低帧率视频目标检测和跟踪方法及其在无人机中的应用与流程

技术特征：

1.一种低帧率视频目标检测和跟踪方法，其特征是包括对目标建立模型，然后在判别式跟踪的框架下，结合检测方，对视频目标实施跟踪。

2.根据权利要求1所述的低帧率视频目标检测和跟踪方法，其特征是具体步骤如下：

(1)对目标周围进行边缘方框算法采样，采样得到的即为潜在目标，超出采样框的将舍弃；

(2)然后基于局部数据，提取图像的局部特征，同时对局部数据进行学习，改善对目标变化的稳定性，以及改善对图像噪声和几何形变具鲁棒性；

(3)用支持向量机作为分类器，采取判别式跟踪的方法，使目标特征具有良好的分类能力，同时克服了以往基于判别式方法里面特征选用不好带来的跟踪丢失的问题；

(4)对支持向量机输出的分数值判断，若支持向量机输出的分数值较高，则认为是目标位置，直接执行第(6)步；若支持向量机输出的分数值较低，则

(5)用边缘方框算法对全图的潜在目标，用支持向量机模型进行分类，确定最终目标位置；

(6)根据预测，更新支持向量机模型。

3.根据权利要求2所述的低帧率视频目标检测和跟踪方法，其特征是所述的局部特征表示为：

K(C，Δx)＝exp(-ds²)＝exp{-Δx^TCΔx}，其中，C的计算如下：

C＝J*J^T,其中，

zGC是图像的高斯曲率。

则C的计算又可表示如下：

式中，v1和v2是矩阵C的特征向量，s1和s2是矩阵C的特征值，特征值s3相对很小，故设定为0.0001，α＝0.1。

4.根据权利要求1～3之一所述的低帧率视频目标检测和跟踪方法在无人机视频跟踪中的应用。

5.一种无人机低帧率视频目标检测和跟踪方法，其特征在于包括如下步骤：

1)用边缘方框算法生成潜在目标，

对目标周围进行边缘方框算法采样，边缘方框算法产生的方框即为潜在目标，超出采样框的将舍弃；

2)计算局部特征，

对图像的每个潜在目标进行局部特征计算；

3)利用支持向量机分类得到目标位置，

使用支持向量机对每个潜在目标的位置输出分数，预测当前帧中潜在目标的位置；

4)对支持向量机输出的分数值判断，

若支持向量机输出的分数值在0.1至0.5之间，则认为是目标位置，但是不执行步骤(6)的更新；

若支持向量机输出的分数值>0.5，则认为是目标位置，执行步骤6)；

若支持向量机输出的分数值<0.1，则认为潜在目标跟踪丢失；

5)全图搜索，

用边缘方框算法在整幅图片里面生成潜在目标，然后使用支持向量机对每个潜在目标的位置输出分数，确定位置；

6)在线更新，

根据预测，用edgeboxes重新采样，更新SVM模型。

6.根据权利要求5所述的无人机低帧率视频目标检测和跟踪方法，其特征是所述的局部特征表示为：

K(C，Δx)＝exp(-ds²)＝exp{-Δx^TCΔx}，其中，C的计算如下：

C＝J*J^T,其中，

zGC是图像的高斯曲率。

则C的计算又可表示如下：

式中，v1和v2是矩阵C的特征向量，s1和s2是矩阵C的特征值，特征值s3相对很小，故设定为0.0001，α＝0.1。