[发明专利]用于热红外目标跟踪的局部自适应特征提取方法、系统及存储介质

说明书

本发明提供了一种用于热红外目标跟踪的局部自适应特征提取方法、系统及存储介质，该局部自适应特征提取方法包括：步骤S1：接收输入的图像，在当前帧中利用相邻像素之间的差值计算当前帧水平方向梯度以及垂直方向梯度；步骤S2：使用步骤S1已计算出的当前帧水平方向梯度以及垂直方向梯度，计算每一像素位置的梯度协方差矩阵。本发明的有益效果是：本发明的局部自适应特征提取方法，替换目标跟踪器中特征提取部分的其他特征提取技术，能够提高跟踪器在热红外目标跟踪任务中的性能，能够提取出更适用于热红外目标跟踪的稳定的、具有更多判别信息的特征。

技术领域

本发明涉及目标跟踪技术领域，尤其涉及用于热红外目标跟踪的局部自适应特征提取方法、系统及存储介质。

背景技术

在某些恶劣的环境下，例如阴雨天、漆黑的夜晚、背景复杂的工业环境中，可见光图像视频采集设备无法发挥其功能，在其采集的图像视频中甚至连人类也无法识别认知各种各样复杂的目标，这时基于热红外成像原理的图像视频采集设备能够作为补充发挥巨大作用。而针对这些设备所采集的热红外图像视频，在可见光目标跟中表现出色的目标跟踪算法并没有表现相应的优异性能，这是由于热红外图像中图像特征匮乏、目标类型单一、白斑噪声水平较高等原因造成的。

在视觉目标跟踪领域，常用的特征是基于局部梯度统计的HOG特征，这种特征提取方法通过统计图像局部邻居的梯度方向信息来计算特征向量。这种特征在应用到基于RGB颜色的视觉目标跟踪器中表现良好，但在热红外目标跟踪器中表现一般。这是由于它无法描述关于梯度的幅值信息。

将卷积神经网络提取出的深度特征应用在热红外目标跟踪器中时，效果超过了上一段所述的HOG特征，但是由于目前的卷积神经网络不是在热红外数据集上训练的，这种提取特征方法无法达到跟踪器对判别信息的要求。

发明内容

本发明提供了一种用于热红外目标跟踪的局部自适应特征提取方法，包括依次执行如下步骤：

步骤S1：接收输入的图像，在当前帧中利用相邻像素之间的差值计算当前帧水平方向梯度以及垂直方向梯度；

步骤S2：使用步骤S1已计算出的当前帧水平方向梯度以及垂直方向梯度，计算每一像素位置的梯度协方差矩阵；

步骤S3：将每一像素处的梯度协方差矩阵进行谱分解，使用它的奇异值和特征向量将其进行重构为黎曼矩阵，并进行可调整的正则化；

步骤S4：选择设定大小的邻域，使用高斯核函数度量像素之间的空间位置关系，将梯度协方差矩阵纳入到核函数的计算中来，从而计算得到特征矩阵；

步骤S5：将特征矩阵抽成特征列向量，特征列向量的维度与预先设定好的局部邻域大小一致；

步骤S6：使用特征列向量输入跟踪器，作为热红外目标跟踪中的特征。

作为本发明的进一步改进，在所述步骤S2中，还包括根据热红外目标跟踪条件下具体的噪声水平以及目标清晰度，在设定大小的邻域内求梯度协方差矩阵的均值。

作为本发明的进一步改进，在所述步骤S2中，对输出的三维特征矩阵进行平滑滤波，然后在设定大小的邻域内求梯度协方差矩阵的均值。

作为本发明的进一步改进，在所述步骤S2中，使用梯度协方差矩阵来描述热红外图像中局部明暗变化的剧烈程度。

作为本发明的进一步改进，在所述步骤S2中，用g_x表示水平梯度，g_y表示垂直梯度，在p_i像素处计算梯度协方差矩阵方法如下：

作为本发明的进一步改进，在所述步骤S3中，用公式(2)中的计算对每一像素位置的梯度协方差矩阵分解，