本發(fā)明涉及圖像處理領(lǐng)域，特別涉及基于頻域回歸模型目標(biāo)追蹤方法、系統(tǒng)及高級(jí)駕駛輔助系統(tǒng)。
背景技術(shù)：
：在基于視覺算法的高級(jí)駕駛輔助系統(tǒng)(ADAS)，目標(biāo)追蹤是一項(xiàng)關(guān)鍵技術(shù)，其包括車輛追蹤、行人追蹤等。尤其在計(jì)算資源有限的嵌入式設(shè)備中，由于目標(biāo)檢測(cè)算法非常耗費(fèi)運(yùn)算資源，無(wú)法頻繁進(jìn)行。目標(biāo)追蹤技術(shù)的意義在于，在目標(biāo)檢測(cè)的間隔，用一種快速的方法追蹤目標(biāo)的位置，保證目標(biāo)的位置在每一幀都可以實(shí)時(shí)準(zhǔn)確地更新?，F(xiàn)有的目標(biāo)追蹤技術(shù)大部分是在空域中進(jìn)行，例如MeanShift方法，TLD(Tracking-learningDetection)方法等。在空間域進(jìn)行目標(biāo)追蹤的方法，需要對(duì)目標(biāo)周圍的若干備選框進(jìn)行遍歷，利用最優(yōu)化函數(shù)，以大量迭代運(yùn)算換取準(zhǔn)確結(jié)果。此種方法無(wú)法兼顧快速性與魯棒性。而基于頻域的目標(biāo)追蹤方法，目前沒有很好解決尺度可變的問(wèn)題，只支持單一尺度下的目標(biāo)追蹤。另外，特征選取也是頻域方法的一個(gè)難題，多數(shù)會(huì)選用HOG(HistogramofOrientedGradient)特征，但提取HOG特征運(yùn)算資源消耗較大，對(duì)多目標(biāo)追蹤的場(chǎng)景難以滿足實(shí)時(shí)性需求。除此以外，邊緣特征過(guò)強(qiáng)，也可能導(dǎo)致錯(cuò)誤追蹤結(jié)果，這個(gè)問(wèn)題目前沒有很好地解決。技術(shù)實(shí)現(xiàn)要素：本發(fā)明要解決的技術(shù)問(wèn)題是，在空間域提取特征，在頻域計(jì)算位移和尺度變化的目標(biāo)追蹤。首先在空間域?qū)δ繕?biāo)及其周圍一定區(qū)域的圖像提取特征。然后對(duì)提取的特征進(jìn)行傅里葉變換。在頻域內(nèi)，將實(shí)時(shí)特征與特征模板做回歸運(yùn)算，得到不同尺度下目標(biāo)位移的置信度矩陣，并預(yù)測(cè)目標(biāo)的尺度和位移變化。解決上述技術(shù)問(wèn)題，本發(fā)明提供了一種基于頻域回歸模型目標(biāo)追蹤方法，包括如下步驟：選擇目標(biāo)區(qū)域，根據(jù)所述目標(biāo)區(qū)域中的圖像提取空間域特征；對(duì)所述空間域特征進(jìn)行漢明濾波后再進(jìn)行傅里葉變換，得到實(shí)時(shí)特征；根據(jù)特征模板與所述實(shí)時(shí)特征進(jìn)行回歸運(yùn)算得到置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)；變換尺度重復(fù)上述步驟，并預(yù)測(cè)出目標(biāo)區(qū)域的尺度和位移變化，完成對(duì)目標(biāo)的追蹤。更進(jìn)一步，追蹤方法還包括，根據(jù)新的目標(biāo)位置，提取得到目標(biāo)位置提取特征，得到新的特征模板，所述新的特征模板與特征模板進(jìn)行線性插值更新得到。更進(jìn)一步，在所述置信度矩陣中，選取置信度最大值對(duì)應(yīng)的尺度更新目標(biāo)尺度，選擇置信度最大的位移點(diǎn)計(jì)算目標(biāo)新的位置。更進(jìn)一步，通過(guò)線性插值更新新的特征模板的方法具體為：X＝((1-δ)×X1)+(δ×X2)其中，δ＝0.05，X1表示特征模板，X2表示新的特征模板。