[發(fā)明專利]在線式視覺(jué)跟蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201210533131.7
• 申請(qǐng)日: 2012-12-11
• 公開（公告）號(hào): CN103150572A
• 公開（公告）日: 2013-06-12
• 發(fā)明（設(shè)計(jì)）人: 楊田雨;李抱樸;胡超;孟慶虎
• 申請(qǐng)（專利權(quán)）人: 中國(guó)科學(xué)院深圳先進(jìn)技術(shù)研究院
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62;G06T7/20
• 代理公司: 深圳市科進(jìn)知識(shí)產(chǎn)權(quán)代理事務(wù)所(普通合伙) 44316
• 代理人: 宋鷹武

1.一種在線式視覺(jué)跟蹤方法，其特征在于，包括以下步驟進(jìn)行：

(1)、初始化分類器：

獲取第一幀圖像，標(biāo)示待跟蹤目標(biāo)區(qū)域；

計(jì)算所述目標(biāo)區(qū)域中圖像塊的類哈爾特征，初始化第一分類器；

計(jì)算所述目標(biāo)區(qū)域中圖像塊的二進(jìn)制編碼特征，初始化第二分類器；

(2)、自適應(yīng)跟蹤：基于結(jié)構(gòu)化輸出的支持向量機(jī)，并結(jié)合粒子濾波器的跟蹤，建立運(yùn)動(dòng)模型；

(3)、重新捕獲目標(biāo)：利用第一分類器更新訓(xùn)練樣本，之后利用第二分類器建立全局網(wǎng)格，進(jìn)行全局的搜索。

2.根據(jù)權(quán)利要求1所述的在線式視覺(jué)跟蹤方法，其特征在于，所述計(jì)算所述目標(biāo)區(qū)域中圖像塊的類哈爾特征，初始化第一分類器的步驟包括，

計(jì)算哈爾特征值；

計(jì)算所述圖像塊的全部哈爾特征向量，利用所述哈爾特征向量初始化第一分類器。

3.根據(jù)權(quán)利要求1所述的在線式視覺(jué)跟蹤方法，其特征在于，所述計(jì)算所述目標(biāo)區(qū)域中圖像塊的二進(jìn)制編碼特征，初始化第二分類器的步驟包括，

仿射變換所述圖像塊；

計(jì)算所述仿射變換后的圖像塊的二進(jìn)制編碼特征；

以目標(biāo)區(qū)域?yàn)榛鶞?zhǔn)，創(chuàng)建全局范圍內(nèi)的方框群，用于第二分類器的全局搜索。

4.根據(jù)權(quán)利要求1所述的在線式視覺(jué)跟蹤方法，其特征在于，步驟(2)具體包括，

構(gòu)建粒子濾波器的狀態(tài)空間：以向量(x，y，s，w，h，C)表示狀態(tài)空間，其中，(x，y)代表目標(biāo)區(qū)域的點(diǎn)的坐標(biāo)，w、h分別代表目標(biāo)區(qū)域的寬度和高度，s代表尺度變化，C代表第一分類器；

初始化狀態(tài)空間：初始化x，y，w，h以及分類器，其中，x，y，w，h由第一幀圖像標(biāo)記區(qū)域的位置決定；分類器由第一幀圖像標(biāo)記區(qū)域內(nèi)圖像塊的哈爾特征值訓(xùn)練獲得；

采用一階自回歸運(yùn)動(dòng)模型；

建立觀察模型：基于結(jié)構(gòu)輸出的支持向量機(jī)為第一分類器，以判定目標(biāo)區(qū)域的位置，包括測(cè)試和訓(xùn)練。

5.根據(jù)權(quán)利要求4所述的在線式視覺(jué)跟蹤方法，其特征在于，所述測(cè)試具體為，當(dāng)獲取新的特征向量時(shí)，計(jì)算所述特征向量與支持向量的加權(quán)和，得到判斷值，對(duì)于判定值最大的特征向量，作為目標(biāo)區(qū)域的正樣本，用于第一分類器訓(xùn)練。

6.根據(jù)權(quán)利要求5所述的在線式視覺(jué)跟蹤方法，其特征在于，所述訓(xùn)練包括，

(1)、作為目標(biāo)區(qū)域的正樣本的特征向量，將所述特征向量歸入支持向量隊(duì)列中作為正支持向量，以所述正樣本的方框?yàn)橹行臉?gòu)建方框群；

(2)、計(jì)算方框群中各方框的梯度，選出梯度最小對(duì)應(yīng)的方框，計(jì)算梯度最小對(duì)應(yīng)的方框的特征向量，并歸入支持向量隊(duì)列作為相應(yīng)的負(fù)支持向量；

(3)、對(duì)支持向量隊(duì)列最小優(yōu)化；

(4)、計(jì)算舊的支持向量隊(duì)列相應(yīng)的梯度，得到最大和最小的梯度，最大和最小的梯度分別作為正、負(fù)支持向量，并進(jìn)行步驟(3)。

7.根據(jù)權(quán)利要求6所述的在線式視覺(jué)跟蹤方法，其特征在于，所述對(duì)支持向量隊(duì)列最小優(yōu)化包括，

(1)、計(jì)算正支持向量與負(fù)支持向量的相關(guān)度；

(2)、更新正支持向量、負(fù)支持向量的權(quán)重系數(shù)；

(3)、更新正支持向量、負(fù)支持向量對(duì)應(yīng)的梯度值。

8.根據(jù)權(quán)利要求1所述的在線式視覺(jué)跟蹤方法，其特征在于，所述重新捕獲目標(biāo)包括，

(1)、初始化分類器，計(jì)算全局區(qū)域各個(gè)方框與標(biāo)記方框的重疊率；

(2)、訓(xùn)練過(guò)程中，正樣本獲取自第一分類器，負(fù)樣本獲取自第一分類器低于閾值方框；

(3)、根據(jù)二進(jìn)制碼的數(shù)值，統(tǒng)計(jì)隨機(jī)厥各個(gè)分支下正、負(fù)樣本的比例；

(4)、第二分類器檢測(cè)與第一分類器跟蹤同步，當(dāng)?shù)诙诸惼鳈z測(cè)到目標(biāo)位置與第一分類器跟蹤的位置不同，則對(duì)目標(biāo)位置重新初始化；

(5)、根據(jù)所述特征向量與支持向量的加權(quán)和，得到判斷值，進(jìn)行整合目標(biāo)的方框位置。

9.根據(jù)權(quán)利要求8所述的在線式視覺(jué)跟蹤方法，其特征在于，所述訓(xùn)練過(guò)程包括，訓(xùn)練和測(cè)試，

訓(xùn)練，仿射變換正樣本圖像塊，檢測(cè)閾值范圍判定負(fù)樣本圖像塊，并計(jì)算正樣本、負(fù)樣本的二進(jìn)制特征值，統(tǒng)計(jì)二進(jìn)制特征值對(duì)應(yīng)的正樣本、負(fù)樣本的數(shù)量，并計(jì)算正樣本的比例；

測(cè)試，輸入新的圖像塊，計(jì)算二進(jìn)制特征值，匹配二進(jìn)制特征值對(duì)應(yīng)的正樣本的比例，測(cè)試判斷是否為正樣本。

10.根據(jù)權(quán)利要求9所述的在線式視覺(jué)跟蹤方法，其特征在于，所述閾值范圍為第二分類器得出的判定值大于0.5，重疊率小于0.2。