[發明專利]基于簡化直推式學習法的在線目標跟蹤方法

無效

• 申請號: 201310644150.1
• 申請日: 2013-12-02
• 公開（公告）號: CN103617433A
• 公開（公告）日: 2014-03-05
• 發明（設計）人: 張艷寧;張蓬;卓濤
• 申請（專利權）人: 西北工業大學
• 主分類號: G06K9/66
• 分類號: G06K9/66
• 代理公司: 西北工業大學專利中心 61204
• 代理人: 王鮮凱

技術領域

本發明涉及一種在線目標跟蹤方法，特別是涉及一種基于簡化直推式學習法的在線目標跟蹤方法。

背景技術

目標跟蹤是計算機視覺中非常重要的研究方向，其應用領域包括視頻監控，人機交互，車輛自主導航等。然而，在實際應用中，有時事先不知道需要跟蹤的目標類型，缺少目標的先驗信息，并且目標外觀及運動模式變化過程不可預測，因此很難實現精確的目標跟蹤。

在缺少先驗信息的情況下，基于先檢測后跟蹤的半監督學習方法，是最流行的目標跟蹤方法之一，并且取得了很好的效果。Grabner等人提出了在線Boosting與特征選擇的目標跟蹤方法，可以有效的避免跟蹤過程中的漂移現象，但不能適應目標外觀的較大變化。MIL方法在一幅圖像目標周圍鄰近區域，將多個樣本認定為正樣本，使用多個正樣本進行分類器訓練，提高了目標檢測的成功率。但是在分類器的更新過程，很難得到準確的訓練樣本，分類器的性能在跟蹤過程中不斷下降。

為了得到更準確的訓練樣本，實現長時跟蹤。Kalal等人提出了P-N學習的在線目標跟蹤方法。該方法利用空間約束，將距離目標較近的樣本認定為正樣本，遠離目標的區域認定為負樣本；此外，該方法認為目標在相鄰兩幀的位置變化是連續的，使用光流計算的運動信息抑制負樣本。Steven等將self-paced學習方法應用到目標跟蹤過程中，根據關鍵幀學習分類器，可以處理長時間的目標遮擋，出視場等情況。

近年，結構化SVM在目標跟蹤中有著越來越多的應用，Hare等通過給訓練樣本分配不同的權值，提出的Struck算法得到了更精確的目標位置。Zhang等利用圖像中的結構約束與目標之間的關聯約束，實現了多目標跟蹤算法。

此外，無標簽的樣本對于分類器的學習有非常重要的作用，基于直接式SVM的機器學習方法，利用無標簽的數據，得到了更為精確的分類器訓練結果。

發明內容

為了克服現有在線目標跟蹤方法應用受局限的不足，本發明提供一種基于簡化直推式學習法的在線目標跟蹤方法。該方法使用一個矩形框表示目標，并在目標周圍提取訓練樣本。距離目標較近的樣本認定為正樣本，較遠的認定為負樣本。提取樣本的HOG特征，將其作為目標表示，然后利用LibSVM訓練分類器，得到初始的目標檢測器。在下一幀圖像中，生成候選目標樣本并提取HOG特征。利用利用已訓練好的分類器評價各樣本，并將局部最大值作為目標位置輸出。分類器在每一幀圖像上單獨訓練。若候選目標樣本的評價結果為正樣本，則將距離目標較近的樣本認定為正樣本，距離較遠的作為負樣本，重新訓練分類器；若候選目標的評價結果為負樣本，則跳過。給定一個分類器的最大空間尺度，如果分類器的大小沒有超過最大空間尺度，則直接將當前訓練結果加入到分類器集合中；否則刪除最早訓練的分類器結果，然后將訓練好的當前結果加入到分類器集合中。本發明通過圖像的空間結構約束，在目標跟蹤過程中生成準確的訓練樣本標簽，提高了分類器的性能。此外，在每幀圖像上單獨訓練分類器，并且使用加權平均結果作為目標檢測器。與背景技術相比較，本發明的結果在所測試的13組視頻總體上優于現有的其他方法，應用范圍更廣。

本發明解決其技術問題所采用的技術方案是：一種基于簡化直推式學習法的在線目標跟蹤方法，其特點是包括以下步驟：

步驟一、在圖像上選定一個矩形標識框，框內的區域為目標區域。若該樣本區域與目標的重疊率大于給定閾值，剛認定為正樣本，否則為負樣本。重疊率的定義為：

S=γt∩γαγt∪γα]]>

其中，γ_t為目標區域所在的矩形框位置，γ_α為樣本位置。如果s＞0.5,剛該樣本為正樣本，否則為負樣本。再提取樣本的HOG特征，利用該特征向量用來訓練分類器。

步驟二、生成測試樣本，檢測目標所在位置。采用訓練樣本的平均值評價測試樣本，定義如下：