更進(jìn)一步，所述空間域特征，包括紋理特征和梯度特征，所述紋理特征：其中，E(I)表示灰度圖像的均，i、j分別表示像素點(diǎn)的橫縱坐標(biāo)；所述梯度特征按照[-1,0,1]、[-1,0,1]T兩個(gè)卷積核，分別對(duì)水平和垂直兩個(gè)方向進(jìn)行卷積后得到。更進(jìn)一步，根據(jù)下述的置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)：f(Z)＝F-1(KXZ·α)其中，KXZ＝∑Zc·conj(Xc)，表示特征模板X與實(shí)時(shí)特征Z的相關(guān)性，其中，c代表不同的通道，α表示嶺回歸矩陣α＝(KXX+λ)-1Y，其中λ＝0.0001，y是服從高斯分布的回歸目標(biāo)。更進(jìn)一步，所述置信度矩陣大小為64*64，該置信度矩陣包括，目標(biāo)中心點(diǎn)為中心且目標(biāo)長(zhǎng)寬2倍區(qū)域內(nèi)不同位移的置信度。更進(jìn)一步，所述漢明濾波得到尺寸為64*64的濾波模板H的具體方法為：hi,j=(0.53836-0.46164cos(2π(N2-i)N-1))×(0.53836-0.46164cos(2π(N2-j)N-1))]]>其中，N＝64，i和j分別為橫縱坐標(biāo)位置。本發(fā)明提供了基于頻域回歸模型目標(biāo)追蹤系統(tǒng)，包括：空間域提取單元，用以選擇目標(biāo)區(qū)域，根據(jù)所述目標(biāo)區(qū)域中的圖像提取空間域特征；濾波器，用以對(duì)所述空間域特征進(jìn)行漢明濾波；與濾波器連接的傅里葉變換單元，用以對(duì)濾波器的輸出進(jìn)行傅里葉變換，得到實(shí)時(shí)特征；置信度矩陣單元，用以根據(jù)特征模板與所述實(shí)時(shí)特征進(jìn)行回歸運(yùn)算得到置信度矩陣；預(yù)測(cè)單元，用以對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)；更新單元，用以變換尺度重復(fù)上述步驟，并預(yù)測(cè)出目標(biāo)區(qū)域的尺度和位移變化，完成對(duì)目標(biāo)的追蹤。本發(fā)明還提供了高級(jí)駕駛輔助系統(tǒng)，包括基于頻域回歸模型目標(biāo)追蹤系統(tǒng)、安裝在車上的視覺傳感器以及預(yù)警單元，視覺傳感器，用以采集視頻數(shù)據(jù)；所述基于頻域回歸模型目標(biāo)追蹤系統(tǒng)，用以從所述視頻數(shù)據(jù)中選擇目標(biāo)區(qū)域，根據(jù)所述目標(biāo)區(qū)域中的圖像提取空間域特征；對(duì)所述空間域特征進(jìn)行漢明濾波后再進(jìn)行傅里葉變換，得到實(shí)時(shí)特征；根據(jù)特征模板與所述實(shí)時(shí)特征進(jìn)行回歸運(yùn)算得到置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)；變換尺度重復(fù)上述步驟，并預(yù)測(cè)出目標(biāo)區(qū)域的尺度和位移變化，完成對(duì)目標(biāo)的追蹤；預(yù)警單元，用以在檢測(cè)到目標(biāo)車輛和行人的位置后，通過(guò)標(biāo)追蹤系統(tǒng)實(shí)時(shí)跟蹤上述目標(biāo)的位置，提示駕駛員是否有碰撞前方的車輛和行人的危險(xiǎn)。本發(fā)明的有益效果：1)由于基于頻域回歸模型目標(biāo)追蹤方法，包括如下步驟：選擇目標(biāo)區(qū)域，根據(jù)所述目標(biāo)區(qū)域中的圖像提取空間域特征；對(duì)所述空間域特征進(jìn)行漢明濾波后再進(jìn)行傅里葉變換，得到實(shí)時(shí)特征；根據(jù)特征模板與所述實(shí)時(shí)特征進(jìn)行回歸運(yùn)算得到置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)；變換尺度重復(fù)上述步驟，并預(yù)測(cè)出目標(biāo)區(qū)域的尺度和位移變化，完成對(duì)目標(biāo)的追蹤。