. 〇1;插值因子:〇. 075;時隙:8-20幀。
[0043]針對輸入圖像序列，需要每間隔8-20幀的時隙，對輸入圖像序列進行劃分預處理。 劃分后對前后幀進行差分，得出目標所在的區(qū)域及位置，并獲得目標矩形。
[0044] (2)對目標區(qū)域進行高密度采樣；
[0045]高密度采樣是為了利用循環(huán)矩陣的特性。用目標尺寸在窗口內進行循環(huán)移位采 樣，逐行逐列掃描，先位于第一行從左向右沿列方向每次移位一個像素，再更換到第二行采 用相同方式掃描，各相鄰樣本之間有重疊。常規(guī)稀疏采樣與本方法高密度采樣的示意圖如 圖2所示。
[0046] (3)二維漢明窗濾波；
[0047]對各圖像進行濾波處理。采用的二維窗口函數(shù)對圖像中目標大小相當，本發(fā)明采 用漢明窗具有較好的性能，檢測窗口與目標區(qū)域的卷積運算可通過FFT來實現(xiàn)。
[0048] (4)在線核學習快速目標檢測；
[0049] 在線核學習的目的是獲得一個高性能的分類器，該分類器能夠將圖像中的運動目 標標識為+1，而將非運動目標標識為-1。具體以上述檢測窗口中的目標矩形作為樣本進行。
[0050] 假設(X1，yi)，…，（Xm，ym)表示m個訓練數(shù)據(jù)集及其目標值，f(x)為分類器函數(shù)，用 于獲得將這m個樣本盡可能正確分類的參數(shù)。根據(jù)核理論，參數(shù)解w的系數(shù)α計算公式如下：
[0051] α = (Κ+λΙ)-V (1)
[0052] 其中，Κ為核矩陣，I為單位矩陣，λ表示正則化的強度參數(shù)。
[0053] 一方面，在高密度采樣時，由于各樣本之間有重疊，因此，這些樣本存在大量的信 息冗余，這種冗余的表現(xiàn)與循環(huán)矩陣的結構十分相似。另一方面，已有大量研究工作揭示了 循環(huán)矩陣特性與FFT之間具有緊密關系。
[0054]利用循環(huán)矩陣特性，推導出：
[0055]
(2)
[0056]其中k是核矩陣Κ的列向量。實際上，核矩陣Κ的列向量k可通過FFT計算，快速目標 檢測就轉化為計算下式：
[0057]
[0058] 其中z是輸入樣本，y'為該樣本的響應輸出。通過進一步推導，該樣本的響應輸出 y'可用FFT計算為：
[0059]
(4)
[0060] 其中，0表示點積運算，少表示目標樣本的響應結果，F(xiàn)(i0表示對核運算參數(shù)E的 傅里葉變換結果，F(xiàn)(a)表示對α進行傅里葉變換的結果，該樣本的響應輸出y'最大的即為運 動目標。
[0061] 以上用到的核矩陣K可用FFT計算，以高斯核函數(shù)為例，計算式為：
[0062]
(5>
[0063] (5)基于前后幀關聯(lián)的目標跟蹤；
[0064]在下一幀，由于目標的運動，已訓練好的分類器需要更新參數(shù)，然后根據(jù)公式5可 對目標再次檢測，從而實現(xiàn)實時跟蹤。
[0005 ] (6)各信息源數(shù)據(jù)融合與參數(shù)優(yōu)化；
[0066] 這一步針對各信息源圖像特點，選擇不同的核函數(shù)。針對紅外和可見光圖像，采用 高斯核函數(shù)和正則化最小二乘損失函數(shù)具有較好的性能。
[0067] (7)目標輸出；輸出目標檢測和跟蹤數(shù)據(jù)(形心等)到上位機系統(tǒng)。
[0068] 由此可見，本發(fā)明采用邊檢測邊跟蹤方式，將快速計算方法與核學習進行有機整 合，克服了傳統(tǒng)的機器學習實時性差的缺點，提升了處理非線性數(shù)據(jù)的有效性，可滿足不同 需求。
[0069]本發(fā)明方法可實現(xiàn)的主要性能指標包括:每秒處理幀數(shù)2 30幀（紅外/可見光，測 試圖像320 X 240);信息融合數(shù)據(jù)輸出速率2 10Hz ;具備單信息來源目標檢測與跟蹤能力； 單信息來源目標跟蹤幀數(shù)為2幀;檢測概率2 0.95(信噪比2 4.5條件下）；跟蹤精度2 0.85 (信噪比2 4.5條件下），其技術效果顯著突出。
【主權項】
