[發明專利]一種自適應魯棒在線目標跟蹤方法

無效

• 申請號: 201410123945.2
• 申請日: 2014-03-29
• 公開（公告）號: CN103871081A
• 公開（公告）日: 2014-06-18
• 發明（設計）人: 張東波;王俊超;張東暉;秦海;顏霜
• 申請（專利權）人: 湘潭大學
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 湘潭市匯智專利事務所(普通合伙) 43108
• 代理人: 顏昌偉

1.一種自適應魯棒在線目標跟蹤方法，包括以下步驟：

(1)標定視頻序列中的第一幀圖像目標及其跟蹤窗口區域，并提取跟蹤窗及其八個鄰域窗的圖像特征，其中跟蹤窗和上下左右四個鄰域窗特征作為正樣本，四個對角鄰域窗特征為負樣本，同時計算跟蹤窗的信息量；

(2)基于半監督學習在線boosting算法對當前幀圖片的跟蹤窗區域進行分類決策，獲得跟蹤窗中各像素點屬于目標的置信值，根據置信值構建置信圖，其中置信值最大的像素點作為視頻圖像中目標新位置；

（3）根據第一幀跟蹤窗口的高度H和寬度W，統計其信息量I，

I=Q₁+Q₂+Q₃+Q₄；

其中Q₁、Q₂、Q₃、Q₄分別是圖像的邊緣特征點、角點、極大值點和極小值點數目；

如果第n幀不是L的整數倍，則窗口尺度變化比例系數K=0，否則對跟蹤窗口對應區域及縮放1±ε倍的窗口對應的區域也統計信息量，0≤ε≤0.5，分別記作I₁,I₂,I₃，類似地，對第n+L幀統計的信息量分別記作I₄，I₅，I₆；

當I₅-I₂≥0時，目標尺度增加，按下式更新尺度變化比例系數K

否則，目標尺度減小，按下式更新尺度變化比例系數K

其中，參數η的作用是消除背景對信息量的影響，取值范圍是0.5≤η≤1.5；

根據上式計算得到的尺度變化比例系數K調整跟蹤窗口的高度H和寬度W：

H=Hg(1+K)，W=Wg(1+K)；

（4）根據新的目標位置和跟蹤窗尺寸，再次提取圖像特征樣本，并將其作為非標記樣本，重復上述第（2）～（3）步，實現目標的實時跟蹤。

2.根據權利要求1所述的自適應魯棒在線目標跟蹤方法，所述步驟(1)的具體步驟為：

①標定第一幀圖像中待跟蹤目標及其跟蹤窗口，同時在兩倍跟蹤窗口區域確定八個鄰域窗口，鄰域窗口尺寸大小與跟蹤窗一致，分別提取九個窗口中的Harri-like特征、LBP特征和HOG特征，并由這些特征構成特征池，其中跟蹤窗和上下左右四個鄰域窗特征作為正樣本，四個對角鄰域窗特征為負樣本。

②提取邊緣特征點、角點、局部極大值點、局部極小值點4類視覺特征點，通過統計相關特征點數量來衡量跟蹤窗口中的信息量。

3.根據權利要求1所述的自適應魯棒在線目標跟蹤方法，所述步驟(2)的具體步驟為：

①首先根據第一幀中提取的特征樣本作為標記樣本，訓練得到初始分類器H^p，然后逐步添加后續幀提取的非標記在線樣本訓練N個子分類器H_n,n=1,...,N，初始在線樣本的選擇權值均設為λ_n=1；

②在后續訓練過程中，如果樣本屬于標記樣本，則輸出標記y(y∈{-1,+1})不變，其下一輪的選擇權值修改為λ_n=exp(-y□H_n-1(x))，如果樣本為非標記樣本，則其輸出標記為y_n=sign(p_n(x)-q_n(x))，且其下一輪的選擇權值修改為λ_n=|p_n(x)-q_n(x)|，其中sign是符號函數，p_n(x),q_n(x)分別表示該非標記樣本屬于目標類和非目標類的置信度，由下式計算，

pn(x)=e-Hn-1(x)eHP(x)eHP(x)+e-HP(x),qn(x)=eHn-1(x)e-HP(x)eHP(x)+e-HP(x);]]>

③采用在線boosting算法，更新集成中的子分類器，并根據子分類器的決策結果更新樣本權值，如果決策結果和給定標記值一致，則否則其中分別是子分類器H_n,n=1,...,N決策正確和決策錯誤的統計值，最后分類器H_n,n=1,...,N的錯誤率e_n和投票權重α_n由下式計算：

en=λnwλnw+λnc,αn=12ln(1-enen);]]>

最后分類器集成輸出為

H(x)=sign(Σn=1NαnHn(x));]]>

④利用學習得到的集成分類器對跟蹤窗區域內逐點進行測試，以計算的值作為各點屬于跟蹤目標的置信值，根據置信值構建置信圖，其中置信值最大的像素點作為視頻圖像中目標新位置。