一种结合自适应空间权重和畸变抑制的相关滤波跟踪方法
文献发布时间:2023-06-19 11:42:32
技术领域
本发明涉及一种结合自适应空间权重和畸变抑制的相关滤波跟踪方法,属于计算机视觉与智能信息处理领域。
背景技术
目标跟踪是计算机视觉领域研究中的基础且关键的问题,在智能视频监控、运动分析、人机交互、行为分析、无人机追踪等领域有着广泛的应用。虽然目标跟踪技术在过去几十年取得了较大进展,但在运动目标出现形变、遮挡、尺度变化、背景杂斑等情形下准确且鲁棒的对目标进行跟踪依然是个具有挑战性的任务。
近年来,由于相关滤波类跟踪算法性能优异,能够较好的平衡速度和精度,成为主流跟踪算法,受到了国内外学者的广泛关注。2010年提出的MOSSE跟踪算法创新性地将相关滤波的思想引入到目标跟踪领域,奠定了相关滤波类跟踪算法的基础。之后学者们在MOSSE跟踪算法的基础上,针对特征、尺度等进行改进,提出了CSK、KCF、SAMF、Staple、fDSST等一系列经典跟踪算法。
边界效应是一个值得关注的问题,由于传统相关滤波类跟踪方法利用循环矩阵的性质将计算转换到频域,在提高计算速度的同时也产生了部分非真实样本,从而导致不期望的边界效应,降低滤波器的判别能力,影响跟踪性能。为减小边界效应带来的影响,学者们提出了BACF、ARCF、ASRCF等算法。基于背景感知的BACF算法,使用了真实移位产生的负样本并增大搜索区域,但较大的搜索区域容易引入背景噪声,在背景复杂时容易造成跟踪漂移。基于畸变抑制的ARCF算法,能够抑制响应图的畸变,但是空间正则化权重没有学习能力,不能适应目标外观变化。基于自适应空间正则化的ASRCF算法,能够高效地学习得到一个空间权重以适应目标外观变化,但在目标出现运动模糊及较大形变时滤波器对不准确目标的学习容易过拟合。
发明内容
本发明提出了一种结合自适应空间权重和畸变抑制的相关滤波跟踪方法,目的在于保证足够搜索区域的同时,能有效缓解边界效应和模型退化问题而提供一种有着较高精度的目标跟踪方法。
本发明通过以下技术方案来实现上述目的:
一种结合自适应空间权重和畸变抑制的相关滤波跟踪方法,包括以下步骤:(1)提取手工特征
本发明通过提取FHOG特征,CN特征和灰度特征以增强算法模型对目标的表达能力。FHOG特征对光照变化不敏感,CN特征对运动模糊、低分辨率表征能力强,灰度特征运算速度快,特征互补提升算法模型对目标表达能力。
(2)在目标函数中结合自适应空间权重项和畸变抑制项
在目标函数中加入畸变抑制项来约束当前帧响应图的变化率,增强滤波器的判别能力,以缓解滤波器模型退化问题;在目标函数中加入自适应空间权重项使空间正则化权重能够随着目标的变化而更新,使得滤波器能充分利用目标的多样性信息。结合自适应空间权重项和畸变抑制项后,目标函数为:
式中,D表示总通道数,k和k-1分别代表第k帧和第k-1帧,d代表d通道,
(3)采用交替方向乘子法(ADMM)对相关滤波器进行优化迭代求解
考虑到计算的方便,首先将式(1)转换为如下形式:
X
式(3)中,
由于式(3)是凸函数,将式(3)写成如下的增广拉格朗日形式:
式(4)中μ是惩罚因子,并引入傅立叶域中的拉格朗日向量
对第k帧运用ADMM算法意味着可将式(4)分解为两个子问题求解,即求解h
子问题1:求解h
容易求得:
其中,g
子问题2:求解
为了求解方便,将式(8)分解为N个子问题的求解,n=[1,2,...N]。
其中,
由于式(10)中含有求逆运算,计算量较大,采用Sherman-Morrison公式对其继续优化,可得出式(10)的等价形式如下:
其中
拉格朗日乘子
(4)采用交替方向乘子法(ADMM)对自适应空间权重参数进行迭代求解
为了减少计算量,对自适应空间权重参数w的求解依然采用ADMM算法求解。引入辅助变量f构造限制等式w=f,则可将目标函数写成:
接着将式(13)写成增广拉格朗日形式:
δ是惩罚参数,s是拉格朗日乘子。引入参数
则对式(15)的求解可以转换为两个子问题的求解。
子问题1:w
w
其中,
子问题2:f
f
拉格朗日乘子的更新方案为:
m
(5)模型更新
目标表观模型按照下式更新:
式(21)中,k和k-1分别表示k帧和k-1帧,η表示表观模型学习率。
附图说明
图1为本发明整体框架图。
具体实施方式
下面结合附图对本发明作进一步说明:
如图1所示,一种结合自适应空间权重和畸变抑制的相关滤波跟踪方法包括以下步骤:
(1)输入视频帧,提取当前帧的FHOG特征、CN特征和灰度特征用以描述目标。
(2)自适应空间权重参数随着目标表观模型的变化而更新。
(3)根据上一帧的响应图约束当前帧响应图的变化率,以得到质量更高的响应图。
(4)把当前帧响应图的最高点作为最终的跟踪结果。
为了验证本发明所述结合自适应空间权重和畸变抑制的相关滤波跟踪方法的合理性和有效性,选取OTB-2013和OTB-2015两个标准数据集进行实验,并采用距离精度和成功率作为评价指标。本发明实现所用编程软件为MATLAB R2017a,操作系统为Windows10,计算机配置为CPU:Intel(R)Celeron(R)G1820,主频2.70GHz,内存8G。
表1列出了本发明在OTB-2013数据集上的实验结果,距离精度达到88.9%,成功率达到67.8%,跟踪性能优于对比算法,实现了更加准确的目标跟踪。
本发明也使用了更加具有挑战性的OTB-2015数据库进行实验,实验结果如表2所示,本发明的距离精度达到87.9%,成功率达到67.5%,与其他方法相比,跟踪精度和成功率均有不同程度的提升,因而本发明的合理性和有效性得到充分证实。
表1 OTB-2013数据集实验结果
表2 OTB-2015数据集实验结果
- 一种结合自适应空间权重和畸变抑制的相关滤波跟踪方法
- 一种结合背景信息的尺度自适应相关滤波跟踪方法