一種基于vector boosting模板更新的運(yùn)動(dòng)目標(biāo)跟蹤方法
【專利摘要】本發(fā)明公開了一種基于vector boosting模板更新的目標(biāo)跟蹤方法，包括以下步驟：輸入跟蹤視頻序列，在第一幀檢測(cè)到目標(biāo)位置的基礎(chǔ)上，生成正負(fù)樣本，用vector boosting的算法，構(gòu)造模板，以及造貝葉斯分類器；在下一幀到來的時(shí)候，在上一幀目標(biāo)位置的周圍，產(chǎn)生很多候選的目標(biāo)區(qū)域，接著，用上一幀訓(xùn)練的分類器，找到響應(yīng)最大的區(qū)域，作為這一幀的目標(biāo)位置，當(dāng)出現(xiàn)分類器相應(yīng)低的情況時(shí)，引進(jìn)了預(yù)測(cè)機(jī)制，用當(dāng)前幀的前兩幀的目標(biāo)運(yùn)動(dòng)狀態(tài)，對(duì)跟錯(cuò)的目標(biāo)進(jìn)行校正，用最新跟蹤到的目標(biāo)信息進(jìn)行模板和分類器的更新。本發(fā)明提出的自適應(yīng)目標(biāo)跟蹤的算法，實(shí)時(shí)性較高，達(dá)到60幀每秒的跟蹤速度，跟蹤效果較好，能夠處理跟蹤中出現(xiàn)的遮擋，形變，快速運(yùn)動(dòng)等挑戰(zhàn)。
【專利說明】
一種基于vector boost i ng模板更新的運(yùn)動(dòng)目標(biāo)跟蹤方法
技術(shù)領(lǐng)域
[0001] 本發(fā)明屬于圖像信息處理技術(shù)領(lǐng)域，尤其涉及一種vector boosting模板更新的 運(yùn)動(dòng)目標(biāo)跟蹤方法。
【背景技術(shù)】
[0002] 計(jì)算機(jī)視覺起源于二十世紀(jì)七十年代，可以看成是利用模擬的人類視覺系統(tǒng)，通 過機(jī)器替代人眼進(jìn)行觀察，使計(jì)算機(jī)具有人腦般的視覺分析的能力，從而實(shí)現(xiàn)在目標(biāo)的識(shí) 另IJ、跟蹤等。隨著其研究領(lǐng)域越來越廣泛，計(jì)算機(jī)視覺成為了計(jì)算機(jī)科學(xué)的一個(gè)獨(dú)立分支， 計(jì)算機(jī)技術(shù)的一個(gè)重要研究方向，而計(jì)算機(jī)視覺中的一個(gè)重要環(huán)節(jié)就是目標(biāo)跟蹤。
[0003] 近年來，目標(biāo)跟蹤作為計(jì)算機(jī)視覺和模式識(shí)別領(lǐng)域的一個(gè)被廣泛研究的課題，在 視頻監(jiān)控、智能交通、智能人機(jī)交互、視頻壓縮、軍用領(lǐng)域等領(lǐng)域有著諸多的應(yīng)用。目標(biāo)跟蹤 可以理解為在視頻序列中給出第一幀的初始位置之后，確定后續(xù)幀中的目標(biāo)運(yùn)動(dòng)軌跡和位 置等參數(shù)，從而進(jìn)行跟蹤。
[0004] Donoho于2006年首先提出壓縮感知(CS)的概念，該理論隨即就在數(shù)學(xué)和工程應(yīng)用 等領(lǐng)域產(chǎn)生了深刻影響，國(guó)內(nèi)外學(xué)者都對(duì)此進(jìn)行了深入的研究。最近也有人嘗試把壓縮感 知理論應(yīng)用于目標(biāo)跟蹤。比較有代表性的兩個(gè)成果是Li等人基于壓縮感知理論拓展L1跟蹤 算法，使得跟蹤速率比原來的L1跟蹤算法提高了超過5000倍;張開華等人把壓縮感知理論 拓展到基于檢測(cè)的目標(biāo)跟蹤方法，大大地提高了跟蹤效果和實(shí)時(shí)性。為了得到更好的跟蹤 效果和實(shí)時(shí)性，相關(guān)文獻(xiàn)指出提出的算法尚有兩大問題需要解決:挑選高區(qū)分率的目標(biāo)特 征;確保更新后目標(biāo)模型的正確性。
