(19)中华人民共和国国家知识产权局
(12)发明专利说明书
(10)申请公布号 CN 113902773 A
(43)申请公布日 2022.01.07
(21)申请号 CN202111119613.3
(22)申请日 2021.09.24
(71)申请人 南京信息工程大学
    地址 224002 江苏省盐城市盐南高新区新河街道文港南路105号
(72)发明人 胡昭华 李奇
(74)专利代理机构 32224 南京纵横知识产权代理有限公司
    代理人 钱玲玲
(51)Int.CI
      G06T7/246(20170101)
      G06K9/62(20060101)
      G06N20/10(20190101)
                                                                  权利要求说明书 说明书 幅图
(54)发明名称
      一种使用双检测器的长期目标跟踪方法
(57)摘要
      本发明公开了一种使用双检测器的长期目标跟踪方法，包括步骤：提取图像包含目标背景图像的fHOG特征，输入预先训练好的初始滤波器中计算出包含目标背景图像最大响应值，将最大响应值所在位置作为当前图像中的目标位置；并对滤波器进行每帧更新；根据当前图像中的目标位置剪裁出只包含目标的图像的HOG特征，并输入预先训练好的滤波器，计算出目标图像的最大响应值；当目标图像的最大响应值小于阈值：追踪丢失，则启动重新检测模块对当前图片的预测位置处进行重新检测；大于阈值，则追踪正确，并更新滤波器；本发明采用双检测器系统进行目标的重新检测，在目标丢失时可以通过快速检测和深度检测的方式对当前搜索区域进行多重检测，增加了检测的成功率。
法律状态
法律状态公告日
法律状态信息
法律状态
2022-01-25
实质审查的生效
实质审查的生效
2022-01-07
公开
公开

权 利 要 求 说 明 书


1.一种使用双检测器的长期目标跟踪方法,其特征在于,所述方法包括步骤:

提取图像包含目标背景图像的fHOG特征,输入预先训练好的初始滤波器F
1
中计算出包含目标背景图像最大响应值,将最大响应值所在位置作为当前图像中的目标位置;并对滤波器F
1
进行每帧更新;

根据当前图像中的目标位置剪裁出只包含目标的图像的HOG特征,并输入预先训练好的滤波器F
2
,计算出目标图像的最大响应值;

将目标图像的最大响应值与预设的阈值进行判断;当目标图像的最大响应值小于阈值:追踪丢失,则启动重新检测模块对当前图片的预测位置处进行重新检测;大于阈值,则追踪正确,并更新滤波器F
2
。



2.根据权利要求1所述的方法,其特征在于,所述滤波器F
1
的求解目标函数为:




式中滤波器F=[f
1
,f
2
,
...,f
K
];公式第一项为岭回归项,K表示通道总数,x
K
表示第K个样本的特征,f
K
表示对应的第K个滤波器,y为期望的滤波器;第二项中w为自适应空间正则化权重,即在跟踪每一帧图像时,根据当前帧图像信息对其更新;第三项中为了防止模型退化,引入w的先验参考权重w
r
,其中λ
1
和λ
2
为正则化参数。




3.根据权利要求1所述的方法,其特征在于,所述重新检测模块包括支持向量机检测器与深度孪生网络检测器;支持向量机检测器通过跟踪到的目标位置和目标尺度绘制密集的训练样本,并根据样本与目标的重叠率为样本添加正负标签来逐步对分类器进行训练。



4.根据权利要求3所述的方法,其特征在于,所述支持向量机检测器训练方法包括步骤:

在一帧图像中采集到N个样本,则训练集为{(v
i
,c
i
)|i=1,2,...,N};式中的v
i
为第i个样本的特征向量,类别标签c
i
={-1,+1};

令超平面h的损失函数为l(h
i
)=max{0,1-c
i
,v
i
〉},符号表示h和v的内积;

则得到目标函数:





其中▽
h
l(h
i
)为关于超平面h的损失函数的梯度,τ∈(0,+∞)为控制h更新率的超参数。



5.根据权利要求4所述的方法,其特征在于,所述支持向量机检测器使用在线被动攻击学习算法更新超平面参数,计算超平面的公式如下:





其中▽
h
l(h
i
)为关于超平面h的损失函数的梯度,τ∈(0,+∞)为控制h更新率的超参数。



6.根据权利要求3所述的方法,其特征在于,所述深度孪生网络检测器训练方法包括步骤:

在第一帧图片时根据给定的目标信息训练检测器,即使用k均值聚类的方法将目标与背景进行分类,作为目标模板池;

获取多个候选区域通过孪生网络分别计算出每个候选区域与目标模板的欧氏距离作为匹配相似度,并选出相似度最高的区域作为跟踪目标;相似度计算公式如下:





式中
表示每个候选区域的相似分数,
表示N个候选区域的样本集,υ(p,s)表示跟踪目标p与第i个候选样本s
i
的相似度分数。正则化回归算法



7.根据权利要求1所述的方法,其特征在于,目标图像的最大响应值与预设的阈值判断方法为:

将最大响应值max_R分别与设定的更新阈值T
a
和重新检测阈值T
b
进行比较;

若max_R<T
b
,追踪失败,激活检测器部分,支持向量机检测器与深度孪生网络检测器会在当前图片的预测位置处进行重新检测;

若max_R>T
a
,追踪成功,则在预测的目标处密集采样更新支持向量机检测器,并更新目标信息处理部分的滤波器F
2
。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。