的视频跟踪方法 Download PDFInfo
- Publication number
- CN108288283A CN108288283A CN201810077205.8A CN201810077205A CN108288283A CN 108288283 A CN108288283 A CN 108288283A CN 201810077205 A CN201810077205 A CN 201810077205A CN 108288283 A CN108288283 A CN 108288283A
- Authority
- CN
- China
- Prior art keywords
- sample
- target
- frames
- correlation filtering
- video
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
- G06T7/277—Analysis of motion involving stochastic approaches, e.g. using Kalman filters
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/10—Segmentation; Edge detection
- G06T7/136—Segmentation; Edge detection involving thresholding
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V20/00—Scenes; Scene-specific elements
- G06V20/40—Scenes; Scene-specific elements in video content
- G06V20/46—Extracting features or characteristics from the video content, e.g. video fingerprints, representative shots or key frames
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T2207/00—Indexing scheme for image analysis or image enhancement
- G06T2207/10—Image acquisition modality
- G06T2207/10016—Video; Image sequence
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Multimedia (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Image Analysis (AREA)
Abstract
本发明涉及一种基于相关滤波的视频跟踪方法。本发明对输入的视频帧序列进行检测,并将视频帧的目标提取出来,提取HOG特征值,计算相似度,用前N帧样本降维后的样本通过相关滤波,找到N+1帧的目标位置,使用第N+1帧当前样本和前N帧样本降维后的样本信息对其进行卡尔曼滤波操作,算出第N+2帧的模板样本,通过卡尔曼滤波找到后一帧的模板信息,通过泊松分布来实现方法参数的更新。本发明克服了基于模板的相关滤波跟踪方法,采用分类器的方法各自存在的缺陷。本发明运用了相关滤波巧妙的运算技巧,将时间复杂度降低,从而减少了计算时间,并且运用了主成分分析,卡尔曼滤波函数和随机更新策略,一方面增加了样本的数量和复杂度,另一方面提高了跟踪目标的精度。
Description
技术领域
本发明涉及目标跟踪领域,尤其涉及一种基于相关滤波的视频跟踪方法。
背景技术
近年来,计算机视觉越来越受到人们的关注,而且应用也越来越广泛,特别是在视频监控、行为分析、智能交通***等中都占据着重要的地位,虽然目前已经有很多关于目标跟踪的研究成果,但是如何稳定地跟踪目标而不受环境变化因素的影响仍然是一个严峻的问题。
在本发明之前,传统的相关滤波跟踪方法主要有两类,一类是基于模板的相关滤波跟踪方法,该方法首先提取目标的模型,然后在整张视频帧中寻找与模板相似度最高的区域,但是该方法是在像素级下操作,计算复杂并且运行时间缓慢;另一类则是采用分类器的方法,该方法首先是利用目标的属性训练一个分类器,然后利用该分类器将目标从视频帧分离出来,但是该方法一般只是用于单模板的相关滤波跟踪,样本不变且对于环境的变化(如光照、摄像机的运动、目标的遮挡),目标跟踪则会产生漂移,从而丢失跟踪目标。
发明内容
本发明的目的就在于克服上述缺陷,研制一种基于相关滤波的视频跟踪方法。
本发明的技术方案是:
一种基于相关滤波的视频跟踪方法,其主要技术特征在于步骤如下:
1)采用相关滤波的方法对输入的视频帧序列fi,i=1,...N进行逐帧检测,得到每一个目标的信息(xj,yj,Wj,Hj),其中,(xj,yj)表示第j个目标的中心坐标,(Wj,Hj)表示第j个目标的宽度和高度,保留每帧结果信息保存到样本集里;
