[发明专利]频域高斯核函数图像追踪方法

说明书

技术领域

本发明属于图像采集，图像处理领域，特别的涉及一种频域高斯核函数图像追踪方法。

背景技术

随着追踪在视频监督，人机界面和计算机感知方面的应用，追踪在计算机视觉方面已经成为了一个基本难题。尽管目前的一些设备允许对目标有很强的假设，有少许先验条件下去跟踪一个物体结果是非常令人满意的。其中非常成功的追踪途径就是侦查探测，这种方法直接来源于在机器学习识别方法的快速发展以及在单机探测方面的应用。许多这方面的算法被应用到在线训练过程中，在每一个成功的在线训练过程中，探测都提供了非常多的关于目标的信息。所有目前可以使用的方法都有一个共同点，那就是稀疏取样法。在每一个画面中，许多样本在目标周围被采集，每个样本的特征和目标的尺寸是一样的。很明显，这会有很多多余，因为样本有很多是重叠的，这种重叠结构通常被忽视。进而大多数方法只简单的收集很少数目的样本，因为不这样做的话采样花费的时间就会过长，但这样做会使追踪的精确度降低。实际上，如果训练数据有如此多的多余样本就意味着不可能有效利用它的结构。这就造成了问题，如果采用稀疏取样法会造成追踪过程中精度不够，而如果采用密集取样的话由于样本数量的增加就会造成运算速度的下降。另一方面传统的跟踪运算是在时域上对两帧图像在时域上做卷积，而在时域上做卷积运算量很大，同样会降低运算速度。

发明内容

本发明要解决的技术问题为克服现有技术中的不足之处，提供一种新的快速、准确的频域高斯核函数图像追踪方法。

为解决本发明的技术问题，所采用的技术方案为：频域高斯核函数图像追踪方法，特别是主要步骤如下：

步骤1，对包含目标的当前一帧图像进行目标输入，确定目标窗口，将追踪窗口通过Hann窗口进行预处理；

步骤2，采集追踪窗口的某一特征，采用密集采样的方法进行样本采集，同时通过每一个样本的位置信息对样本进行贴标签，将采集的样本采用循环矩阵进行处理；

步骤3采用高斯核函数作为追踪函数的核心，利用循环矩阵在频域中计算高斯核函数；

步骤4，通过频域计算密集采样样本和新的一帧图像的追踪窗口最大相应值，确定新的一帧图像中目标窗口的中心位置，选取与步骤1同样大小的目标窗口重复步骤1,2,3,4，完成图像追踪。

步骤1中所述追踪窗口与所述目标窗口具有相同的中心位置，所述追踪区域大小为所述目标窗口区域大小的1.5～10倍，步骤1中所述单一图像特征为图像灰度特征或HOG特征或SIFT特征；步骤2中所述图像密集采样中样本中心在目标中心的样本为正样本，在目标中心以外的样本为负样本，处理样本过程中处理所有采集的样本，所述的负样本由正样本x＝[x₀，x₁，x₂，...，x_n-1]^T循环移位得到x_i＝Pⁱx其中P为使向量整体向下移动一个元素，最后的一个元素移动到第一个元素的位置的置换矩阵，步骤2中所述对图像进行的标签采用y_i＝exp(-(i-i′)²/s²)方式对每个样本进行概率分布标签，其中i为负样本中心位置，i′为正样本中心，s为带宽，步骤2中所述循环矩阵为由向量x循环移位得到；步骤3中高斯核函数的计算通过傅里叶变换在频域当中进行；步骤4中所述训练样本与目标图像的追踪窗口的响应值计算通过傅里叶变换在频域当中进行。

相对于现有技术的有益效果是：

其一，利用密集采样法对样本进行采集，增加了追踪过程中的精确性，这对图像追踪有极大的意义，同时密集采样的结果是循环矩阵。

其二，循环矩阵的性质特别适合计算机运算操作，因为循环矩阵的和、积以及逆都是循环的，这些操作通常包括向量x的快速傅里叶变换，这样就不需要详细的计算和储存一个循环矩阵C(x)，因为C(x)由x而决定，储存时只需要储存x降低所需储存的数据。

其三，在密集采样过程中利用循环矩阵的性质，在数据处理过程中将数据处理由时域的向量卷积通过傅里叶变换转化到频域的点积上面去，减少运算的次数，增加处理器处理样本的速度，从而提高追踪效率。

附图说明

图1是整个具体实施案例的流程图

具体实施方式

下面结合附图对本发明的优选方式作进一步详细的描述。

如图1所示，一种频域高斯核函数图像追踪方法，包括以下步骤：