[0005] Levis和Weiss認(rèn)為好特征對(duì)于系統(tǒng)從少量樣本中學(xué)習(xí)的能力影響很大。Jebare認(rèn) 為在分類方法中考慮特征選擇至關(guān)重要。Zhu等人提出了一種多樣化判別方法選擇頻繁子 圖特征。在輸入數(shù)據(jù)可以被線性分類器預(yù)測(cè)的假設(shè)條件下，Yang等人把判別分析與L 2>1范式 最小化合并成一個(gè)聯(lián)合框架用于半監(jiān)督特征選擇。Babenko等人基于包的似然概率最大化 從250個(gè)Haar-like特征中選擇50個(gè)最強(qiáng)判別力的特征用于檢測(cè)目標(biāo).該方法不適合沒有包 的實(shí)時(shí)壓縮感知跟蹤"。
[0006] 現(xiàn)有的基于壓縮感知的目標(biāo)跟蹤，還存在很多不足。例如對(duì)于目標(biāo)表觀變化，光照 變化等目標(biāo)外觀變化情況的處理，以及當(dāng)目標(biāo)受到嚴(yán)重遮擋時(shí)如何錯(cuò)誤避免跟蹤。本專利 引入vector boosting來構(gòu)建在前景和背景區(qū)分度最大模板，并且通過對(duì)模板更新來考慮 外觀的變化，在分類器置信度偏低時(shí)，用在線軌跡矯正來預(yù)測(cè)當(dāng)前幀的目標(biāo)位置，同時(shí)停止 更新模板和分類器，避免錯(cuò)誤更新導(dǎo)致的錯(cuò)誤跟蹤。

【發(fā)明內(nèi)容】

[0007] 基于壓縮感知的視頻目標(biāo)跟蹤算法取得了一定的成果，但是壓縮感知模型對(duì)于光 照，形變，遮擋等處理仍存在不足。在目標(biāo)外觀變化以及受到遮擋，光照變化的情況下，如何 有效更新特征模板自適應(yīng)地表示目標(biāo)的外觀模型，以及如何處理遮擋出現(xiàn)時(shí)候目標(biāo)丟失。 本發(fā)明利用vector boosting提取能夠最大程度區(qū)分正負(fù)樣本的特征模板，當(dāng)出現(xiàn)分類器 置信度偏低的情況時(shí)，用當(dāng)前幀前兩幀的目標(biāo)運(yùn)動(dòng)狀態(tài)對(duì)目標(biāo)的位置進(jìn)行預(yù)測(cè)，并且，采用 保守地方式對(duì)目標(biāo)的模板和分類器進(jìn)行更新，目的是能夠自適應(yīng)地表示目標(biāo)表觀的模型。 主要包括以下3個(gè)主要方面。
[0008] 在線vector boosting的特征選擇：
[0009] 首先在第一幀的目標(biāo)位置周圍，提取正負(fù)樣本： F q Z^=#||R(p)-IJca n、
[0010] (1) Da3 = {p|a<HIf(p)-l1|i<pj-
[0011]其中，h表示的是第一幀的目標(biāo)位置，一般通過檢測(cè)可以得到。0°正樣本的集合，D M是負(fù)樣本的集合。
[0012]本專利采用Vector boosting的方法，學(xué)習(xí)特征模板，使得在該特征模板下，能夠 將正負(fù)樣本集（1)最大地區(qū)分開來。假設(shè)特征模板T是一個(gè)MXc個(gè)塊的組合，這個(gè)組合能夠 最大化這個(gè)式子： M
[0013] imi^n(2) i=i
[0014] 對(duì)于T中的每一行的塊，先隨機(jī)產(chǎn)生n個(gè)大小相同的塊，然后要從里面隨機(jī)選取得 至Ijc個(gè)塊的組合，使得：
[0016]其中分別表示平均的正負(fù)樣本表示，表示的是塊在正負(fù)樣本上的平 均表示。
[0017] 從而得到：
[0019] 所以（2)式中的問題就轉(zhuǎn)換成，求解最大化的(4)式：
[0020] {za,,..,z^} = argmax{-…(5)
[0021] (5)式可以轉(zhuǎn)化成迭代優(yōu)化的過程：