2)样本集中有N个样本信息,使用主成分分析方法对其降维,获得一维具有多个特征的样本信息;
3)构造卡尔曼滤波函数来预测出下一帧目标样本,从而实现跟踪;
4)泊松分布法随机取值再通过阈值实现参数更新。
所述通过HOG方法来提取目标的特征值,通过前N帧结果,结合主成分分析原理,取得降维后单个的目标样本。
所述在前N帧之后,用当前预测目标样本和当前目标样本通过卡尔曼滤波来预测下一帧的目标样本,实现目标跟踪。
所述在目标模板更新阶段,采用泊松分布和阈值的方法来更新相关滤波参数,若大于阈值,则将当前目标样本初始化参数,并且替换当前参数,若小于阈值,则将继续执行当前更新策略。
本发明的优点和有益效果在于首先对于目标检测阶段,我们采用相关滤波的方法分割目标和背景,这样更适用于不同的复杂背景,增加检测的鲁棒性,而且我们采用阈值δ的方法来尽可能地减少虚假目标,增加了跟踪的可靠性,在目标跟踪阶段,我们采用具有空间信息的局部特征值来刻画目标的外观特征,这样使得目标跟踪的精度更高,而且当目标的外观与几个候选目标的外观相似时,我们增加了空间几何距离来区别不同的目标,当目标被这遮挡时,我们采用卡尔曼滤波来预测目标在下一时刻的坐标位置,这样在目标处于短时间的遮挡时,我们可以有效地解决目标遮挡问题,提高了跟踪的准确性和鲁棒性。
本发明运用了相关滤波巧妙的运算技巧,将时间复杂度降低,从而减少了计算时间,并且运用了主成分分析,卡尔曼滤波函数和随机更新策略,一方面增加了样本的数量和复杂度,另一方面提高了跟踪目标的精度。
附图说明
图1——本发明视频跟踪流程示意图。
图2——本发明的跟踪实验结果图。
具体实施方式
本发明的技术思路是:
在目标跟踪过程中,传统的目标跟踪方法会因为环境因素(如光照、姿态、背景、遮挡)的变化而导致跟踪失败,为了解决在跟踪过程中而导致的目标漂移问题,本发明提出了一种基于相关滤波的视频跟踪的方法来增加基于相关滤波的视频跟踪的鲁棒性和准确性。
下面具体说明本发明。
主要由以下几个方面组成:1)采用传统的相关滤波对输入的视频帧序列进行检测,并将视频帧的目标提取出来;2)提取每一个目标的HOG特征值,并且计算相邻帧之间每一个候选目标与目标之间的相似度;3)对于前N帧视频中的样本进行降维,合成一个样本信息;4)第N+1帧,用前N帧样本降维后的样本通过相关滤波,找到N+1帧的目标位置,然后使用第N+1帧当前样本和前N帧样本降维后的样本信息对其进行卡尔曼滤波操作,算出第N+2帧的模板样本,然后进行相关滤波找到目标位置;5)第N+1帧后,使用前一帧卡尔曼滤波合成的模板寻找当前检测图像的目标,并且通过卡尔曼滤波找到后一帧的模板信息;6)通过泊松分布来实现方法参数的更新。
流程图如图1所示,具体的操作如下所述:
1)目标检测,在相关滤波跟踪的框架中,通常采用基于检测结果的跟踪方式,所以检测结果质量的好坏直接影响跟踪的质量。在本发明中,我们采用相关滤波的方法来提取视频序列中的目标,首先我们用首帧给定的目标位置(在本发明中用玩具老虎进行测试)来获得初始化相关滤波方法的模板和参数值。所有的计算都通过傅里叶域中的计算来提高相关滤波的效率。初始化参数α和k可以用如下公式表示:
α=(k+λI)-1y
其中I是单位矩阵,k是核矩阵,它的元素为y,α是向量系数。y是输出响应。
2)在目标跟踪过程中,相关滤波使用通过最小二乘法训练非线性回归函数和岭回归函数来实现对目标跟踪计算的高效性。原始空间通过核函数映射到特性空间中。该分类功能通过f(x)通过xi的循环移位获得样本xi,而不是通过传统的滑动窗口,从而避免了多次重复的负样本块。最小二乘法,岭回归函数,和映射空间函数公式可以用如下公式表示:
这里的xi是样本,yi是与样本对应的期望输出,λ是正则化参数。
3)在目标跟踪过程中,前N帧通过传统的高斯相关滤波来实现对目标的跟踪。前N帧中的每一帧中,视频跟踪后所得到的结果我们将保存到一个样本集中,而滤波参数则采用原始更新方法,更新方法如下:
其中,为相关滤波的向量系数,为相关滤波的特征参数,β为更新参数系数。
4)关于样本集处理,在视频运行到N帧之后一帧中,我们之前所获得的前N帧的样本集有N维数据,数量处理量大,且有噪声干扰。因此我们引入了主成分分析方法来解决上述问题,将N维的样本集降到一维样本,这样在运算处理方面有了明显提高。在得到一维样本后,将其定义为降维帧样本t,然后通过相关滤波得到当前目标样本tnow,最后两个样本通过卡尔曼滤波来预测下一帧目标样本,用公式表示如下:
tnew=μtnow+t
其中,tnew为预测的下一帧目标样本,μ为卡尔曼滤波参数。
5)在第N+1帧中,我们用样本集的降维样本和当前样本通过卡尔曼滤波预测下一帧的目标样本,在N+1帧之后,目标运动过程中,我们将采用卡尔曼滤波方法,用当前帧的目标样本与前一帧的预测目标样本相结合,得出下一帧的目标样本,用公式表示如下:
tpre=μtnow+tbef
其中,tpre为预测目标样本,tnow为当前帧的目标样本,tbef为前一帧的预测目标样本,μ为卡尔曼滤波参数。