本發(fā)明的目標(biāo)追蹤方法，適用于頻域回歸的實(shí)時(shí)性極強(qiáng)的紋理和梯度結(jié)合的特征。在本發(fā)明中還首次提出通過(guò)漢明窗抑制邊緣特征，對(duì)空間域特征進(jìn)行優(yōu)化。2)由于本發(fā)明的空間域特征提取包含了紋理和梯度信息的簡(jiǎn)單快速的雙通道特征，經(jīng)實(shí)驗(yàn)，在intelcorei5雙核電腦上，雙通道特征方法對(duì)單目標(biāo)的特征提取時(shí)間僅為0.3ms，比HOG特征的3ms快10倍，在本發(fā)明的框架下，兩種特征可以取得相似的準(zhǔn)確率。3)由于對(duì)所述空間域特征進(jìn)行漢明濾波，針對(duì)邊緣特征過(guò)強(qiáng)造成的追蹤誤差，本發(fā)明通過(guò)對(duì)提取的空間域特征進(jìn)行漢明濾波，能夠抑制邊緣區(qū)域的特征。4)由于變換尺度重復(fù)上述步驟，并預(yù)測(cè)出目標(biāo)區(qū)域的尺度和位移變化，考慮到視頻流兩幀之間的變化極其微小，兩幀間的尺度變化也很小。故優(yōu)先選取標(biāo)準(zhǔn)尺度0.9倍的區(qū)域和1.1倍的區(qū)域重復(fù)基于頻域回歸模型目標(biāo)追蹤步驟。附圖說(shuō)明圖1是本發(fā)明一實(shí)施例中的基于頻域回歸模型目標(biāo)追蹤方法流程示意圖。圖2是圖1中進(jìn)一步操作流程示意圖。圖3是圖2中進(jìn)一步操作流程示意圖。圖4是本發(fā)明一優(yōu)選實(shí)施例中的基于頻域回歸模型目標(biāo)追蹤方法流程示意圖。圖5是選擇目標(biāo)周圍2倍區(qū)域示意圖。圖6是濾波模板H示意圖。圖7是高斯分布的峰值點(diǎn)比較。圖8是本發(fā)明一實(shí)施例中的基于頻域回歸模型目標(biāo)追蹤系統(tǒng)結(jié)構(gòu)示意圖。圖9是本發(fā)明一實(shí)施例中的高級(jí)駕駛輔助系統(tǒng)結(jié)構(gòu)示意圖。具體實(shí)施方式為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚明白，以下結(jié)合具體實(shí)施例，并參照附圖，對(duì)本發(fā)明進(jìn)一步詳細(xì)說(shuō)明。圖1是本發(fā)明一實(shí)施例中的基于頻域回歸模型目標(biāo)追蹤方法流程示意圖。本實(shí)施例中的基于頻域回歸模型目標(biāo)追蹤方法，包括如下步驟：步驟S100選擇目標(biāo)區(qū)域，根據(jù)所述目標(biāo)區(qū)域中的圖像提取空間域特征；所述空間域特征包含了紋理和梯度信息的簡(jiǎn)單快速的雙通道特征，首先根據(jù)目標(biāo)上一幀的位置，選擇目標(biāo)周圍2倍區(qū)域的圖像進(jìn)行灰度化，并歸一化到64*64尺寸。在車輛進(jìn)入目標(biāo)區(qū)域，可以借助車內(nèi)的高級(jí)駕駛輔助系統(tǒng)采集圖像。所述高級(jí)駕駛輔助系統(tǒng)，簡(jiǎn)稱ADAS。是利用安裝于車上的各式各樣的傳感器，在第一時(shí)間收集車內(nèi)外的環(huán)境數(shù)據(jù)，進(jìn)行靜、動(dòng)態(tài)物體的辨識(shí)、偵測(cè)與追蹤等技術(shù)上的處理，從而能夠讓駕駛者在最快的時(shí)間察覺可能發(fā)生的危險(xiǎn)，以引起注意和提高安全性的主動(dòng)安全技術(shù)。