[發(fā)明專利]基于機(jī)器學(xué)習(xí)的粒子濾波目標(biāo)跟蹤方法

有效

• 申請(qǐng)?zhí)枺?/td>: 201410441058.X
• 申請(qǐng)日: 2014-09-01
• 公開（公告）號(hào): CN104200226B
• 公開（公告）日: 2017-08-25
• 發(fā)明（設(shè)計(jì)）人: 孫偉;陳龍;趙丹;郭寶龍
• 申請(qǐng)（專利權(quán)）人: 西安電子科技大學(xué)
• 主分類號(hào): G06K9/62
• 分類號(hào): G06K9/62
• 代理公司: 陜西電子工業(yè)專利中心61205
• 代理人: 田文英,王品華

技術(shù)領(lǐng)域

本發(fā)明屬于計(jì)算機(jī)視覺領(lǐng)域，更進(jìn)一步涉及數(shù)字圖像的目標(biāo)跟蹤技術(shù)領(lǐng)域中的一種基于機(jī)器學(xué)習(xí)的粒子濾波目標(biāo)跟蹤方法。本發(fā)明可用于實(shí)現(xiàn)目標(biāo)的精確跟蹤，針對(duì)視頻序列中的特定目標(biāo)，將目標(biāo)模板匹配和粒子濾波器相結(jié)合，提高了跟蹤效率。

背景技術(shù)

基于圖像序列的運(yùn)動(dòng)目標(biāo)自動(dòng)跟蹤是圖像處理、模式識(shí)別和精確制導(dǎo)領(lǐng)域的重要課題，在國防、工業(yè)和交通等領(lǐng)域有著廣泛的應(yīng)用。國內(nèi)外很多文獻(xiàn)對(duì)目標(biāo)的表述和跟蹤方法進(jìn)行了研究。但在實(shí)際的跟蹤中常常還會(huì)遇到問題，很難完成長序列視頻目標(biāo)的跟蹤。究其原因主要是模型的相對(duì)固定不能適應(yīng)大幅度的光照、背景變化和物體的大范圍運(yùn)動(dòng)等。

雷云，丁曉青和王生進(jìn)在論文“嵌入粒子濾波中的Adaboost跟蹤器”(《清華大學(xué)學(xué)報(bào)》2007,47(7)：1141-1143)中采用Adaboost分類器和粒子濾波相結(jié)合的方法來跟蹤目標(biāo)。首先給定感興趣的目標(biāo)類別，訓(xùn)練一組級(jí)聯(lián)的Adaboost分類器，然后將級(jí)聯(lián)Adaboost分類器中的每個(gè)弱分類器和每層強(qiáng)分類器嵌入到粒子濾波跟蹤算法中。該方法存在的不足是，Adaboost分類器需要大量的訓(xùn)練樣本，使得在跟蹤過程中實(shí)時(shí)性不佳，跟蹤效率較低。

劉海龍，胡福喬和趙宇明在論文“基于粒子濾波和在線學(xué)習(xí)的目標(biāo)跟蹤”(《計(jì)算機(jī)工程》2013,39(10)：232-235)提出一種目標(biāo)跟蹤方法。該方法首先將獲取的第一幀圖像來訓(xùn)練分類器和初始化粒子濾波器，對(duì)于視頻后續(xù)幀，分類器和粒子濾波器分別對(duì)目標(biāo)進(jìn)行檢測(cè)和跟蹤，并利用粒子濾波的跟蹤結(jié)果來提高訓(xùn)練樣本庫的準(zhǔn)確性，改進(jìn)在線學(xué)習(xí)算法，并通過反復(fù)迭代來提高整體算法的精度。該方法存在的不足是，目標(biāo)的運(yùn)動(dòng)產(chǎn)生的形變及光照變化對(duì)跟蹤效果的影響較大，目標(biāo)模型的適應(yīng)性不好。

發(fā)明內(nèi)容：

本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的不足，提出了一種基于機(jī)器學(xué)習(xí)的粒子濾波目標(biāo)跟蹤方法。

