[發明專利]基于改進多示例學習算法的運動目標跟蹤方法

有效

• 申請號: 201310276316.9
• 申請日: 2013-07-03
• 公開（公告）號: CN103325125A
• 公開（公告）日: 2013-09-25
• 發明（設計）人: 賈松敏;王麗佳;白聰軒;李秀智;王爽
• 申請（專利權）人: 北京工業大學
• 主分類號: G06T7/20
• 分類號: G06T7/20;G06K9/62
• 代理公司: 北京思海天達知識產權代理有限公司 11203
• 代理人: 張慧

1.一種基于改進多示例學習算法的目標跟蹤方法，其特征在于包括以下幾個步驟：

步驟一，進行初始化；

①在視頻的初始幀通過手動框選方法確定目標位置

②基于壓縮感知理論設計一個滿足RIP條件的稀疏隨機測量矩陣矩陣R中各元素r_ij為：

式中，s以平均概率在{2,3,4}中隨機選?。?/p>

步驟二，提取正、負包，方法如下：

①提取正包：在以當前幀目標位置為圓心、r為半徑的圓內采樣N個示例x組成正包X^r，即l(x)為采樣示例所在位置；

②提取負包：在以當前幀目標位置為圓心、r為內圓半徑、β為外圓半徑的圓環內采樣約L個示例組成負包X^r,β，即：

③提取圖像特征：在圖像平面提取正包和負包中各示例的Haar-like特征Z＝(z₁,z₂,...,z_Q)；

④特征降維：利用隨機測量矩陣將提取的特征從高維圖像空間降到低維空間，得到表征目標的壓縮特征：

V＝RZ

式中，V＝(v₁,v₂,...,v_M),M＜＜Q是低維子空間的特征向量；則實際提取的特征為：

vi=Σj=1NrrijrectsijNr]]>

式中，v_i,i∈(1,M)為降維后的壓縮特征；rects_ij為在示例中隨機選取的圖像塊；N_r為圖像塊的數目，在{2，3，4}中隨機選取；r_ij為隨機測量矩陣的元素值，在{-1，1}中等概率隨機選??；

步驟三，訓練分類器，方法如下：

①訓練弱分類器；

假設正、負示例的先驗概率相等，即：p(y＝1)＝p(y＝0)，p(y＝1)是正示例的先驗概率，p(y＝0)是負示例的先驗概率；則由所有示例的第k個壓縮特征訓練得到第k個弱分類器h_k(x)：

hk(x)=log(p(y=1|vk(x)p(y=0|vk(x))]]>

式中，h_k(x)為第k個弱分類器，x表示所有示例，v_k為由步驟二提取的第k個特征，y∈{0,1}表示示例標簽，p(y＝1|v_k(x))表示正包中所有示例的第k個壓縮特征的概率，p(y＝0|v_k(x))為負包中所有示例的第k個壓縮特征的概率；

正、負示例特征服從高斯分布，即：

p(vk(x)|y=1)~N(μk1,σk1)]]>

p(vk(x)|y=0)~N(μk0,σk0),]]>

式中，x_ij為第i個包中第j個示例，v_k(x_ij)為示例x_ij的第k個壓縮特征；是第k個弱分類器的參數，是正包中所有示例的第k個特征的均值，σk1=1NΣj=0N-1(vk(xij)-μk1)2]]>是正包中所有示例的第k個特征的方差；μk0=1LΣj=NN+L-1vk(xij)]]>是負包中所有示例的第k個特征的均值，是負包中所有示例的第k個特征的方差，L＝65為負包中示例個數；

共訓練得到M個弱分類器，組成弱分類器池

②初始化強分類器H₀＝0，令k＝1；

③當k≤K時，計算：

▿L(H)(xij)|H=Hk-1=yi×(σ(H(xij))(1-σ(H(xij)))Σm=1N-1σ(H(xim)))-(1-yi)×(σ(H(xij))(1-σ(H(xij)))Σm=NN+L-1(1-σ(H(xim))))]]>