一般而言，ADAS采用的傳感器主要有攝像頭、雷達(dá)、激光和超聲波等，可以探測(cè)光、熱、壓力或其它用于監(jiān)測(cè)汽車狀態(tài)的變量，通常位于車輛的前后保險(xiǎn)杠、側(cè)視鏡、駕駛桿內(nèi)部或者擋風(fēng)玻璃上。ADAS對(duì)駕駛員的提醒功能包括防前車碰撞預(yù)警，車道偏離預(yù)警，防行人碰撞預(yù)警等。所述步驟S100中的有益效果至少包括：經(jīng)實(shí)驗(yàn)，在intelcorei5雙核電腦上，采用步驟S100的方法對(duì)單目標(biāo)的特征提取時(shí)間僅為0.3ms，比HOG特征的3ms快10倍。故在本發(fā)明的框架下，兩種特征可以取得相似的準(zhǔn)確率。步驟S101對(duì)所述空間域特征進(jìn)行漢明濾波后再進(jìn)行傅里葉變換，得到實(shí)時(shí)特征；經(jīng)過(guò)上述漢明濾波后，到尺寸為64*64的濾波模板H。再進(jìn)行傅里葉變換，上述空間域特征經(jīng)過(guò)傅里葉變換后的頻域特征。在一些實(shí)施例中，所述空間域特征，包括紋理特征和梯度特征，所述紋理特征：其中，E(I)表示灰度圖像的均，i、j分別表示像素點(diǎn)的橫縱坐標(biāo)；所述梯度特征按照[-1,0,1]、[-1,0,1]T兩個(gè)卷積核，分別對(duì)水平和垂直兩個(gè)方向進(jìn)行卷積后得到。在一些實(shí)施例中，所述漢明濾波得到尺寸為64*64的濾波模板H的具體方法為：hi,j=(0.53836-0.46164cos(2π(N2-i)N-1))×(0.53836-0.46164cos(2π(N2-j)N-1))]]>其中，N＝64，i和j分別為橫縱坐標(biāo)位置。所述步驟S101中的有益效果至少包括：采用漢明窗，針對(duì)邊緣特征過(guò)強(qiáng)造成的追蹤誤差，本發(fā)明通過(guò)對(duì)提取的特征T進(jìn)行漢明濾波，抑制邊緣區(qū)域的特征。步驟S102根據(jù)特征模板與所述實(shí)時(shí)特征進(jìn)行回歸運(yùn)算得到置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)；在一些實(shí)施例中，根據(jù)下述的置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)：f(Z)＝F-1(KXZ·α)其中，KXZ＝∑Zc·conj(Xc)，表示特征模板X與實(shí)時(shí)特征Z的相關(guān)性，其中，c代表不同的通道，α表示嶺回歸矩陣α＝(KXX+λ)-1Y，其中λ＝0.0001，y是服從高斯分布的回歸目標(biāo)。在一些實(shí)施例中，特征模板是被追蹤目標(biāo)的參考模板，可以理解為被追蹤目標(biāo)的歷史特征。將特征模板與實(shí)時(shí)特征做回歸運(yùn)算，再進(jìn)行傅里葉反變換，可得到64*64大小的置信度矩陣。在一些實(shí)施例中，所述置信度矩陣大小為64*64，該置信度矩陣包括，目標(biāo)中心點(diǎn)為中心且目標(biāo)長(zhǎng)寬2倍區(qū)域內(nèi)不同位移的置信度。步驟S103變換尺度重復(fù)上述步驟，并預(yù)測(cè)出目標(biāo)區(qū)域的尺度和位移變化，完成對(duì)目標(biāo)的追蹤。由于視頻流兩幀之間的變化極其微小，兩幀間的尺度變化也很小。此處選取標(biāo)準(zhǔn)尺度0.9倍的區(qū)域和1.1倍的區(qū)域重復(fù)上述的步驟。圖2是圖1中進(jìn)一步操作流程示意圖。