[发明专利]一种基于联合光谱降维和特征融合的高光谱目标跟踪方法

说明书

本发明提供了一种基于联合光谱降维和特征融合的高光谱目标跟踪方法，首先利用基于多维缩放和主成分分析的联合光谱降维方法对原始高光谱图像序列进行降维处理；然后分别提取降维处理后得到的图像序列的四对特征，将四对特征进行融合；并将融合后的特征送入核相关滤波器，得到四个基于第一到第四个特征的弱响应图；并利用权重系数对弱响应图进行加权得到强响应图；将强响应图中最大值位置作为目标的位置；并对基样本和权重系数的参数进行自适应更新。本发明克服了现有技术中计算量大，实时性差的缺点，使得本发明提高了复杂背景下高光谱图像序列中目标跟踪的速度，并且当目标出现形变和遮挡时有较好跟踪效果。

技术领域

本发明属于图像处理技术领域，具体涉及一种基于联合光谱降维和特征融合的高光谱目标跟踪方法。

背景技术

复杂背景下高光谱图像序列中的目标跟踪是高光谱图像处理技术领域重要组成部分，它在高光谱异常检测、高光谱目标检测与跟踪系统、高光谱遥感系统等许多系统中都有非常广泛的实际应用。近几年，基于改进核相关滤波的目标跟踪方法广泛应用在计算机视觉领域。核相关滤波算法利用基样本灰度特征进行跟踪，但是高光谱目标灰度特征不足以区分出复杂背景和背景中的目标。

现有的目标跟踪方法中，通过提取目标搜索区域内的光谱特征，训练光谱相关滤波器Spe-CF，根据前一帧目标位置选择目标搜索区域，进而利用训练好的光谱相关滤波器Spe-CF预估目标位置范围，规定相关响应值大于一定阈值即为目标位置范围，根据空间相关滤波器Spa-CF确定目标最终位置。该方法存在的不足之处是：该方法同时处理所有波段的高光谱视频，并利用光谱相关滤波器Spe-CF和空间相关滤波器Spa-CF对目标位置进行预估和确定时，需要预先训练滤波器，计算量较大，实时性差，并且当目标出现遮挡和形变以后，容易跟踪发生失败。

目前还存在搭建并训练深度卷积网络作为特征编码器，提高跟踪性能。然后只向前传递ROI并将整个ROI投影到ROI响应图，然后估计出目标位置。该方法存在的不足之处是：需要搭建目标样本库来训练深度卷积网络，计算量较大，并且该算法容易受到目标遮挡和形变的影响，使估计出现误差，导致跟踪发生偏移。

发明内容

本发明针对现有技术中的不足，提供一种基于联合光谱降维和特征融合的高光谱目标跟踪方法，首先利用基于多维缩放和主成分分析的联合光谱降维方法对原始高光谱图像序列进行降维处理，然后分别提取降维处理后得到的图像序列的四对特征，将得到的四对特征进行融合，然后将融合后的特征送入核相关滤波器，并首次提出实用弱响应图的权重系数对响应图进行加权得到强响应图，并对基样本进行和权重系数相关的自适应更新，实现复杂背景下高光谱图像序列中目标的有效跟踪。

为实现上述目的，本发明采用以下技术方案：一种基于联合光谱降维和特征融合的高光谱目标跟踪方法，包括如下步骤：

步骤一、载入高光谱图像序列的第一帧图像，并对高光谱图像序列的第一帧图像进行预处理；

步骤二、对高光谱图像序列的第一帧图像进行基于多维缩放的光谱降维操作，得到光谱降维后选定通道的高光谱图像序列；

步骤三、从高光谱图像序列的第二帧图像开始，依次载入第T帧图像作为当前帧原始图像，对当前帧原始图像进行基于主成分分析的光谱降维操作，得到光谱降维后融合通道的高光谱图像序列；T为大于等于2的整数；

步骤四、将光谱降维后选定通道的高光谱图像序列中的第T帧图像，与光谱降维后融合通道的高光谱图像序列中的第T帧图像，组合成当前帧图像对；

步骤五、提取当前帧图像对的SIFT特征融合后作为第一个特征，然后提取当前帧图像对的三个深度特征分别融合后，作为第二到第四个特征；

步骤六、利用第一到第四个特征以及基于基样本更新的核相关滤波跟踪器计算得到四个基于第一到第四个特征的弱响应图；

步骤七、利用四个基于第一到第四个特征的弱响应图分别计算得到第一到第四个特征的权重系数；