6)由于目标在运动的过程当中,可能会受周围环境因素及自身姿态改变的影响,并且目标信息过于单一,需要对目标参数进行更新,而如果只是很生硬地每一帧将目标模板进行更新而不加任何的限制条件的话,很可能引入很多噪声,从而导致跟踪失败,在本发明中,我们通过泊松分布方法选取一个随机数,当前随机数值大于所给定的阈值则样本参数更新,在当前帧跟踪结束之后得到的目标样本来通过1)中的初始化方法得到新的参数,将其替换原来的参数。如果当前随机数小于当前给定阈值则样本参数使用原先更新方案。
实验结果如图2所示,如下所述:
本发明在视频跟踪基准中测试,并且选出几个具备典型问题的视频作为本发明的跟踪实验结果图。图片A,B中视频目标具有姿势变化,尺度变化问题。图片C,D中视频目标具有快速运动和运动模糊问题。图片E,F中视频目标具有严重遮挡和目标旋转问题。这些视频在长时间的跟踪下,本发明仍然能很好的跟踪目标。
Claims (4)
1.一种基于相关滤波的视频跟踪方法,其特征在于步骤如下:
1)采用相关滤波的方法对输入的视频帧序列fi,i=1,...N进行逐帧检测,得到每一个目标的信息(xj,yj,Wj,Hj),其中,(xj,yj)表示第j个目标的中心坐标,(Wj,Hj)表示第j个目标的宽度和高度,保留每帧结果信息保存到样本集里;
2)样本集中有N个样本信息,使用主成分分析方法对其降维,获得一维具有多个特征的样本信息;
3)构造卡尔曼滤波函数来预测出下一帧目标样本,从而实现跟踪;
4)泊松分布法随机取值再通过阈值实现参数更新。
2.根据权利要求书1所述的一种基于相关滤波的视频跟踪方法,其特征在于,通过HOG方法来提取目标的特征值,通过前N帧结果,结合主成分分析原理,取得降维后单个的目标样本。
3.根据权利要求书1或2所述的一种基于相关滤波的视频跟踪方法,其特征在于,在前N帧之后,用当前预测目标样本和当前目标样本通过卡尔曼滤波来预测下一帧的目标样本,实现目标跟踪。
4.根据权利要求书1所述的一种基于相关滤波的视频跟踪方法,其特征在于,在目标模板更新阶段,采用泊松分布和阈值的方法来更新相关滤波参数,若大于阈值,则将当前目标样本初始化参数,并且替换当前参数,若小于阈值,则将继续执行当前更新策略。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810077205.8A CN108288283A (zh) | 2018-01-22 | 2018-01-22 | 一种基于相关滤波的视频跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810077205.8A CN108288283A (zh) | 2018-01-22 | 2018-01-22 | 一种基于相关滤波的视频跟踪方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108288283A true CN108288283A (zh) | 2018-07-17 |
Family
ID=62835775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810077205.8A Pending CN108288283A (zh) | 2018-01-22 | 2018-01-22 | 一种基于相关滤波的视频跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108288283A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986134A (zh) * | 2018-08-17 | 2018-12-11 | 浙江捷尚视觉科技股份有限公司 | 一种基于相关滤波跟踪的视频目标半自动标注方法 |
CN111401178A (zh) * | 2020-03-09 | 2020-07-10 | 蔡晓刚 | 一种基于深度特征融合与自适应相关滤波的视频目标实时跟踪方法及*** |
CN116128932A (zh) * | 2023-04-18 | 2023-05-16 | 无锡学院 | 一种多目标跟踪方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345735A (zh) * | 2013-07-16 | 2013-10-09 | 上海交通大学 | 一种基于Kalman滤波器的压缩时空多传感器融合跟踪方法 |
CN106778712A (zh) * | 2017-03-01 | 2017-05-31 | 扬州大学 | 一种多目标检测与跟踪方法 |
-
2018
- 2018-01-22 CN CN201810077205.8A patent/CN108288283A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345735A (zh) * | 2013-07-16 | 2013-10-09 | 上海交通大学 | 一种基于Kalman滤波器的压缩时空多传感器融合跟踪方法 |