本實(shí)施例中的基于頻域回歸模型目標(biāo)追蹤方法，包括步驟：步驟S100選擇目標(biāo)區(qū)域，根據(jù)所述目標(biāo)區(qū)域中的圖像提取空間域特征；步驟S101對(duì)所述空間域特征進(jìn)行漢明濾波后再進(jìn)行傅里葉變換，得到實(shí)時(shí)特征；步驟S102根據(jù)特征模板與所述實(shí)時(shí)特征進(jìn)行回歸運(yùn)算得到置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)；步驟S103變換尺度重復(fù)上述步驟，并預(yù)測(cè)出目標(biāo)區(qū)域的尺度和位移變化，完成對(duì)目標(biāo)的追蹤；還包括，步驟S104根據(jù)新的目標(biāo)位置，提取得到目標(biāo)位置提取特征，得到新的特征模板，所述新的特征模板與特征模板進(jìn)行線性插值，更新得到，完成對(duì)特征模板的更新。在一些實(shí)施例中，通過(guò)線性插值更新新的特征模板的方法具體為：X＝((1-δ)×X1)+(δ×X2)其中，δ＝0.05，X1表示特征模板，X2表示新的特征模板。圖3是圖2中進(jìn)一步操作流程示意圖。本實(shí)施例中的基于頻域回歸模型目標(biāo)追蹤方法，包括步驟：步驟S100選擇目標(biāo)區(qū)域，根據(jù)所述目標(biāo)區(qū)域中的圖像提取空間域特征；步驟S101對(duì)所述空間域特征進(jìn)行漢明濾波后再進(jìn)行傅里葉變換，得到實(shí)時(shí)特征；步驟S102根據(jù)特征模板與所述實(shí)時(shí)特征進(jìn)行回歸運(yùn)算得到置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)；步驟S103變換尺度重復(fù)上述步驟，并預(yù)測(cè)出目標(biāo)區(qū)域的尺度和位移變化，完成對(duì)目標(biāo)的追蹤；步驟S104根據(jù)新的目標(biāo)位置，提取得到目標(biāo)位置提取特征，得到新的特征模板，所述新的特征模板與特征模板進(jìn)行線性插值更新得到；步驟S105在所述置信度矩陣中，選取置信度最大值對(duì)應(yīng)的尺度更新目標(biāo)尺度，選擇置信度最大的位移點(diǎn)計(jì)算目標(biāo)新的位置。具體地，選取不同尺度的f(Z)的最大值進(jìn)行比較：max(f(z)s＝0.9,1,1.1)，取最大值對(duì)應(yīng)的尺度，即為尺度變化s。具體地，f(z)對(duì)應(yīng)的最大值的位置，即為位移變化xs，ys，根據(jù)回歸矩陣的位置變化關(guān)系，xs和ys應(yīng)該按如下公式得到：xs=xsifxs<N/2xs-Nifxs≥N/2ys=ysifys<N/2ys-Nifys≥N/2]]>其中N＝64。得到新的目標(biāo)為：Ox,y,w,h=Oxp+xs,yp+ys,wp*s,hp*s]]>其中xp，yp分別為上一幀目標(biāo)位置的中心點(diǎn)坐標(biāo)，wp，hp為上一幀目標(biāo)的寬和高。在所述步驟S104中通過(guò)線性插值更新新的特征模板的方法具體為：X＝((1-δ)×X1)+(δ×X2)其中，δ＝0.05，X1表示特征模板，X2表示新的特征模板。在步驟S100中所述空間域特征，包括紋理特征和梯度特征，所述紋理特征：其中，E(I)表示灰度圖像的均，i、j分別表示像素點(diǎn)的橫縱坐標(biāo)；所述梯度特征按照[-1,0,1]、[-1,0,1]T兩個(gè)卷積核，分別對(duì)水平和垂直兩個(gè)方向進(jìn)行卷積后得到。在步驟S102中根據(jù)下述的置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)：f(Z)＝F-1(KXZ·α)其中，KXZ＝∑Zc·conj(Xc)，表示特征模板X與實(shí)時(shí)特征Z的相關(guān)性，其中，c代表不同的通道，α表示嶺回歸矩陣α＝(KXX+λ)-1Y，其中λ＝0.0001，y是服從高斯分布的回歸目標(biāo)。