[0022] (/?;,a,) = argjriax,; fi C(H j , + ah,) (6)
[0023] 具體求解過程如下，其中選擇出來的塊就相當(dāng)于一個(gè)弱分類器h1J:
[0024] 1.隨機(jī)產(chǎn)生固定大小，位置隨機(jī)的一組塊Zl,p改組塊在正負(fù)樣本的表示成： z;，z"，假設(shè)初始的Hi，j = 0;
[0025] 2 ?從Zl,沖隨機(jī)選取一個(gè)塊，J =#(1^. +H
[0026] 3 ?記錄下滿足條件的塊：講；二argmax,"、；T" ；
[0027] 4.這個(gè)塊就作為一個(gè)弱分類器;
[0028] 5.用來組合形成強(qiáng)分類器= 1^+1^。
[0029]重復(fù)執(zhí)行此過程直至選出特征模板中的所有塊。
[0030]選出塊以后，通過壓縮感知的理論，將圖片在這個(gè)特征模板上面投影，得到目標(biāo)的 haar特征作為每個(gè)矩形框的特征。
[0031]正負(fù)樣本分別在特征模板上面進(jìn)行投影，就會(huì)得到正負(fù)樣本的特征向量，用來構(gòu) 建貝葉斯分類器，當(dāng)出現(xiàn)下一幀圖像時(shí)，滿足DY = {p| | iMphlt-il |<y }條件的作為當(dāng)前 幀目標(biāo)的候選框，在這些候選框上，用學(xué)到的模板T提取特征，投到分類器中求解響應(yīng)值，響 應(yīng)最大的位置為當(dāng)前幀候選的目標(biāo)位置。
[0032]在線特征模板的更新：
[0033] 模板更新的主要目的是考慮目標(biāo)的外觀，會(huì)隨著時(shí)間進(jìn)行變換，如果不更新模板 的話，會(huì)造成模板不能有效地提取特征，最后導(dǎo)致跟蹤過程中目標(biāo)的丟失。本專利采用保守 的模板更新的方式：只更新包含信息變化大的模板塊，保持包含信息變化不大的模板塊。假 設(shè)~二|h;/(p,)-~卬^化表示相鄰兩幀之間的第i行第j個(gè)模板中的小塊包含的信息的 變化，如果信息的變化超過一定的閾值，就用在當(dāng)前幀學(xué)習(xí)到的小塊代替原來的位置，用公 式表不為：
[0034] hij(pt) =nhij(pt) + (l_n)hij(pt-1) ? (7)
[0035] 在線軌跡的矯正：
[0036]跟蹤的任務(wù)被看做是一個(gè)二分類的問題，一類是正樣本，一類是負(fù)樣本。本專利中 構(gòu)建樸素貝葉斯分類器對(duì)提取的候選框的特征做分類。
[0038] 其中，假設(shè)條件分布滿足高斯分布：
[0039] 戶(^|7 = +)~；^?,〇,/7〇,'|3；=-)~,\'(|17,〇7)， （9)
[0040] 「分別表示第i個(gè)正樣本的均值和方差，同理可得的含義。
[0041] 貝葉斯分類器的參數(shù)采用增量更新的方式進(jìn)行更新：
(10)
[0043] 本發(fā)明完整的方法操作流程如下：
[0044] 步驟1)、輸入第t幀圖像。
[0045] 步驟2)、在lt-咖位置處提取候選框的位置DY = {p| | IMpXhI |<y丨山^是上 一幀的目標(biāo)位置，Y是搜索區(qū)域的半徑，滿足條件的lt(p)構(gòu)成當(dāng)前幀的候選框。
[0046] 步驟3)、運(yùn)用上一幀構(gòu)建的分類器(8)，找到置信度最大的目標(biāo)位置。
[0047] 步驟4)、如果，置信度比0小，證明估計(jì)出的位置很有可能是錯(cuò)的，就用前兩幀的運(yùn) 動(dòng)狀態(tài)，對(duì)這一幀的目標(biāo)位置進(jìn)行較正，得到當(dāng)前幀目標(biāo)的位置It。
[0048] 步驟5)、如果，置信度比0大，則估計(jì)的位置是正確的位置，得到當(dāng)前幀目標(biāo)的位置 11 〇
