[發明專利]基于分塊的非特定目標實時跟蹤方法

無效

• 申請號: 201010184876.8
• 申請日: 2010-05-25
• 公開（公告）號: CN101867699A
• 公開（公告）日: 2010-10-20
• 發明（設計）人: 俞能海;周維;莊連生
• 申請（專利權）人: 中國科學技術大學
• 主分類號: H04N5/14
• 分類號: H04N5/14;G06T7/20;G06K9/00;G06K9/62
• 代理公司: 暫無信息
• 代理人: 暫無信息

技術領域

本發明涉及視頻中目標跟蹤方法，特別涉及一種基于分塊的非特定目標實時跟蹤方法。

背景技術

目標跟蹤是計算機視覺和自動化領域一個重要的工作，在軍事和民用方面都有著非常廣泛的應用。如人機交互，智能交通，安全監控，機器人，空中預警等。這些應用都對自動的實時目標跟蹤提出了較高的需求和要求。

目前視頻目標跟蹤方法有許多種，如基于輪廓或者模板匹配的，基于濾波器的，基于分類的等等。比較突出的是最近兩年由Dorin?Comaniciu提出的mean-shift跟蹤算法，AmitAdam提出的基于片段的跟蹤方法(Frag?Tracker)，Helmut?Grabner提出的(監督/半監督)在線Adaboost跟蹤算法(OABTracker)和美國加州大學Boris?Babenko提出的多示例學習跟蹤算法(MILTracker)。前兩種方法都對目標運動和外觀變化顯著的目標跟蹤能力較弱，在線Adaboost方法能較好的適應目標的外觀變化，但是容易出現漂移，跟蹤時間稍長則可能丟失目標，而且對遮擋的處理能力較弱，第四種方法較在線Adaboost方法增強了對目標外觀的自適應能力，也有一定的遮擋處理能力，但是運算復雜度較高，實時性低。此外這些方法都是將目標作為一個整體進行跟蹤，不能區分地處理目標不同部分，由姿態、遮擋等因素引起的局部外觀變化會對跟蹤結果產生明顯不利的影響。Bo?Wu等人2007年提出了分部式行人跟蹤方法，該方法是專門針對行人為目標的跟蹤，其分塊是結構化的具有語義概率的頭部，軀干等等，需要預先訓練的身體各部位檢測器，對一般化的目標不具有普適性。

發明內容

本發明的目的在于將跟蹤的注意力集中于目標區域相對較穩定的部分，并主要根據這些部分做出判決，提高對目標外觀變化的自適應能力和對遮擋的魯棒性，彌補現有目標跟蹤方法的缺點，實現對非特定類型目標的準確而實時的跟蹤。因此我們對目標進行非語義的分塊處理，先分別以各個塊為目標進行分類器學習和檢測，然后綜合各個塊的結果確定目標在新視頻幀中的位置，為對各目標塊區別對待，我們賦予每個塊一個權重，并設計了一個權重更新機制，根據前一幀的跟蹤結果逐幀地更新權重。該方法在保持低計算復雜度的同時，顯著的提高了跟蹤的準確性。

為達到上述目的，本發明提供一種基于分塊的非特定目標實時跟蹤方法，對視頻逐幀地進行目標定位，對每一幀的處理都包括分類器更新，目標檢測和權重更新三大步驟。

所述的分類器學習步驟為：

步驟a，分塊。根據已經獲得的目標位置和大小信息，將目標區域劃分為均勻大小互不重疊的矩形塊，它們并不需要具有語義特征，分割非常簡單對任意目標都適用，塊與塊相互之間的關聯也僅僅是空間鄰接關系。在第一幀時確定塊的大小和數目，后續的每一幀都照此劃分，各個塊中心與目標中心具有一個固定的偏移量塊的大小控制在16*16-50*50像素之間，塊的數目K控制在4-12之間，但是以上的限制都非強制性的；

步驟b，對每一個目標圖像塊維護一個分類器C_k，并在每一幀進行更新在線Adaboost分類器，具體的步驟又可分為：

(1)抽取訓練樣本。以當前圖像塊為正樣本，從其附近的區域隨機取出20-50個圖像塊為負樣本，提取N維haar-like特征；

(2)用在線Adaboost算法更新弱分類器并選擇出n個弱分類器組成新的C_k。

所述的目標檢測步驟為：

步驟c，對于新得到的第t幀，用分類器C_k在第k塊附近R個像素半徑區域內進行遍歷檢測，計算分類器對每個位置(i，j)的得分值C_k(i，j)(未進行類別量化的連續值)，得到分類器得分圖I_k，并進一步計算K個局部置信圖