所述置信度矩陣大小為64*64，該置信度矩陣包括，目標(biāo)中心點(diǎn)為中心且目標(biāo)長(zhǎng)寬2倍區(qū)域內(nèi)不同位移的置信度。在步驟S101中所述漢明濾波得到尺寸為64*64的濾波模板H的具體方法為：hi,j=(0.53836-0.46164cos(2π(N2-i)N-1))×(0.53836-0.46164cos(2π(N2-j)N-1))]]>其中，N＝64，i和j分別為橫縱坐標(biāo)位置。圖4是本發(fā)明一優(yōu)選實(shí)施例中的基于頻域回歸模型目標(biāo)追蹤方法流程示意圖。步驟S200選擇以目標(biāo)中心點(diǎn)為中心，目標(biāo)長(zhǎng)寬2倍區(qū)域的圖像，提取圖像特征；在步驟S200中將圖像歸一化到64*64尺寸。步驟S201漢明窗濾波，抑制邊緣特征；針對(duì)邊緣特征過(guò)強(qiáng)造成的追蹤誤差，本發(fā)明通過(guò)對(duì)提取的特征T進(jìn)行漢明濾波，抑制邊緣區(qū)域的特征。步驟S202把空間域特征經(jīng)過(guò)傅里葉變換到頻域，得到實(shí)時(shí)特征；將時(shí)域變換到頻域。步驟S203特征模板做回歸運(yùn)算，得到位移置信度矩陣；通過(guò)置信度舉證，得到特征模板與實(shí)時(shí)特征的相關(guān)性。步驟S204取標(biāo)準(zhǔn)尺度0.9倍和1.1倍尺度區(qū)域重復(fù)上述步驟；由于視頻流兩幀之間的變化極其微小，兩幀間的尺度變化也很小。此處選取標(biāo)準(zhǔn)尺度0.9倍的區(qū)域和1.1倍的區(qū)域重復(fù)上述步驟。步驟S205選取置信度最大值對(duì)應(yīng)的尺度更新目標(biāo)尺度，選取置信度最大的位移點(diǎn)計(jì)算目標(biāo)新的位置；步驟S206用新的特征模板，與特征模板進(jìn)行線性插值更新特征模板。本發(fā)明的原理：1.1空間域提取特征本發(fā)明設(shè)計(jì)了一種包含了紋理和梯度信息的簡(jiǎn)單快速的雙通道特征。首先根據(jù)目標(biāo)上一幀的位置，選擇目標(biāo)周圍2倍區(qū)域的圖像進(jìn)行灰度化，并歸一化到64*64尺寸。此過(guò)程非常簡(jiǎn)單，不再詳述。如圖5所示，是選擇目標(biāo)周圍2倍區(qū)域示意圖。然后按照如下公式提取紋理通道特征：|Ii,j-E(I)|255]]>用如下兩個(gè)卷積核分別對(duì)水平和垂直兩個(gè)方向進(jìn)行卷積，得到梯度通道特征。[-1,0,1]、[-1,0,1]T最終獲得的空間域特征記為T。經(jīng)實(shí)驗(yàn)，在intelcorei5雙核電腦上，此種方法對(duì)單目標(biāo)的特征提取時(shí)間僅為0.3ms，比HOG特征的3ms快10倍，在本發(fā)明的框架下，兩種特征可以取得相似的準(zhǔn)確率。1.2漢明濾波針對(duì)邊緣特征過(guò)強(qiáng)造成的追蹤誤差，本發(fā)明通過(guò)對(duì)提取的特征T進(jìn)行漢明濾波，抑制邊緣區(qū)域的特征。hi,j=(0.53836-0.46164cos(2π(N2-i)N-1))×(0.53836-0.46164cos(2π(N2-j)N-1))]]>其中，通過(guò)上述公式計(jì)算得到尺寸為64*64的濾波模板H，其中N＝64，i和j為橫縱坐標(biāo)位置。濾波模板H如圖6所示。1.3對(duì)特征進(jìn)行傅里葉變換空間域特征經(jīng)過(guò)傅里葉變換后的頻域特征記為Z。傅里葉變換的方法非常經(jīng)典，在此不再詳述。Z＝F(T·H)1.4與特征模板求置信度矩陣特征模板(記為X)是被追蹤目標(biāo)的參考模板，可以理解為被追蹤目標(biāo)的歷史特征。