[0049]步驟6)、在lt周圍提取正負(fù)樣本，正樣本的區(qū)域是:Da={p| | |lt(p)_lt| |<U，負(fù) 樣本的區(qū)域是:Da'e={p|a<| |lt(p)_lt| |<則，其中G<a<e。
[0050]步驟7 )、更新特征的模板，根據(jù)公式(7)。
[0051 ]步驟8)、更新分類器，根據(jù)公式(10)。
[0052]步驟9)、輸出當(dāng)前幀跟蹤到的目標(biāo)位置It。
[0053]有益效果
[0054]本發(fā)明提出的自適應(yīng)目標(biāo)跟蹤的算法，實(shí)時(shí)性較高，達(dá)到60幀每秒的跟蹤速度，跟 蹤效果較好，能夠處理跟蹤中出現(xiàn)的遮擋，形變，快速運(yùn)動(dòng)等挑戰(zhàn)
【附圖說明】
[0055]圖1是本發(fā)明基于vector boosting模板更新的自適應(yīng)壓縮感知的目標(biāo)跟蹤算法 流程示意圖。
[0056]圖2評(píng)價(jià)指標(biāo)的示意圖。（a)中心點(diǎn)位置誤差示意圖；（b)重疊率示意圖。（A是指跟 蹤到的目標(biāo)位置，B是指目標(biāo)的實(shí)際位置。）
[0057]圖3算法對(duì)于目標(biāo)形變的測(cè)試。
[0058]圖4算法對(duì)于遮擋的測(cè)試。
[0059]圖5算法對(duì)于光照變化的測(cè)試。
[0060]圖6算法的定性評(píng)價(jià)。
【具體實(shí)施方式】
[0061] 下面結(jié)合附圖對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。
[0062] 為了便于理解本發(fā)明技術(shù)方案，給出一個(gè)具體實(shí)施例。本實(shí)施例將本發(fā)明所提供 的技術(shù)方案應(yīng)用到環(huán)境復(fù)雜的實(shí)際視頻序列中，進(jìn)行運(yùn)動(dòng)目標(biāo)跟蹤。該測(cè)試序列規(guī)格是484 X 326,共391幀，測(cè)試序列來自標(biāo)準(zhǔn)的公共視頻測(cè)試序列庫。利用本發(fā)明所提出的基于 vector boosting模板更新的自適應(yīng)壓縮感知的目標(biāo)跟蹤的算法，
[0063] 如圖1所示，本實(shí)施例的運(yùn)動(dòng)目標(biāo)檢測(cè)過程具體如下：
[0064]步驟1、輸入第1幀圖像，在第一幀的目標(biāo)周圍提取正負(fù)樣本，正樣本的區(qū)域0°=化 | IlKphhl |<4}，以及負(fù)樣本Da'e={p|8<| IlKphhl |<45}，第一幀目標(biāo)的位置是由 檢測(cè)器檢測(cè)到的[73，126，29，23]。接著用vector boosting算法構(gòu)造特征的模板，根據(jù)目標(biāo) 的大小，我們對(duì)模板中塊的大小進(jìn)行約束:2<w< 10，2<h<8，模板中的每一行的確定過程 如下:首先隨機(jī)產(chǎn)生一個(gè)小塊的大小，滿足上面的限制條件，模板中每行塊的大小是一樣大 的，接著，隨機(jī)產(chǎn)生20個(gè)小塊，這些小塊位置隨機(jī)(在目標(biāo)框中），大小相同，我們的目的就是 從這20個(gè)小塊中選出5個(gè)構(gòu)成模板中的一行，大致過程是:在20個(gè)小塊中選出一個(gè)小塊，把 這個(gè)小塊對(duì)應(yīng)的正負(fù)樣本上塊取出來，把小塊在正樣本的區(qū)域，對(duì)應(yīng)的位置相加，得到一個(gè)列 向量&丨，同理可得小塊在負(fù)樣本位置上得到的列向量求出1
