[發明專利]基于支持向量機的多特征選擇目標跟蹤方法

有效

• 申請號: 201510044595.5
• 申請日: 2015-01-28
• 公開（公告）號: CN104616319B
• 公開（公告）日: 2018-06-12
• 發明（設計）人: 胡昭華;徐玉偉;趙孝磊;李容月;歐陽雯;金蓉
• 申請（專利權）人: 南京信息工程大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06K9/62
• 代理公司: 南京經緯專利商標代理有限公司 32200
• 代理人: 葛瀟敏

1.基于支持向量機的多特征選擇目標跟蹤方法，其特征在于，包括以下步驟：

(1)利用簡單跟蹤器跟蹤視頻序列的前n幀，將每幀的跟蹤結果分別作為一個正樣本，共得到n個正樣本，同時在當前幀的跟蹤結果附近獲取若干負樣本，分別提取正、負樣本的多個特征；

(2)在跟蹤過程中，對于新到來的每幀圖像，分別抽取N個粒子作為候選目標，并對抽取的候選目標采用步驟(1)中提取正、負樣本特征的方式提取目標特征；

所述候選目標的抽取方法為，在上一幀圖像的跟蹤目標的周圍進行高斯采樣，選取跟蹤目標的運動仿射參數作為跟蹤目標的狀態變量S_t＝(ψ_t,β_t,θ_t,s_t,α_t,φ_t)，抽取候選目標；其中ψ_t、β_t、θ_t、s_t、α_t、φ_t分別表示跟蹤目標在第t幀x方向上的坐標、y方向上的坐標、旋轉角度、尺度變化、寬高比、傾斜度；

(3)對于從正、負樣本以及候選目標中提取出的特征進行核化處理，使所有特征的維數達到相同；具體過程如下：

用和分別表示正、負樣本的兩種特征集合，和分別表示候選目標的兩種特征集合；用統一表示正負樣本的兩種特征集合，統一表示候選目標的兩種特征集合；

其中，m為負樣本數，k表示特征索引，mk表示對應第k個特征的維數；按照下面的方式對和進行核化處理：

經過核化處理，對任意特征k，都有不同的特征核化后的維數只與正、負樣本總的個數有關，從而使所有特征在維數上達到相同；

(4)利用正、負樣本訓練支持向量機分類器；

具體包括：采用訓練支持向量機的方法對不同特征的正負樣本進行訓練，已知的目標正負樣本可以歸為一個訓練集：x_i是訓練樣本的特征向量，y_i是訓練樣本對應的標簽，即y_i∈{-1,+1}，為使分類器對所有樣本正確分類并具備分類間隔，要求其滿足：

y_i[(w·x_i)+b]≥1，i＝1，2，…c

其中，w為權值向量，b為偏置，

得到分類間隔為2/||w||，采用帶約束的最小值問題代替構造最優超平面的問題得：

引入Lagrange函數：

其中，a_i＞0為Lagrange系數，將該QP問題轉化為對偶問題(a＝(a₁,a₂,…a_c))：

經計算，最優權值向量w^*和最優偏置b^*分別為：

其中，因此得到最優分類面(w^*·x)+b^*＝0，進而得到最優分類函數為：

(5)用分類器計算候選目標屬于正樣本的概率，將具有最大概率值的候選目標作為跟蹤結果；

(6)在跟蹤過程中，每隔一定幀數對正、負樣本進行更新，用更新后的正、負樣本重新訓練分類器，實現分類器的更新；

(7)采用標準度量準則評估跟蹤性能。

2.根據權利要求1所述基于支持向量機的多特征選擇目標跟蹤方法，其特征在于：步驟(1)中，所述正、負樣本的多個特征包括灰度特征和LBP特征。

3.根據權利要求1所述基于支持向量機的多特征選擇目標跟蹤方法，其特征在于：步驟(6)中，采用子空間學習的方法更新正樣本。

4.根據權利要求1所述基于支持向量機的多特征選擇目標跟蹤方法，其特征在于：步驟(7)中，所述標準度量準則包括中心誤差和跟蹤重疊率。