[發(fā)明專利]一種自適應(yīng)魯棒在線目標(biāo)跟蹤方法

無效

• 申請?zhí)枺?/td>: 201410123945.2
• 申請日: 2014-03-29
• 公開（公告）號: CN103871081A
• 公開（公告）日: 2014-06-18
• 發(fā)明（設(shè)計(jì)）人: 張東波;王俊超;張東暉;秦海;顏霜
• 申請（專利權(quán)）人: 湘潭大學(xué)
• 主分類號: G06T7/20
• 分類號: G06T7/20
• 代理公司: 湘潭市匯智專利事務(wù)所(普通合伙) 43108
• 代理人: 顏昌偉

技術(shù)領(lǐng)域

本發(fā)明涉及一種在線目標(biāo)跟蹤的方法，特別涉及一種基于半監(jiān)督學(xué)習(xí)的具有跟蹤窗口自適應(yīng)調(diào)整的魯棒在線目標(biāo)跟蹤。

背景技術(shù)

目標(biāo)跟蹤技術(shù)隨著計(jì)算機(jī)發(fā)展而逐漸引起學(xué)者的關(guān)注。近年來，特別是9.11事件以后，目標(biāo)跟蹤技術(shù)研究進(jìn)入了一個(gè)蓬勃發(fā)展的時(shí)期。目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域中最熱門的課題之一，也是模式識(shí)別領(lǐng)域的一個(gè)難點(diǎn)問題，主要應(yīng)用領(lǐng)域有戰(zhàn)場偵察、智能視頻監(jiān)控、交通控制、人機(jī)交互等。

目前目標(biāo)跟蹤的方法大致可以分為以下幾類：

1、基于特征的跟蹤方法。此種方法的特點(diǎn)是通過跟蹤目標(biāo)上的特征點(diǎn)來實(shí)現(xiàn)對整個(gè)目標(biāo)的跟蹤。

2、基于模型的跟蹤方法。此種方法需要預(yù)先建立目標(biāo)的模型，然后通過模型來檢測和跟蹤目標(biāo)的運(yùn)動(dòng)，其前提是假設(shè)目標(biāo)隨時(shí)間的變化滿足一定的數(shù)學(xué)模型。

3、基于區(qū)域的跟蹤方法。此種方法利用運(yùn)動(dòng)濾波技術(shù)精確估計(jì)了區(qū)域的幾何形狀和速度的特點(diǎn)，并依賴于兩個(gè)相互影響的動(dòng)態(tài)系統(tǒng)使得跟蹤算法捕捉場景中運(yùn)動(dòng)目標(biāo)投影到圖像平面的隨時(shí)間變化的形狀和運(yùn)動(dòng)，從而檢測出運(yùn)動(dòng)目標(biāo)，實(shí)現(xiàn)目標(biāo)跟蹤。

4、基于光流的方法。光流指的是目標(biāo)在圖像平面內(nèi)的表觀運(yùn)動(dòng)，利用像素的表觀速度或表觀位移可以實(shí)現(xiàn)目標(biāo)位置跟蹤。

盡管目標(biāo)跟蹤的研究已有很多的文獻(xiàn)報(bào)道，但是上述方法對目標(biāo)跟蹤過程中外觀、照明和背景的變化難以具有良好的適應(yīng)性，因此近年來，基于在線學(xué)習(xí)的跟蹤技術(shù)逐漸引起相關(guān)學(xué)者的關(guān)注，并取得了很好的跟蹤效果。在線學(xué)習(xí)跟蹤把跟蹤看成目標(biāo)和背景的分類問題，它不需建立復(fù)雜的模型來描述目標(biāo)，而是找到?jīng)Q策邊界來區(qū)分目標(biāo)和背景，當(dāng)目標(biāo)外觀（形狀、姿態(tài)）、照明、背景變化時(shí)，通過在線學(xué)習(xí)，只需要更新決策邊界即可實(shí)現(xiàn)目標(biāo)檢測與跟蹤，因此可以獲得良好的魯棒跟蹤性能。但是其局限性在于被跟蹤物體信息不能有劇烈變化，例如由于目標(biāo)觀測距離的大范圍變化造成目標(biāo)成像后尺寸大幅度變化、遮擋造成的目標(biāo)信息大幅損失，導(dǎo)致當(dāng)快速自適應(yīng)產(chǎn)生的跟蹤誤差累積到一定程度時(shí)，則目標(biāo)跟蹤發(fā)生漂移丟失。因此如何避免目標(biāo)尺度大幅度變化及遮擋后發(fā)生的目標(biāo)漂移丟失，是在線學(xué)習(xí)目標(biāo)跟蹤技術(shù)亟需解決的問題。

發(fā)明內(nèi)容

為了解決目標(biāo)跟蹤存在的上述技術(shù)問題，本發(fā)明提供一種基于圖像視覺特征的跟蹤窗口自適應(yīng)調(diào)整的目標(biāo)跟蹤方法。本發(fā)明同時(shí)結(jié)合在線半監(jiān)督學(xué)習(xí)策略解決目標(biāo)跟蹤過程中的漂移丟失問題，使目標(biāo)跟蹤算法具有良好的自適應(yīng)性和魯棒性，極大地提升了目標(biāo)跟蹤效果。

本發(fā)明解決上述技術(shù)問題的技術(shù)方案包括以下步驟：

(1)標(biāo)定視頻序列中的第一幀圖像目標(biāo)及其跟蹤窗口區(qū)域，并提取跟蹤窗及其八個(gè)鄰域窗的圖像特征，其中跟蹤窗和上下左右四個(gè)鄰域窗特征作為正樣本，四個(gè)對角鄰域窗特征為負(fù)樣本，同時(shí)計(jì)算跟蹤窗的信息量；

(2)基于半監(jiān)督學(xué)習(xí)在線boosting算法對當(dāng)前幀圖片的跟蹤窗區(qū)域進(jìn)行分類決策，獲得跟蹤窗中各像素點(diǎn)屬于目標(biāo)的置信值，根據(jù)置信值構(gòu)建置信圖，其中置信值最大的像素點(diǎn)作為視頻圖像中目標(biāo)新位置；

（3）根據(jù)第一幀跟蹤窗口的高度H和寬度W，統(tǒng)計(jì)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(diǎn)、角點(diǎn)、極大值點(diǎn)和極小值點(diǎn)數(shù)目；

如果第n幀不是L的整數(shù)倍，則窗口尺度變化比例系數(shù)K=0，否則對跟蹤窗口對應(yīng)區(qū)域及縮放1±ε倍的窗口對應(yīng)的區(qū)域也統(tǒng)計(jì)信息量，0≤ε≤0.5，分別記作I₁,I₂,I₃，類似地，對第n+L幀統(tǒng)計(jì)的信息量分別記作I₄，I₅，I₆；

當(dāng)I₅-I₂≥0時(shí)，目標(biāo)尺度增加，按下式更新尺度變化比例系數(shù)K

否則，目標(biāo)尺度減小，按下式更新尺度變化比例系數(shù)K

其中，參數(shù)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(jù)上式計(jì)算得到的尺度變化比例系數(shù)K調(diào)整跟蹤窗口的高度H和寬度W：

H=Hg(1+K)，W=Wg(1+K)；

（4）根據(jù)新的目標(biāo)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(biāo)記樣本，重復(fù)上述第（2）～（3）步，實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)跟蹤。