接著剩下的塊中，選擇塊加入上一個(gè)選擇的塊中，構(gòu)成一個(gè)組合，新選出的塊加入組合中的 目標(biāo)是讓選出來的塊在正負(fù)樣本表示出來的列向量，分離地最開。重復(fù)以上的選塊過程，直 到選出5個(gè)塊，構(gòu)成模板中的一行。然后重復(fù)以上模板中第一行的產(chǎn)生過程，產(chǎn)生其他行，最 后得到的模板是由150組這樣的塊構(gòu)成，每組5個(gè)小塊。模板在正負(fù)樣本上面進(jìn)行投影，得到 的就是每個(gè)樣本的特征向量。下面的公式得到的就是第一幀構(gòu)成的分類器。
):
[0066] 步驟2、：在lt-咖位置處提取候選框的位置DY = {p| | IMpXhI |<y丨山^是上 一幀的目標(biāo)位置，Y是搜索區(qū)域的半徑，滿足條件的lt(p)構(gòu)成當(dāng)前幀的候選框。
[0067] 步驟3、運(yùn)用上一幀構(gòu)建的分類器，找到置信度最大的目標(biāo)位置。
[0069]步驟4、如果，置信度比0小，證明估計(jì)出的位置很有可能是錯(cuò)的，就用前兩幀的運(yùn) 動(dòng)狀態(tài)，對(duì)這一幀的目標(biāo)位置進(jìn)行較正，得到當(dāng)前幀目標(biāo)的位置It。
[0070]步驟5、如果，置信度比0大，則估計(jì)的位置是正確的位置，得到當(dāng)前幀目標(biāo)的位置 11 〇
[0071]步驟6、在lt周圍提取正負(fù)樣本，正樣本的區(qū)域是:Da={p| I |lt(p)-lt| |<2}，負(fù)樣 本的區(qū)域是:Da'e={p|a<| |lt(p)-lt| |<0}，其中G<a<0。
[0072]步驟7、更新特征的模板，根據(jù)公式(7)。
[0073]步驟8、更新分類器，根據(jù)公式（10)。
[0074] 步驟9、輸出當(dāng)前幀跟蹤到的目標(biāo)位置It。
[0075] 實(shí)驗(yàn)的評(píng)價(jià)使用定性和定量?jī)煞N分析方法。
[0076] 評(píng)價(jià)目標(biāo)跟蹤算法的性能，一般來說有兩種評(píng)價(jià)的指標(biāo)：中心點(diǎn)位置誤差和目標(biāo) 重疊率，這兩種評(píng)價(jià)指標(biāo)的示意圖如圖2所示。
[0077] 如圖2(a)所示，t時(shí)刻跟蹤窗口的位置為Pt，對(duì)應(yīng)的圖像坐標(biāo)是(Xt，yt)，目標(biāo)的真 實(shí)位置為七，圖像坐標(biāo)是氏次），那么中心點(diǎn)位置誤差可以表示為：
(13)
[0079]如圖2(b)所示，表示跟蹤窗口的矩形窗口是Rt，表示目標(biāo)真實(shí)位置的矩形窗口是 Rg，用兩個(gè)矩形框Rt與Rg的重疊區(qū)域R'=RTnRG的面積在整個(gè)公共區(qū)域RTUR G的面積比表示 目標(biāo)重疊率，即為： (14)
[0081 ]其中S(R)表示R窗口的面積。在重疊率1的時(shí)候，跟蹤窗口 Rt的位置以及大小接 近于目標(biāo)的真實(shí)窗口 Rc。而本文中用的重疊率曲線是指
，其中U和n分別表示 兩個(gè)區(qū)域相交的部分和聯(lián)合的部分，I ? I表示在區(qū)域內(nèi)的像素的數(shù)目。
[0082]除了以上兩種評(píng)價(jià)指標(biāo)外，本文還使用了 2013Benchmark中介紹其他幾種評(píng)價(jià)指 標(biāo)，這使得評(píng)價(jià)指標(biāo)種類更多，更加合理。主要有以下幾種：
[0083] (1)準(zhǔn)確率曲線(Precision plot)。前面提到的中心點(diǎn)位置誤差在跟蹤器丟失目 標(biāo)時(shí)，輸出的位置可能是隨機(jī)的，這時(shí)的中心點(diǎn)位置誤差就不能夠正確的評(píng)價(jià)跟蹤性能。而 準(zhǔn)確率曲線就可以用來衡量整個(gè)的跟蹤過程。準(zhǔn)確率曲線指估計(jì)的位置在給定閾值距離內(nèi) 的幀數(shù)占總幀數(shù)的比重。本文實(shí)驗(yàn)中采用的的閾值是20個(gè)像素。
