[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

本發明公開了基于支持向量機的多特征選擇目標跟蹤方法，其步驟為：獲取正負樣本，提取樣本的多種特征；抽取候選目標，提取目標的多種特征；對所有特征進行核化處理；訓練SVM分類器；計算置信值，判別候選目標；更新分類器；評估跟蹤性能。本發明能夠解決單一特征描述目標能力較差的問題以及克服單一正樣本訓練的分類器分類能力較弱的缺點，能夠在光照影響較大、目標出現嚴重遮擋等復雜場景下提高目標跟蹤器的精度和穩健性。

技術領域

本發明屬于圖像處理和計算機視覺領域，特別涉及了基于支持向量機的多特征選擇目標跟蹤方法。

背景技術

目標跟蹤是計算機視覺研究領域中的關鍵問題，可用于自動監控、機器人導航、人機交互等很多應用領域。對于應用于真實場景的一種穩健的視覺跟蹤算法，需要有效地處理目標外觀及姿態的改變，快速運動、遮擋，光照影響，背景雜波等多方面的挑戰。

目前，主流的目標跟蹤方法是將跟蹤問題視為分類問題。即在特定區域中將感興趣的目標從背景中分離出來。南京信息工程大學申請的專利“基于多特征聯合稀疏表示的視覺目標跟蹤方法”(公開號：CN 103295242A)公開了一種基于多特征聯合稀疏表示的視覺目標跟蹤方法。該方法采用像素灰度值特征和HOG特征聯合描述目標，通過對字典模板和候選樣本進行重疊分塊并采用分類的思想，利用字典中與候選樣本塊具有相同類別的塊及其表示系數對塊進行重構，依據重構誤差構建似然函數確定最佳候選樣本。同時利用APG方法求解聯合特征的稀疏系數，避免了傳統方法在處理每幀時都需要執行復雜的l1最小化計算。該方法在目標發生遮擋、尺度變化、快速運動、光照變化等情況時能夠穩定地跟蹤，但跟蹤速度有待進一步提高。北京工業大學申請的專利“基于改進多示例學習算法的運動目標跟蹤方法”(公開號：CN 103325125A)公開了一種基于改進的多示例學習算法的目標跟蹤方法。該方法根據壓縮感知理論設計隨機測量矩陣，利用多示例學習算法在當前跟蹤結果小鄰域內采樣示例構成正包，同時在其大鄰域圓環內采樣示例構成負包，對每個示例，在圖像平面提取表征目標的特征，并利用隨機感知矩陣對其降維。根據提取的示例特征在線學習弱分類器，并在弱分類器池中選擇判別能力較強的弱分類器構成強分類器；當跟蹤到新的目標位置時，利用當前跟蹤結果與目標模板的相似性分數在線自適應調整分類器更新程度參數。該方法采用的是Haar特征，Haar特征對邊緣信息比較敏感，當目標變形或與背景相似時，容易造成跟蹤失敗。Martin等人研究了在基于檢測的跟蹤框架下顏色的貢獻，提出顏色統計特征在視覺跟蹤中提供了優越的性能。該方法跟蹤速度很快，能進行實時跟蹤，跟蹤精度也較高，但當目標尺寸變化較大時，跟蹤器不能很好地處理。

發明內容

為了解決上述背景技術提出的問題，本發明旨在提供基于支持向量機的多特征選擇目標跟蹤方法，該方法能夠解決單一特征描述目標能力較差的問題以及克服單一正樣本訓練的分類器分類能力較弱的缺點，能夠在光照影響較大、目標出現嚴重遮擋等復雜場景下提高目標跟蹤器的精度和穩健性。

為了實現上述技術目的，本發明的技術方案為：

基于支持向量機的多特征選擇目標跟蹤方法，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；

(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；

(4)利用正、負樣本訓練支持向量機分類器；

(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；