CN106778712A (zh) * | 2017-03-01 | 2017-05-31 | 扬州大学 | 一种多目标检测与跟踪方法 |
Non-Patent Citations (1)
Title |
---|
李远征: "人体目标跟踪和表情识别中的若干问题研究", 《中国博士学位论文全文数据库 (信息科技辑)》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108986134A (zh) * | 2018-08-17 | 2018-12-11 | 浙江捷尚视觉科技股份有限公司 | 一种基于相关滤波跟踪的视频目标半自动标注方法 |
CN108986134B (zh) * | 2018-08-17 | 2021-06-18 | 浙江捷尚视觉科技股份有限公司 | 一种基于相关滤波跟踪的视频目标半自动标注方法 |
CN111401178A (zh) * | 2020-03-09 | 2020-07-10 | 蔡晓刚 | 一种基于深度特征融合与自适应相关滤波的视频目标实时跟踪方法及*** |
CN111401178B (zh) * | 2020-03-09 | 2023-06-13 | 蔡晓刚 | 一种基于深度特征融合与自适应相关滤波的视频目标实时跟踪方法及*** |
CN116128932A (zh) * | 2023-04-18 | 2023-05-16 | 无锡学院 | 一种多目标跟踪方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Convolutional regression for visual tracking | |
CN109509187B (zh) | 一种针对大分辨率布匹图像中的小瑕疵的高效检验算法 | |
US20230289979A1 (en) | A method for video moving object detection based on relative statistical characteristics of image pixels | |
CN110033473B (zh) | 基于模板匹配和深度分类网络的运动目标跟踪方法 | |
CN105225226B (zh) | 一种基于图像分割的级联可变形部件模型目标检测方法 | |
CN110084836B (zh) | 基于深度卷积特征分层响应融合的目标跟踪方法 | |
CN110084831A (zh) | 基于YOLOv3多伯努利视频多目标检测跟踪方法 | |
CN104408482B (zh) | 一种高分辨率sar图像目标检测方法 | |
CN111862145B (zh) | 一种基于多尺度行人检测的目标跟踪方法 | |
CN109409443A (zh) | 一种基于深度学习的多尺度可变形卷积网络目标检测方法 | |
CN110796679B (zh) | 一种面向航拍影像的目标跟踪方法 | |
CN108154159B (zh) | 一种基于多级检测器的具有自恢复能力的目标跟踪方法 | |
CN105279772B (zh) | 一种红外序列图像的可跟踪性判别方法 | |
CN113065474B (zh) | 行为识别方法、装置及计算机设备 | |
US8724851B2 (en) | Aerial survey video processing | |
CN113591968A (zh) | 一种基于非对称注意力特征融合的红外弱小目标检测方法 | |
CN108460790A (zh) | 一种基于一致性预测器模型的视觉跟踪方法 | |
CN109509170A (zh) | 一种压铸件缺陷检测方法及装置 | |
Ngugi et al. | A new approach to learning and recognizing leaf diseases from individual lesions using convolutional neural networks | |
CN110008899B (zh) | 一种可见光遥感图像候选目标提取与分类方法 | |
CN108288283A (zh) | 一种基于相关滤波的视频跟踪方法 | |
CN109800755A (zh) | 一种基于多尺度特征的遥感影像小目标检测方法 | |
CN113763424B (zh) | 基于嵌入式平台的实时智能目标检测方法及*** | |
CN110659374A (zh) | 一种基于神经网络提取车辆特征值及属性的以图搜图方法 | |
Cheng et al. | Robust visual tracking with SIFT features and fragments based on particle swarm optimization |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20180717 |
|
WD01 | Invention patent application deemed withdrawn after publication |