[0084] (2)成功率曲線（Success plot)。成功率曲線指的是邊界框的重疊率。對(duì)于給定的 跟蹤邊界框Rt和目標(biāo)真實(shí)位置的邊界框Rg，重疊的得分定義為；
，其中u和n 分別表示兩個(gè)區(qū)域相交的部分和聯(lián)合的部分，I ? I表示在區(qū)域內(nèi)的像素的數(shù)目。為了評(píng)估 在一個(gè)視頻序列中算法的性能，我們計(jì)算重疊率s比給定閾值t〇大的像素的數(shù)目。成功率曲 線反映了比0-1之間變化的閾值大的幀數(shù)占總幀數(shù)的比重。使用一個(gè)給定的閾值可能有失 公正或缺少代表性，所以運(yùn)用在成功率曲線下面的區(qū)域AUC(area under curve)來對(duì)跟蹤 算法的性能進(jìn)行排列。
[0085] (3)0PE(one_pass evaluation)。傳統(tǒng)的評(píng)估跟蹤器的方式是在第一幀中用標(biāo)注 的位置進(jìn)行初始化，再在整個(gè)視頻序列中進(jìn)行跟蹤，最后記錄平均的準(zhǔn)確率曲線或者成功 率曲線。把這種方式稱為0PE(one_pass evaluation) 〇 [0086] 定性分析：
[0087]將本專利提出的算法在Benchmark中具有挑戰(zhàn)性的視頻上進(jìn)行測(cè)試，來測(cè)試本專 利算法的魯棒性和穩(wěn)定性。
[0088]圖3-圖5將本專利的算法和Benchmark中性能排前10的算法進(jìn)行比較，主要比較了 算法對(duì)于形變，遮擋，光照處理的性能，當(dāng)然，么一個(gè)視頻不止只包括一個(gè)屬性，視頻中的目 標(biāo)中同樣面臨快速運(yùn)動(dòng)，平面內(nèi)旋轉(zhuǎn)，平面外旋轉(zhuǎn)，運(yùn)動(dòng)模糊等挑戰(zhàn)。下面，逐一對(duì)各個(gè)視頻 屬性進(jìn)行分析。
[0089] 圖3中，目標(biāo)在運(yùn)動(dòng)過程中，目標(biāo)的外觀會(huì)隨著時(shí)間變換，本專利提出的算法，跟蹤 效果較好，主要原因是，本專利的算法在跟蹤過程中，對(duì)特征模板和外觀模型進(jìn)行了更新， 讓目標(biāo)外觀能夠考慮到形變，所以能夠較好地跟蹤外觀變化的目標(biāo)。
[0090] 圖4中，目標(biāo)在運(yùn)動(dòng)過程中，目標(biāo)會(huì)受到遮擋，本專利提出的算法，跟蹤效果較好， 主要原因是，本專利的算法在跟蹤過程中，對(duì)遮擋進(jìn)行了處理，采取了在線軌跡的矯正，就 是在分類器的置信度低于〇時(shí)，停止目標(biāo)模板和分類器的更新，而是用當(dāng)前幀前兩幀的運(yùn)行 狀態(tài)對(duì)目標(biāo)的運(yùn)動(dòng)軌跡進(jìn)行預(yù)測(cè)。實(shí)驗(yàn)結(jié)果表明，這種對(duì)遮擋的處理方式是有效的。
[0091] 圖5中，目標(biāo)在運(yùn)動(dòng)過程中，目標(biāo)會(huì)受到光照的變化的影響，本專利提出的算法，跟 蹤效果$父好，主要原因是，本專利的算法在跟蹤過程中，在對(duì)目標(biāo)模板利用vector boosting 選擇的過程中，是對(duì)規(guī)范化的目標(biāo)塊進(jìn)行處理，選出來的塊構(gòu)成的模板，是對(duì)光照變化魯棒 的。實(shí)驗(yàn)結(jié)果表明，這種對(duì)光照的處理方式是有效的。
[0092]定量分析：