1. 一種弱小運動目標快速檢測與跟蹤方法，其特征在于： 第一步:獲取目標可能的初始位置： 針對輸入圖像序列，預處理根據(jù)時隙劃分為多段圖像序列，對同一段圖像序列內的前 兩帖圖像進行差分，差分后的圖像再利用灰度闊值剔除噪聲點目標，獲取目標所在區(qū)域的 目標矩形的大小和位置，并建立檢測窗口，檢測窗口為目標矩形的2倍高度和2倍寬度的圖 像窗口； 第二步:對劃分后的每段圖像序列進行邊檢測與跟蹤： 根據(jù)第一步初始得到的目標矩形大小和位置，利用高密度采樣方法和在線核學習犯 法，并結合循環(huán)矩陣與快速傅里葉變換(FFT)之間的關系，進行目標的實時檢測與跟蹤； 第=步:對各段圖像序列重復迭代，重復第一步至第二步的步驟，對每段圖像序列再進 行實時連續(xù)的檢測與跟蹤，形成閉環(huán)。2. 根據(jù)權利要求1所述的一種弱小運動目標快速檢測與跟蹤方法，其特征在于:所述的 弱小運動目標是指圖像面積的0.15% W下的運動目標或者5 X 5像素區(qū)塊W下的運動目標。3. 根據(jù)權利要求1所述的一種弱小運動目標快速檢測與跟蹤方法，其特征在于:所述方 法用于可見光圖像序列或者紅外圖像序列的檢測和跟蹤。4. 根據(jù)權利要求1所述的一種弱小運動目標快速檢測與跟蹤方法，其特征在于:所述第 一步中，將輸入圖像序列W8-20帖的時隙依次均等劃分多段圖像序列。5. 根據(jù)權利要求1所述的一種弱小運動目標快速檢測與跟蹤方法，其特征在于:所述每 段圖像序列中，對于前兩帖的圖像中的檢測窗口，先進行高密度采樣，再通過二維漢明窗進 行濾波，然后通過在線核學習方式建立分類器進行快速目標檢測;對于除前兩帖W外的其 他前后相鄰兩帖圖像，用上述已訓練好的分類器更新參數(shù)再次檢測，從而實現(xiàn)實時跟蹤。6. 根據(jù)權利要求1所述的一種弱小運動目標快速檢測與跟蹤方法，其特征在于:所述的 高密度采樣是在檢測窗口內W目標矩形為單位進行循環(huán)移位采樣，所述的二維漢明窗的函 數(shù)與目標矩形大小相同。7. 根據(jù)權利要求1所述的一種弱小運動目標快速檢測與跟蹤方法，其特征在于:所述的 循環(huán)移位采樣具體是W目標矩形為單位進行逐行逐列地遍歷掃描采樣，具體是先在第一行 每次移位一列遍歷采樣，再到第二行依次類推完成循環(huán)移位采樣。8. 根據(jù)權利要求1所述的一種弱小運動目標快速檢測與跟蹤方法，其特征在于:所述的 在線核學習方式進行快速目標檢測具體是； 采用W下公式的高性能分類器進行檢測，獲得樣本的響應輸出y'最大的作為運動目 標，將其標識為+1:其中，Z是輸入樣本，y'表示樣本的響應輸出，Cii為核函數(shù)參數(shù)，Xi表示第i個樣本，K表示 其所含兩個元素的核運算，i表示樣本的索引值； 核函數(shù)參數(shù)Oi采用W下公式進行計算：其中，A表示正則化的強度，F(xiàn)()表示對其所含元素進行傅里葉變換后的結果，y表示W(wǎng) 目標為中屯、的樣本矩陣，F(xiàn)i()表示對其所含元素進行逆傅里葉變換后的結果，a為計算得 到的核函數(shù)參數(shù)。9.根據(jù)權利要求1所述的一種弱小運動目標快速檢測與跟蹤方法，其特征在于:在所述 第二步對劃分后的每段圖像序列進行邊檢測邊跟蹤后，再進行數(shù)據(jù)融合與參數(shù)優(yōu)化，對于 可見光圖像采用高斯核函數(shù)進行數(shù)據(jù)融合與參數(shù)優(yōu)化，對于紅外圖像采用正則化最小二乘 損失函數(shù)進行數(shù)據(jù)融合與參數(shù)優(yōu)化。
【專利摘要】本發(fā)明公開了一種弱小運動目標快速檢測與跟蹤方法。第一步獲取目標可能的初始位置，根據(jù)時隙劃分為多段圖像序列，對前兩幀圖像進行差分，剔除噪聲點目標，獲取目標矩形并建立檢測窗口；第二步對劃分后的每段圖像序列進行邊檢測與跟蹤：利用高密度采樣方法和在線核學習方法，并結合循環(huán)矩陣與快速傅里葉變換之間的關系，進行目標的實時檢測與跟蹤；第三步重復迭代，對每段圖像序列再進行實時連續(xù)的檢測與跟蹤，形成閉環(huán)。本發(fā)明方法采用邊檢測邊跟蹤方式，在不需要獲取目標的形狀等特征條件下，實現(xiàn)弱小運動目標的快速檢測與跟蹤，有效提高了目標檢測與跟蹤處理速度與效率。
【IPC分類】G06T7/20
【公開號】CN105654511
【申請?zhí)枴?br>【發(fā)明人】羅浩, 陸哲明, 丁火平, 吳俊
【申請人】浙江大學, 航天恒星科技有限公司
【公開日】2016年6月8日
【申請日】2015年12月29日