[發明專利]基于樣本重選擇的目標跟蹤方法

有效

• 申請號: 201410069126.4
• 申請日: 2014-02-27
• 公開（公告）號: CN103793926A
• 公開（公告）日: 2014-05-14
• 發明（設計）人: 田小林;焦李成;鄭曉利;侯彪;王爽;張小華;柴永強
• 申請（專利權）人: 西安電子科技大學
• 主分類號: G06T7/20
• 分類號: G06T7/20;G06K9/62
• 代理公司: 陜西電子工業專利中心 61205
• 代理人: 田文英;王品華

1.一種基于樣本重選擇的目標跟蹤方法，包括如下步驟：

（1）預處理第一幀圖像：

（1a）輸入一段待跟蹤視頻圖像序列中的第一幀圖像，將第一幀圖像作為當前幀圖像；

（1b）在當前幀圖像中將待跟蹤目標用矩形框框出，將矩形框的位置作為待跟蹤目標的初始位置，將矩形框框出的圖像區域作為模板目標；

（2）計算樣本的先驗概率：

（2a）在當前幀圖像中，以待跟蹤目標的初始位置為中心，取出與待跟蹤目標的初始位置大小相同的多個矩形框，將這些矩形框作為樣本；

（2b）提取樣本的Haar特征；

（2c）采用直方圖均衡化方法，得到模板目標的均衡化直方圖；

（2d）在當前幀圖像中樣本的左上角的3×3鄰域內，獲取與樣本大小相同的9個圖像塊，采用直方圖均衡化方法，得到這9個圖像塊的均衡化直方圖，采用相關系數公式，計算這9個圖像塊的均衡化直方圖與模板目標的均衡化直方圖的9個相關系數；

（2e）求9個相關系數的平均值，將該平均值作為樣本的先驗概率；

（3）構建弱分類器：

（3a）將高斯參數中的均值初始化為0，高斯參數中的均值方差初始化為1，完成了樣本的高斯參數初始化；

（3b）采用更新參數公式中樣本的Haar特征，分別更新樣本中正樣本的高斯參數和負樣本的高斯參數；

（3c）利用弱分類器公式，構建樣本中正樣本對應的弱分類器和負樣本對應的弱分類器；

（4）構建強分類器：

（4a）按照下式，計算弱分類器的最大似然概率：

Lm=Σi(logp(yi|Xi))=Σi(log(1-Πj(1-p(yi|xij))]]>

其中，L^m表示第m個弱分類器的最大似然概率，m表示弱分類器的序號，m＝1,2,...,M，M表示弱分類器的總數，x_ij表示第i個樣本包中第j個樣本，i表示樣本構成樣本包的個數，j表示樣本的個數，X_i表示第i個樣本包，y_i＝1表示樣本中的正樣本，y_i＝0表示樣本中的負樣本，p(y_i|X_i)表示y_i在條件X_i下的概率，p(y_i|x_ij)表示y_i在條件x_ij下的概率，∑(·)表示求和操作，log(·)表示取對數操作，∏(·)表示連乘操作；

（4b）從M個弱分類器中，選出K₁個最大似然概率較小的弱分類器，從K₁個弱分類對應的樣本中，挑選S₁個概率最小的樣本，采用更新高斯參數公式，更新弱分類器的高斯參數，從K₁個弱分類器中挑選出K₂個弱分類器，在K₂個弱分類對應的樣本中挑選出S₂個概率最小的樣本；

（4c）按照下式，構建強分類器模型：

hk=argminm∈(1,...,M)Lm]]>

H_k＝H_k-1+h_k

其中，h_k表示第k個弱分類器，L^m表示弱分類器的最大似然概率，H_k-1表示(k-1)個弱分類器組成的強分類器，H_k表示k個弱分類器組成的強分類器,argmin(·)表示選取最小值操作；