[0093]本專利提出的算法，在Benchmark進(jìn)行了定量的評(píng)測(cè)，見圖6,在準(zhǔn)確率曲線和成功 率曲線上，均排在首位，體現(xiàn)了本專利提出算法較好的性能。并且，本專利提出的算法跟蹤 速度快，能夠達(dá)到60幀每秒，達(dá)到了實(shí)時(shí)性。
[0094]綜上可知，相對(duì)于現(xiàn)有的跟蹤算法不能較好處理遮擋，外觀形變，光照變化等挑戰(zhàn) 的問題，本專利提出的算法能夠較好處理這些挑戰(zhàn)性的問題。本發(fā)明提出的算法，用vector boosting的方式，學(xué)習(xí)得到在正負(fù)樣本上區(qū)分度大的目標(biāo)模板，并且根據(jù)目標(biāo)外觀的變化， 對(duì)目標(biāo)的模板和分類器進(jìn)行更新，以此來考慮目標(biāo)外觀的變化，防止跟蹤的漂移，并且，當(dāng) 分類器的置信度低于一定閾值的時(shí)候，停止目標(biāo)模板和分類器的更新，用前兩幀的運(yùn)動(dòng)狀 態(tài)對(duì)目標(biāo)的運(yùn)動(dòng)狀態(tài)進(jìn)行預(yù)測(cè)。無論是從跟蹤的準(zhǔn)確率還是從視覺效果上來看，都呈現(xiàn)出 一定的優(yōu)勢(shì)。
【主權(quán)項(xiàng)】
1. 一種基于vector boosting模板更新的運(yùn)動(dòng)目標(biāo)跟蹤方法，其特征在于，構(gòu)建視頻數(shù) 據(jù)的自適應(yīng)目標(biāo)外觀變化模型，運(yùn)用特征模板更新，分類器更新，在線軌跡矯正來提高跟蹤 算法的魯棒新，包括以下步驟： 步驟1)、輸入第t幀圖像； 步驟2)、在Ih的位置處提取候選框的位置DY = {p| I Ilt(P)-InI |<丫}，1*-1是上一幀 的目標(biāo)位置，Y是搜索區(qū)域的半徑，滿足條件的It(P)構(gòu)成當(dāng)前幀的候選框； 步驟3)、運(yùn)用上一幀構(gòu)建的分類器，找到置信度最大的目標(biāo)位置； 步驟4)、如果，置信度比0小，證明估計(jì)出的位置很有可能是錯(cuò)的，就用前兩幀的運(yùn)動(dòng)狀 態(tài)，對(duì)這一幀的目標(biāo)位置進(jìn)行較正，得到當(dāng)前幀目標(biāo)的位置It; 步驟5)、如果，置信度比0大，則估計(jì)的位置是正確的位置，得到當(dāng)前幀目標(biāo)的位置It; 步驟6)、在It周圍提取正負(fù)樣本，正樣本的區(qū)域是:Da={p| I Ilt(P)-ItI |<ζ}，負(fù)樣本的 區(qū)域是:Da'e={p|a<| |lt(p)-lt| |<β}，其中ζ<α<β; 步驟7)、更新特征的模板； 步驟8)、更新分類器； 步驟9 )、輸出當(dāng)前幀跟蹤到的目標(biāo)位置It。2. 跟據(jù)權(quán)利要求1所述的方法，其特征在于:步驟2)中的搜索半徑為25個(gè)像素。3. 跟據(jù)權(quán)利要求1所述基于的運(yùn)動(dòng)目標(biāo)跟蹤方法，其特征在于:步驟3)中的構(gòu)造的分類 器，正樣本在目標(biāo)的周圍2個(gè)像素取到。4. 跟據(jù)權(quán)利要求1所述基于vector boosting模板更新的運(yùn)動(dòng)目標(biāo)跟蹤方法，其特征在 于:步驟4)中的軌跡矯正，是根據(jù)前兩幀的運(yùn)動(dòng)狀態(tài)軌跡進(jìn)行預(yù)測(cè)。5. 跟據(jù)權(quán)利要求1所述的方法，其特征在于：步驟7)中的模板更新和構(gòu)造都是基于 vector boosting。
【文檔編號(hào)】G06K9/00GK105930808SQ201610263589
【公開日】2016年9月7日
【申請(qǐng)日】2016年4月26日
【發(fā)明人】劉青山, 楊靜, 張開華
【申請(qǐng)人】南京信息工程大學(xué)