將特征模板與實(shí)時(shí)特征做回歸運(yùn)算，再進(jìn)行傅里葉反變換，可得到64*64大小的置信度矩陣f(Z)，此矩陣包含了目標(biāo)中心點(diǎn)為中心，目標(biāo)長(zhǎng)寬2倍區(qū)域內(nèi)不同位移的置信度，即對(duì)目標(biāo)位移預(yù)測(cè)的結(jié)果。根據(jù)下述的置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)：f(Z)＝F-1(KXZ·α)其中，KXZ＝∑Zc·conj(Xc)，表示特征模板X與實(shí)時(shí)特征Z的相關(guān)性，其中，c代表不同的通道，c代表不同的通道，對(duì)本發(fā)明而言，分別為紋理通道和梯度通道，通道數(shù)為2。α表示嶺回歸矩陣α＝(KXX+λ)-1Y，其中λ＝0.0001，Y是服從高斯分布的回歸目標(biāo)。需要注意的是，當(dāng)兩張圖像在頻域求相關(guān)性后，再通過(guò)傅里葉反變換到空間域，位移為0的點(diǎn)會(huì)由中心點(diǎn)變?yōu)樽笊辖堑狞c(diǎn)。所以Y的高斯分布的峰值點(diǎn)也應(yīng)由中心移至左上角，所以Y的高斯分布的峰值點(diǎn)也應(yīng)由中心移至左上角，請(qǐng)參考圖7是高斯分布的峰值點(diǎn)比較。1.5對(duì)不同尺度重復(fù)上述步驟并預(yù)測(cè)尺度和位移變化由于視頻流兩幀之間的變化極其微小，兩幀間的尺度變化也很小。此處選取標(biāo)準(zhǔn)尺度0.9倍的區(qū)域和1.1倍的區(qū)域重復(fù)上述步驟。選取不同尺度的f(Z)的最大值進(jìn)行比較max(f(z)s＝0.9,1,1.1)，取最大值對(duì)應(yīng)的尺度，即為尺度變化s。具體地，f(z)對(duì)應(yīng)的最大值的位置，即為位移變化xs，ys，根據(jù)回歸矩陣的位置變化關(guān)系，xs和ys應(yīng)該按如下公式得到：xs=xsifxs<N/2xs-Nifxs≥N/2ys=ysifys<N/2ys-Nifys≥N/2]]>其中N＝64。得到新的目標(biāo)為：Ox,y,w,h=Oxp+xs,yp+ys,wp*s,hp*s]]>其中xp，yp分別為上一幀目標(biāo)位置的中心點(diǎn)坐標(biāo)，wp，hp為上一幀目標(biāo)的寬和高。1.6更新特征模板根據(jù)新的目標(biāo)位置提取特征，與特征模板按照如下公式進(jìn)行線性插值，完成對(duì)新的特征模板的更新。X＝((1-δ)×X1)+(δ×X2)經(jīng)大量實(shí)驗(yàn)，可以取δ＝0.05。圖8是本發(fā)明一實(shí)施例中的基于頻域回歸模型目標(biāo)追蹤系統(tǒng)結(jié)構(gòu)示意圖。基于頻域回歸模型目標(biāo)追蹤系統(tǒng)10，包括：空間域提取單元1，用以選擇目標(biāo)區(qū)域，根據(jù)所述目標(biāo)區(qū)域中的圖像提取空間域特征；濾波器2，用以對(duì)所述空間域特征進(jìn)行漢明濾波；與濾波器連接的傅里葉變換單元3，用以對(duì)濾波器的輸出進(jìn)行傅里葉變換，得到實(shí)時(shí)特征；置信度矩陣單元4，用以根據(jù)特征模板與所述實(shí)時(shí)特征進(jìn)行回歸運(yùn)算得到置信度矩陣；預(yù)測(cè)單元5，用以對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)；更新單元6，用以變換尺度重復(fù)上述步驟，并預(yù)測(cè)出目標(biāo)區(qū)域的尺度和位移變化，完成對(duì)目標(biāo)的追蹤。通過(guò)上述的基于頻域回歸模型目標(biāo)追蹤系統(tǒng)10，首先在空間域?qū)δ繕?biāo)及其周圍一定區(qū)域的圖像提取特征。