（5）采用更新高斯參數公式，更新弱分類器的高斯參數；

（6）預測當前幀目標框位置：

（6a）載入待跟蹤視頻序列中下一幀，作為當前幀圖像，在當前幀圖像中，以上一幀圖像待跟蹤目標的位置為中心，取出與待跟蹤目標的位置大小相同的多個矩形框，將這些矩形框作為當前幀圖像的檢測樣本；

（6b）提取當前幀圖像的檢測樣本的Haar特征；

（6c）用當前幀圖像的上一幀圖像的弱分類器模型，對當前幀圖像的檢測樣本進行分類預測，得到當前幀圖像的檢測樣本的分類決策概率值，從分類決策概率值中，選出最大決策概率值的檢測樣本在當前幀圖像中的位置，將該位置作為當前幀圖像中待跟蹤目標的位置；

（7）計算當前幀精確樣本的先驗概率：

（7a）在當前幀圖像中，將待跟蹤目標的位置對應的圖像區域，作為當前幀圖像的模板目標；以當前幀圖像中待跟蹤目標的位置為中心，取出與待跟蹤目標的位置大小相同的多個矩形框，將這些矩形框作為當前幀圖像的精確樣本；

（7b）提取當前幀圖像的精確樣本的Haar特征；

（7c）采用直方圖均衡化方法，得到當前幀圖像的模板目標的均衡化直方圖；

（7d）在當前幀圖像的檢測樣本的左上角點的3×3鄰域內，獲取與當前幀圖像的精確樣本大小相同的9個圖像塊，采用直方圖均衡化方法，得到這9個圖像塊的均衡化直方圖，采用相關系數公式，計算9個圖像塊的均衡化直方圖與模板目標的均衡化直方圖的9個相關系數；

（7e）求9個相關系數的平均值，將該平均值作為當前幀圖像的精確樣本的先驗概率；

（8）更新分類器：

（8a）利用弱分類器公式，構建當前幀圖像的精確樣本的正樣本對應的弱分類器和負樣本對應的弱分類器；

（8b）按照下式，計算弱分類器的最大似然概率：

Lm=Σi(logp(yi|Xi))=Σi(log(1-Πj(1-p(yi|xij))]]>

其中，L^m表示第m個弱分類器的最大似然概率，m表示弱分類器的序號，m＝1,2,...,M，M表示弱分類器的總數，x_ij表示第i個樣本包中當前幀圖像的第j個精確樣本，i表示當前幀圖像的精確樣本構成樣本包的個數，j表示當前幀圖像的精確樣本的個數，X_i表示第i個樣本包，y_i＝1表示當前幀圖像的精確樣本的正樣本，y_i＝0表示當前幀圖像的精確樣本的負樣本，p(y_i|X_i)表示y_i在條件X_i下的概率，p(y_i|x_ij)表示y_i在條件x_ij下的概率，∑(·)表示求和操作，log(·)表示取對數操作，∏(·)表示連乘操作；

（8c）從M個弱分類器中，選出K₁個最大似然概率較小的弱分類器，從K₁個弱分類對應的當前幀圖像的精確樣本中，挑選S₁個概率最小的當前幀圖像的精確樣本，采用更新高斯參數公式，更新弱分類器的高斯參數，從K₁個弱分類器中挑選出K₂個弱分類器，在K₂個弱分類對應的當前幀圖像的精確樣本中挑選出S₂個概率最小的精確樣本，按照下式，構建強分類器：

hk=argminm∈(1,...,M)Lm]]>

H_k＝H_k-1+h_k

其中，h_k表示第k個弱分類器，L^m表示弱分類器的最大似然概率，H_k-1表示(k-1)個弱分類器組成的強分類器，H_k表示k個弱分類器組成的強分類器,argmin(·)表示選取最小值操作；

（8d）采用更新高斯參數公式，更新弱分類器的高斯參數；

（9）判斷當前幀圖像是否為待跟蹤視頻圖像序列的最后一幀圖像，若是，執行步驟（10）；否則，執行步驟（6）；

（10）結束。