[发明专利]一种对灰度视频中既定目标的快速跟踪定位方法

说明书

本发明涉及一种对灰度视频中既定目标的快速跟踪定位方法，通过标准目标图像与视频帧序列中的图像做二维高斯核循环卷积求互相关矩阵，使用岭回归法处理互相关矩阵跟踪目标所处位置。当前帧的检测结果加权平均作为下一帧的标准目标图像。每帧标准目标图像自卷积并求其统计特征，两帧间特征化映射为尺度的改变，进而求得目标在运动过程中的尺度变化。同时通过离散傅里叶变换及其反变换将自相关矩阵做反卷积更新学习岭回归参数，用于下一帧求响应矩阵。本发明计算速度快，采用稠密采样；跟踪精度高；能够完全适应尺度变化，能适用于目标快速由远及近或由近及远的场景中。

技术领域

本发明属于视频中单目标跟踪定位技术，具体涉及一种对灰度视频中既定目标的快速跟踪定位方法。

背景技术

目标跟踪是计算机视觉的一个基础研究方向，在人机交互、监控、增强现实、机器感知等场景中有着广泛的应用。目前存在的跟踪方法主要分为两种：生成模型算法和判别模型算法。前者采用学习目标特征，再在后帧中做特征匹配的方法对目标进行跟踪，后者则采用学习构建分类器的方法，用分类器区分背景和目标，从而达到识别目标的目的。

而当前存在的跟踪方法都无法直接适应目标尺度有变化的场景，固定的尺度导致其在目标尺度变化的场景中不仅无法准确的输出所跟踪目标的坐标位置，更无法标定目标范围。现有适应尺度的方案对尺度的估计采用了某些独立的方法，相当于在跟踪的同时又独立叠加一套尺度计算方法，这无疑加大了计算量和复杂度，导致跟踪过程复杂而缓慢。

发明内容

本发明的目的在于提供一种基于帧间相关滤波的视频中变尺度目标跟踪方法，在相关滤波矩阵互相卷积的过程中，利用帧间标准图像循环卷积得到标准图自相关矩阵，通过自相关矩阵之间标准差的映射关系来计算尺度比例系数，从而更新目标尺度。可以在快速跟踪的同时输出并实时更新目标尺度，有效地提升了跟踪精度，进而适应于目标尺度有变化的场景中，有很好的鲁棒性。可应用于拍摄自动对焦、监控视频目标锁定等场景中。

本发明要解决的技术问题通过以下技术方案实现：

一种对灰度视频中既定目标的快速跟踪定位方法，包括以下步骤：

步骤一、采用互相关滤波的方式对目标进行跟踪，计算目标在当前帧的坐标位置；

步骤二、根据上帧所计算的目标坐标位置和目标大小裁剪得到当前帧待检测图像x；

步骤三、以待检测图像x与上帧标准图像z做高斯核循环卷积的方式对当前帧待检测图像x做循环矩阵C_x(i,j)，用两个置换矩阵Tⁱ与T^j来表示：

C_x(i,j)＝TⁱxT^j (1)

式(1)中：Tⁱ为单位阵行操作，循环位移i次所得；T^j为单位阵列操作，循环位移j次所得；C_x(i,j)即为大小为m×n的待检测图像x在第i行第j列时的循环位移矩阵；

步骤四、根据循环矩阵C_x(i,j)，得到互相关矩阵：

式(2)中，为互相关矩阵在i行第j列的元素值，式(2)中每一步都在计算待检测图像x与其在i行第j列处的循环位移矩阵C_x(i,j)的相关性，两者越相似，则相关性(即)越高,β为高斯核带宽。

步骤五、求出互相关阵后采用岭回归法学习定位目标位置；

岭回归学习函数分类器目标函数为：