[发明专利]一种基于概率超图学习的空地红外目标跟踪方法

说明书

本发明涉及一种基于概率超图学习的空地红外目标跟踪方法，特别涉及图像分析领域。包括以下步骤：S1：获取样本并根据所述样本构建三种类型的初始概率超图，对所述初始概率超图进行预处理，得到最终概率超图；S2：获取自适应的模板集约束，根据所述自适应的模板集约束得到指示向量；S3：根据所述指示向量为所有所述样本赋值并排序；S4：通过最大后验概率估计获取在粒子框架下的最优目标位置；S5：对所述样本进行随机采样生成正负模板集更新模型，结合所述正负模板集更新模型和所述最优目标位置得到分类信息。本方案解决了如何针对空地红外目标实现视觉跟踪的技术问题，适用于图像视觉跟踪。

技术领域

本发明涉及图像分析领域，特别涉及一种基于概率超图学习的空地红外目标跟踪方法。

背景技术

对于空中高价值飞机目标的跟踪问题，应对外观变化是极具挑战性的工作。一般来讲，外观的变化分为两类，一类是飞机自身的姿态变化、方位变化引起的内部变化，一类是弹体运动、光照变化等引起的外部变化。近些年来，目标跟踪常常被认为一种先检测后跟踪问题，一般分为两类：基于启发式的跟踪方法和基于辨别式的跟踪方法。

由于辨别式在目标跟踪上所体现的优势，近些年来，基于辨别式的跟踪方法受到了学者们越来越多的关注。这种方法把视觉跟踪看作在图像局部区域的二值分类问题，目的就是把目标从背景中分离出来。在这些方法中，经典的机器视觉方法和最新的机器视觉方法都被采用来提性能，例如 Boosting，Support Vector Machines，Bayes，MultipleInstance Learning 以及Structure等。这些方法一般都假设背景和目标是线性可分的，但在实际空地红外目标跟踪应用中，目标通常在复杂的背景中遭受剧烈的外观变化，这种假设并不可靠。另外方法的分类器过度的依靠少量且代价“昂贵”的标记样本，抛弃了大量的未标记样本信息。再者，这些分类器缺乏有效的在线更新机制又会引入跟踪漂移的问题。

基于图的直推学习方法研究样本集的内部几何结构和相关关系，标记的样本作为整体约束来最大化类间距离，未标记的样本用来探索样本集之间的结构关系。超图能够更好的体现出节点之间的高阶相关关系，充分邻域结构信息的上下文结构，针对空地红外目标，有必要出设计出了一种基于概率超图排序的空地红外目标视觉跟踪方法。

发明内容

本发明所要解决的技术问题是如何针对空地红外目标实现视觉跟踪。

本发明解决上述技术问题的技术方案如下：一种基于概率超图学习的空地红外目标跟踪方法，包括以下步骤：

S1：获取样本并根据所述样本构建三种类型的初始概率超图，对所述初始概率超图进行预处理，得到最终概率超图；

S2：获取自适应的模板集约束，根据所述自适应的模板集约束得到指示向量；

S3：根据所述指示向量为所有所述样本赋值并排序；

S4：通过最大后验概率估计获取在粒子框架下的最优目标位置；

S5：对所述样本进行随机采样生成正负模板集更新模型，结合所述正负模板集更新模型和所述最优目标位置得到分类信息。