實(shí)現(xiàn)本發(fā)明的目的的基本思路是：首先，利用目標(biāo)和背景的顏色直方圖特征和紋理特征表示目標(biāo)和背景的信息；其次，利用支持向量機(jī)SVM對(duì)獲得的目標(biāo)和背景的特征進(jìn)行訓(xùn)練，獲得目標(biāo)模型；再次，根據(jù)訓(xùn)練獲得的目標(biāo)模型，進(jìn)行目標(biāo)模板的跟蹤，在誤差小于0.3的情況下，重新對(duì)目標(biāo)模板進(jìn)行支持向量機(jī)SVM的訓(xùn)練；最后，根據(jù)重新訓(xùn)練的目標(biāo)模型，對(duì)目標(biāo)進(jìn)行粒子濾波跟蹤。

實(shí)現(xiàn)本發(fā)明目的的具體步驟如下：

(1)提取目標(biāo)和背景聯(lián)合特征：

(1a)提取目標(biāo)和背景的顏色直方圖特征；

(1b)提取目標(biāo)和背景的局部二值模式特征；

(1c)將顏色直方圖特征與局部二值模式特征聯(lián)合，得到目標(biāo)和背景的聯(lián)合特征；

(2)訓(xùn)練目標(biāo)模型：

(2a)用目標(biāo)和背景的聯(lián)合特征，標(biāo)記視頻序列中所有的彩色圖像，得到初始訓(xùn)練樣本；

(2b)利用支持向量機(jī)SVM，對(duì)初始訓(xùn)練樣本進(jìn)行訓(xùn)練，得到目標(biāo)樣本分類器；

(2c)利用目標(biāo)樣本分類器，從初始訓(xùn)練樣本中分離出目標(biāo)模型；

(3)目標(biāo)的模板匹配跟蹤：

(3a)框出目標(biāo)在視頻序列的第一幀圖像中的位置，獲得搜索模板；

(3b)將前一幀圖像中目標(biāo)的位置作為當(dāng)前幀中目標(biāo)的初始位置，得到當(dāng)前幀的目標(biāo)圖像，采用去均值歸一化互相關(guān)算法，計(jì)算搜索模板與目標(biāo)圖像的相似性度量矩陣中的所有元素值；

(3c)判斷相似性度量矩陣中的所有元素中最大值是否大于0.8，若是，執(zhí)行步驟(3d)，否則，執(zhí)行步驟(3b)；

(3d)采用絕對(duì)誤差計(jì)算公式，計(jì)算目標(biāo)模型變換到實(shí)時(shí)目標(biāo)圖像的變換參數(shù)和最優(yōu)變換參數(shù)之間的絕對(duì)誤差；

(4)判斷目標(biāo)模型變換到實(shí)時(shí)目標(biāo)圖像的變換參數(shù)和最優(yōu)變換參數(shù)之間的絕對(duì)誤差是否大于0.3，若是，執(zhí)行步驟(5)；否則，將當(dāng)前幀的目標(biāo)圖像加入支持向量機(jī)的訓(xùn)練樣本中，執(zhí)行步驟(2)；

(5)粒子濾波的目標(biāo)跟蹤：

(5a)在當(dāng)前幀目標(biāo)圖像中，按高斯分布初始化100個(gè)與當(dāng)前幀目標(biāo)圖像相同的粒子；

(5b)使用目標(biāo)樣本分類器，對(duì)當(dāng)前幀目標(biāo)圖像中的所有粒子進(jìn)行分類，得到目標(biāo)樣本分類器的輸出概率；

(5c)利用粒子位置計(jì)算公式，計(jì)算當(dāng)前幀目標(biāo)的位置，得到當(dāng)前幀目標(biāo)的特征值；

(5d)將當(dāng)前幀目標(biāo)的特征值輸入到目標(biāo)樣本分類器，得到目標(biāo)樣本分類器的輸出概率；

(5e)判斷目標(biāo)樣本分類器的輸出概率是否小于0.5，若是，則執(zhí)行步驟(5a)，否則，執(zhí)行步驟(6)；