CN119399250A 一种基于畸变抑制和低秩约束的长时目标跟踪方法 （中国科学院西安光学精密机械研究所）

所一种基于畸变抑制和低秩约束的长时目标本发明公开了一种基于畸变抑制和低秩约2图像Ia的目标状态提取当前帧图像I,的目标特征x及其上下文，k为正整数，t为当前帧时刻，(x-,J-1)表示前一帧图像Ia中目:；步骤3、采用滑动平均方法，按预设帧间隔更新滤波器，得到加权平均滤波器;步骤5、对感兴趣特征x与加权平均滤波器执行卷积操作，得到当前帧图像I,的响;步骤6、获取重捕获标志位flag；如果重捕获标志位lagn。=1，通过重捕获方法获取当前帧图像I,的目标状态;如果重捕获标志位flaga。=0，根据响应图R,的峰值获取当前帧图像I,的目标状态;3;其中，xa和X,表示目标特征和上下文块特征的循环矩阵均为常数，为理想二维高斯响应；;;其中，中存储有历史滤波器，he[2,t-1]，N为负整数；;4;I态持续不可靠的连续多帧图像帧数count；;6.3、将平均峰值能量APCE,与加权均如果count<T，则重捕获标志位flag为0。7.1、构建混合高斯背景模型，并通过B,=aB.+(1-a)B.对混合高斯背景模B,和当前帧图像I,的ORB特征；5B,与当前帧图像I,的运动模型H；;,其中，(,7.9、结合前一帧图像中目标的尺度与位置先验信息，从粗粒度候选区域集表示细粒度候选区域集中第j个细粒度候选区域的状态，(xj,J,)表示细粒度候选区域集中第j个细粒度候选区域的中心位置，(w,h,)表示细粒度候选区计算细粒度候选区域集Be中每个细粒度候选区域的响应置信度;(b,s.)：;7.11、融合状态置信度;(b,s)和响应置信度;(b,s.)，获得细粒度候选区域;Q索引到最优67.13根据最优候选区域，获取当前帧图像I,中目标中心位置7[0003]尽管基于孪生网络的跟踪范式展现出强大的性能，但复杂耗时的卷积运算及对景信息的引入使得目标外观在短时间内急剧变化，极易发生模型漂移甚至跟踪失败的情8帧图像I的目标状态提取当前帧图像I,的目标特征及其上下Ik为正整数，t为当前帧时刻，(x-,J-1)表示前一帧图像Ia中目标的中心位置，(w,h.)表示前一帧图像Ia中目标的宽度和高度；步骤3、采用滑动平均方法，按预设帧间隔更新滤波器，得到加权平均滤波器;像I,中目标的中心点周围裁剪感兴趣区域ROI，并提取感兴趣区域ROI的感兴趣特征;步骤6、获取重捕获标志位flag；如果重捕获标志位lagn。=1，通过重捕获方法获取当前帧图像I,的目标状态;9如果重捕获标志位flaga。=0，根据响应图R的峰值获取当前帧图像I,的目标[0013]其中，xa,和X,表示目标特征和上下文块特征的循环矩阵均为2.2、向第一目标函数引入畸变抑制约束，得到第二目标函Nw最大值，p表示迭代步长，m+l表示第m+l次迭代；I,的最优滤波器w:opr。I跟踪状态持续不可靠的连续多帧图像帧数count；flag为1；如果count<T，则重捕获标志位flag为0。B,=aB.+(1-a)B对混合高斯背B,和当前帧图像I,的ORB特征；B,与当前帧图像I,的运动模型H；7.6、将对齐背景模型和当前帧图像I,进行差分，得到粗粒度二值差分图;,其中，(,7.9、结合前一帧图像中目标的尺度与位置先验信息，从粗粒度候选区域集表示细粒度候选区域集中第j个细粒度候选区域的状态，(xj,J,)表示细粒度候选区域集中第j个细粒度候选区域的中心位置，(w,h,)表示细粒度候选区7.11、融合状态置信度2;b,s)和响应置信度;(b,s.)，获得细粒度候Q索引到通过邻域像素关系和区域建模方法构建混合高斯背景模型，通过[0032]图1是本发明一种基于畸变抑制和低秩约束的长时目标跟踪方法实施例的流程[0034]本发明实施例提供的一种基于畸变抑制和低秩约束的长时目标跟踪方法，如图1于每组连续多帧图像，根据其前一帧图像I.的目标状态s.=[xa,Ja,wa,ha]提取当前帧图像I,的目标特征X,及其上下文块特征；当前帧图像I,为对应的连续多帧图像中靠近前一帧图像I.的图像；I中目标的中心位置，(w,h)表示前一帧图像I.中目标的宽度和高度；其中，目标特征x和和x表示目标特征x和上下文块特征xi的循环矩阵均为常例如目标被其它物体部分/完全遮挡的同时发生非刚性形变，导致检测阶段的响应图出现轴峰值位移差和y轴峰值位移差，R.表示前一帧图像Igi为辅助变量；最大值，p表示迭代步长，m+l表示第m+l次迭代；中的矩阵x和x,(ie[1,k])：[0044]将上述矩阵x和x,(ie[1,k])的简化结果带入到上一步的滤波器中，得到如下[0045]其中d表示信号a的离散傅里叶变换，即i=F(i)，符号◎表示向量对应元素的[0046]子问题aegin(",8,s)的优化：关于子问题aegin(",8,s)的目标函数可以表述为：[0050]步骤3、采用滑动平均方法，按预设帧间隔更新滤波器，得到加权平均滤波器;步骤5、对感兴趣特征x与加权平均滤波器执行卷积操作，得到当前帧图像I,：如果重捕获标志位lagn。=1，通过重捕获方法获取当前帧图像I,的目标状态;7.9、结合前一帧图像I.中目标的尺度与位置先验信息，从粗粒度候选区域集集的中心位置标志位集和范围标志位集；