然后對(duì)提取的特征進(jìn)行傅里葉變換。在頻域內(nèi)，將實(shí)時(shí)特征與特征模板做回歸運(yùn)算，得到不同尺度下目標(biāo)位移的置信度矩陣，并預(yù)測(cè)目標(biāo)的尺度和位移變化。在一些實(shí)施例中，在空間域提取單元1中，所述空間域特征包含了紋理和梯度信息的簡(jiǎn)單快速的雙通道特征，首先根據(jù)目標(biāo)上一幀的位置，選擇目標(biāo)周圍2倍區(qū)域的圖像進(jìn)行灰度化，并歸一化到64*64尺寸。在一些實(shí)施例中，在濾波器2中，對(duì)所述空間域特征進(jìn)行漢明濾波后再進(jìn)行傅里葉變換，得到實(shí)時(shí)特征；經(jīng)過(guò)上述漢明濾波后，到尺寸為64*64的濾波模板H。在一些實(shí)施例中，在與濾波器連接的傅里葉變換單元3中，進(jìn)行傅里葉變換，上述空間域特征經(jīng)過(guò)傅里葉變換后的頻域特征。在一些實(shí)施例中，置信度矩陣單元4及預(yù)測(cè)單元5，根據(jù)下述的置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)：f(Z)＝F-1(KXZ·α)其中，KXZ＝∑Zc·conj(Xc)，表示特征模板X與實(shí)時(shí)特征Z的相關(guān)性，其中，c代表不同的通道，α表示嶺回歸矩陣α＝(KXX+λ)-1Y，其中λ＝0.0001，y是服從高斯分布的回歸目標(biāo)。在一些實(shí)施例中，在更新單元6中，根據(jù)新的目標(biāo)位置，提取得到目標(biāo)位置提取特征，得到新的特征模板，所述新的特征模板與特征模板進(jìn)行線性插值更新得到。在所述置信度矩陣中，選取置信度最大值對(duì)應(yīng)的尺度更新目標(biāo)尺度，選擇置信度最大的位移點(diǎn)計(jì)算目標(biāo)新的位置。通過(guò)線性插值更新新的特征模板的方法具體為：X＝((1-δ)×X1)+(δ×X2)其中，δ＝0.05，X1表示特征模板，X2表示新的特征模板。圖9是本發(fā)明一實(shí)施例中的高級(jí)駕駛輔助系統(tǒng)結(jié)構(gòu)示意圖在本實(shí)施例中的高級(jí)駕駛輔助系統(tǒng)，包括基于頻域回歸模型目標(biāo)追蹤系統(tǒng)10、安裝在車上的視覺傳感器11以及預(yù)警單元12，視覺傳感器11，用以采集視頻數(shù)據(jù)；所述基于頻域回歸模型目標(biāo)追蹤系統(tǒng)10，用以從所述視頻數(shù)據(jù)中選擇目標(biāo)區(qū)域，根據(jù)所述目標(biāo)區(qū)域中的圖像提取空間域特征；對(duì)所述空間域特征進(jìn)行漢明濾波后再進(jìn)行傅里葉變換，得到實(shí)時(shí)特征；根據(jù)特征模板與所述實(shí)時(shí)特征進(jìn)行回歸運(yùn)算得到置信度矩陣，對(duì)所述目標(biāo)的位移結(jié)果進(jìn)行預(yù)測(cè)；變換尺度重復(fù)上述步驟，并預(yù)測(cè)出目標(biāo)區(qū)域的尺度和位移變化，完成對(duì)目標(biāo)的追蹤；預(yù)警單元12，用以在檢測(cè)到目標(biāo)車輛和行人的位置后，通過(guò)標(biāo)追蹤系統(tǒng)實(shí)時(shí)跟蹤上述目標(biāo)的位置，提示駕駛員是否有碰撞前方的車輛和行人的危險(xiǎn)。所屬領(lǐng)域的普通技術(shù)人員應(yīng)當(dāng)理解：以上，所述僅為本發(fā)明的具體實(shí)施例而已，并不用于限制本發(fā)明，凡在本發(fā)明的精神和原則之內(nèi)，所做的任何修改、等同替換、改進(jìn)等，均應(yīng)包含在本發(fā)明的保護(hù)范圍之內(nèi)。當(dāng)前第1頁(yè)1 2 3