CN114972735B 基于roi预测和多模块学习的抗遮挡移动目标跟踪装置及方法 （南京理工大学）

基于ROI预测和多模块学习的抗遮挡移动目本发明公开了一种基于ROI预测和多模块学平方根容积卡尔曼滤波进行位置预估，获得ROI2所述跟踪模块包括多特征提取模块、相关滤波模块，在位置滤波器的基所述检测模块包括ROI预测模块、级联分类模块，ROI预测模块利用平所述多特征提取模块是将M×N×1的灰度特征与M×N×31的快速方向梯度直方图即得到每个cell对应的36维特征向量后再利用主成分分析PCA降维得到的，包括18维有符号所述相关滤波模块的基础框架是判别尺度空间跟踪算法框架，利用位置滤波器依次进行目标定位与尺度评估，分别对位置滤波器和尺度滤波器进行主成分分析所述ROI预测模块通过加入平方根容积卡尔曼滤波进行ROI区域估计；以当前所述级联分类模块包括图像元方差分类器、fHOG-SVM分类器、最邻近ROI预测模块预测出当前帧目标最有可能出现的区域，将此作为级联分类模块的输入33.根据权利要求2所述的基于ROI预测和lll4t为滤波器对应的一个训练样本ft的分子和分母，4和Bt-1为该训练样本4.根据权利要求2所述的基于ROI预测和多模块学习的5.根据权利要求2所述的基于ROI预测和5wx+b＝0i样将fHOG-SVM分类器输出的正样本与在线模型进行相似度比较，实现i6.根据权利要求2所述的基于ROI预测和多模块学习的6综合模块通过多模块之间的协调工作，得到最后的输出位置，按照检测成功是指至少有一个滑动窗口通过了检测模块，并且将通如果跟踪成功并检测成功，则对检测结果进行聚类得如果跟踪失败但是检测成功，则将检测模块的输出样7[0001]本发明涉及视觉目标检测技术领域，特别是一种基于ROI预测和多模块学习的抗[0003]尽管在目标跟踪领域已经取得了一些进展，但是针对单[0005]实现本发明目的的技术解决方案为：一种基于ROI预测和多模块学习的抗遮挡移8[0010]步骤1、多特征提取：将输入的RGB三通道图像灰度化转化为单通道图像，采用域为当前帧目标最有可能出现的区域，将ROI区域此作为级联分类模块的输入即待检测区口与目标框图像的像素灰度方差，把方差小于目标样本方差一半的测试样本认为是负样9[0018]本发明一种基于ROI预测和多模块学习的抗遮挡移动目标跟踪装置，包括跟踪模[0022]作为一种具体示例，所述多特征提取模块是将M×N×1的灰度特征与M×N×31的特征是通过归一化截断得到每个cell对应的36维特征向量后再利用主成分分析PCA降维得[0023]作为一种具体示例，所述相关滤波模块的基础框架是判别尺度空间跟踪算法框[0026]ROI预测模块预测出当前帧目标最有可能出现的区域，将此作为级联分类模块的[0027]本发明一种基于ROI预测和多模块学习的抗遮挡移动目标跟踪方法，包括以下步[0028]步骤1、多特征提取：将输入的RGB三通道图像灰度化转化为单通道图像，采用域为当前帧目标最有可能出现的区域，将ROI区域此作为级联分类模块的输入即待检测区口与目标框图像的像素灰度方差，把方差小于目标样本方差一半的测试样本认为是负样态转移函数和非线性测量函数，过程噪声wt-1和测量噪声vt-1相互独立，且wt-1～N(0,Qt)，中的位置可=(i,),以上一帧的长宽比，以及四倍面积划定区域，将此区域作为当前帧ROI区[0063]应满足与解得最优解i-lii…il'.最优权值法向量w*，最优偏移M×N×1的灰度特征进行拼接得到M×N×32维的融合特征。通过多特征融合，提高了对光行速度，利用PCA降维将融合特征从32维降到18维，对于样本的每个像素点提取这18维特[0101]ROI预测模块预测出当前帧目标最有可能出现的区域，将此作为级联分类器的输[0102]然后图像元方差分类器得到的正样本作为fHOG-SVM分类器的输入，提取fHOG特在特征空间建立一个超平面作为决策曲面，使得正样本与负样本之间的隔离边缘被最大[0115]算法中使用P-N学习方式，以在线学习的方式