式中，為第i個包中第j個示例的概率，y_i∈{0,1}為包的標識；為在弱分類器池中選取k-1個弱分類器所構成的強分類器；

否則轉到步驟⑩；

④初始化L^m＝0，其中m＝1,...,M；

⑤令m＝1；

⑥當m≤M時，令i＝0，否則轉到步驟⑨；

⑦當i≤1時，令j＝0，否則令m＝m+1，并轉到步驟⑥；

⑧當j≤N+L-1時，循環計算j＝j+1，以及弱分類器與極大似然概率的內積：<h,▿L(H)>=1N+LΣj=0N+L-1h▿L(H)(xij),]]>即：Lm←Lm+hm▿L(H)(xij)|H=Hk-1;]]>

否則，令i＝i+1，并轉到步驟⑦；

⑨根據最大化弱分類器與極大似然概率的內積的原則，在弱分類器池中選擇具有最低錯誤率的k個弱分類器hk=argmaxh∈φ<h,▿L(H)>|H=Hk-1,]]>即：m*=argmaxmLm,]]>hk(x)←hm*(x),]]>H_k＝H_k+h_k(x)；

令k＝k+1，并轉到步驟③；

⑩輸出強分類器：H(x)＝Σ_kh_k(x)；

步驟四，目標跟蹤；

根據相似性分數最大原則，利用步驟三學習得到的強分類器在目標候選集中將目標從背景中分離出來；具體步驟如下：

①提取樣本候選集：新一幀圖像中，在以前一幀目標位置為中心，S為半徑的圓內采樣候選樣本x組成候選樣本集X^S，即：

②提取候選樣本特征：按照步驟二的第③、④步驟提取各樣本的壓縮特征；

③跟蹤目標：利用步驟三中得到的強分類器對采集的候選樣本分類，計算出與目標相似性分數最大的樣本作為當前目標的位置

lt*=l(argmaxH(x))x∈Xs]]>

式中，H(x)為相似性分數，最大值為H_max；

步驟五，更新分類器；

根據當前跟蹤結果與目標模型的相似性分數H_max更新分類器；具體方法如下：

①提取正包：當跟蹤到新目標時，按步驟二在跟蹤目標小鄰域范圍內采樣N個示例作為正包；

②提取特征：按照步驟二的步驟③、④對每個示例提取表征目標的壓縮特征V＝(v₁,...,v_M)；

③更新分類器：按照如下規則在線更新弱分類器參數

μk1←λuk1+(1-λ)μ1σk1←λ(σk1)2+(1-λ)(σ1)2+λ(1-λ)(μk1-μ1)2]]>

式中，λ為更新程度，其值越小表示更新速度越快，目標模板特征在分類器更新中所占比例越少；是正包中所有示例的第k個特征的均值；是正包中所有示例的第k個特征的方差；

④提取負包：按步驟二在以當前跟蹤位置為圓心、r為內圓半徑、β為外圓半徑的圓環中提取L個示例組成負包；

⑤提取特征：按照步驟二的步驟③、④對對每個示例提取表征目標的壓縮特征V＝(v₁,...,v_M)；

⑥更新分類器：按照如下規則在線更新弱分類器參數

μk0←λuk0+(1-λ)μ0σk0←λ(σk0)2+(1-λ)(σ0)2+λ(1-λ)(μk0-μ0)2]]>

式中，為負包中所有示例的第k個特征的均值；為負包中所有示例的第k個特征的方差；

設定高、低兩個閾值；當前跟蹤結果與目標模型相似性分數大于高閾值時，分類器的更新主要依賴于當前跟蹤結果，以克服光照、位姿等造成的外觀變化對跟蹤結果的影響；當前跟蹤結果與目標模型相似性分數小于低閾值時，分類器的更新主要依賴于目標模型，以避免目標漂移及誤跟蹤；當前跟蹤結果與目標模型的相似性分數在兩個閾值之間時，分類器同時依賴于當前跟蹤結果和目標模型；更新規則如下所示：

λ=0.05,0.25,0.85,THsHmax>THl<Hmax<THlHmax<THs]]>

式中，TH_s為設定的低閾值，TH_l為高閾值。