[發(fā)明專利]一種基于軌跡優(yōu)化的目標(biāo)跟蹤方法及系統(tǒng)

有效

• 申請?zhí)枺?/td>: 201710876003.5
• 申請日: 2017-09-25
• 公開（公告）號: CN107590821B
• 公開（公告）日: 2022-03-04
• 發(fā)明（設(shè)計）人: 胡瑞敏;阮威健;閆素;梁超;陳軍;黃文軍;張精制;鄭淇;孫志宏;陳金
• 申請（專利權(quán)）人: 武漢大學(xué)
• 主分類號: G06T7/246
• 分類號: G06T7/246
• 代理公司: 武漢科皓知識產(chǎn)權(quán)代理事務(wù)所(特殊普通合伙) 42222
• 代理人: 嚴(yán)彥

1.一種基于軌跡優(yōu)化的目標(biāo)跟蹤方法，其特征在于：包括以下步驟，

步驟1，在第一幀進(jìn)行目標(biāo)模型的構(gòu)建，包括首先對目標(biāo)進(jìn)行樣本的采樣，進(jìn)而根據(jù)與目標(biāo)的覆蓋率標(biāo)記樣本，提取多融合特征訓(xùn)練結(jié)構(gòu)化的分類器，得到基礎(chǔ)的目標(biāo)模型；

步驟1包括以下子步驟，

步驟1.1，樣本采集，包括在初始的目標(biāo)附近周圍采集多個樣本作為目標(biāo)的正樣本集，同時在遠(yuǎn)離初始目標(biāo)的位置采集多個樣本作為目標(biāo)的負(fù)樣本集；實(shí)現(xiàn)如下，

首先對于正樣本采集，在初始目標(biāo)周圍，距離目標(biāo)中心以較小的采樣半徑采集正樣本集A₊＝{y|θ₁＞||l(y)-l^*||}，θ₁為正樣本的采樣半徑，取值為5，l(y)表示樣本y的中心位置，l^*表示目標(biāo)初始位置的中心；

對于負(fù)樣本集的采樣，是在離目標(biāo)中心距離的θ₂像素內(nèi)進(jìn)行采集，將滿足和目標(biāo)樣本y^*的覆蓋率小于0.3的樣本，以作為模型的負(fù)樣本集，記為A_-＝{y|θ₂＞||l(y)-l^*||,overlapRate(y,y^*)＜0.3}，其中θ₂＞θ₁，覆蓋率函數(shù)

步驟1.2，基于所采集樣本提取特征，包括根據(jù)正樣本集和負(fù)樣本集，分別提取樣本的梯度直方圖特征HOG、在Lab空間的原始特征LabColor和局部二值模式特征LBP，然后拼接得到樣本的多特征描述子，訓(xùn)練得到一個結(jié)構(gòu)化輸出的分類器，作為基礎(chǔ)的目標(biāo)模型；實(shí)現(xiàn)如下，

步驟1.2.1，設(shè)步驟1.1得到給定正樣本集A₊，給定負(fù)樣本集A_-；

步驟1.2.2，分別提取樣本的梯度直方圖特征HOG、在Lab空間的原始特征LabColor和局部二值模式特征LBP，然后將這三個特征拼接成一個向量，以作為該樣本的多特征描述子Φ(x,y)：

Φ(x,y)＝[H^T,L^T,B^T]

其中H，L，B分別表示HOG、LabColor和LBP三個特征，上標(biāo)T表示轉(zhuǎn)置，對特征歸一化后，Φ(x,y)是一個歸一化的高維向量，表示目標(biāo)框y中的原始像素內(nèi)容x的特征表示；

步驟1.2.3，通過支持向量機(jī)SVM便可訓(xùn)練得到一個結(jié)構(gòu)化輸出的分類器，這個分類器是輸出分值是連續(xù)的，是從0～1之間的連續(xù)分值，在跟蹤過程中，最大化分類器作用到候選樣本上的得分，估計出當(dāng)前幀的目標(biāo)矩形框；

步驟2，基于目標(biāo)在連續(xù)幀的時序穩(wěn)定性進(jìn)行跟蹤，包括以下子步驟，

步驟2.1，在第一幀構(gòu)建完目標(biāo)模型后，在下一幀中采取Ω個候選，Ω為預(yù)設(shè)的取值，取值范圍為200～400；

采用表征目標(biāo)矩形框的六個參數(shù)(α₁,α₂,α₃,α₄,α₅,α₆)的仿射變換來刻畫目標(biāo)相鄰幀間的運(yùn)動狀態(tài)，分別為橫向變化、縱向變化、尺度變化、旋轉(zhuǎn)變化、寬高比變化、傾斜角度；在運(yùn)動模型中，這些參數(shù)是互相獨(dú)立的且變化狀態(tài)符合高斯分布；

步驟2.2，令t＝2，記在第t幀采集的候選集為對于任一候選先采用第t-1幀相應(yīng)的分類器計算每個候選的置信度，選出置信度最高的M個候選，M為預(yù)設(shè)的取值，M＝4；

步驟2.2中，采用上一幀所得分類器計算每一個候選的分類得分，利用下式選出得分靠前的多個可信候選，

其中，表示目標(biāo)框y中候選的特征描述，y^t表示通過分類器在當(dāng)前幀中估計出的跟蹤結(jié)果框，w表示分類平面的歸一化向量；

采用這個式子每選出一個，即從候選集中去掉，再利用這個式子繼續(xù)選擇，直到選出M個候選；

設(shè)(x₁,y₁),...,(x_n,y_n)為采集到的訓(xùn)練樣本，包括正樣本集和負(fù)樣本集中的所有樣本，n為訓(xùn)練樣本的數(shù)量，分類平面的歸一化向量w基于訓(xùn)練樣本集(x₁,y₁),...,(x_n,y_n)然后求解下面的最優(yōu)化問題可得到：

其中，x_i、y_i分別表示第i個訓(xùn)練樣本的內(nèi)容和它的矩形框函數(shù)，

Ψ_i(y)＝Φ(x_i,y_i)-Φ(x_i,y)，L(y_i,y)＝1-overlapRate(y_i,y)表示預(yù)測輸出y的結(jié)構(gòu)化誤差，而不是觀察輸出y_i的誤差，松弛變量ξ_i≥0表示第i個訓(xùn)練樣本(x_i,y_i)的代理損失，c是正則化參數(shù)；

對所有候選的得分排序后，選出排名靠前的M個候選；

步驟2.3，采用本次迭代中步驟2.2在當(dāng)前幀中選出的M個候選，分別更新分類器；

步驟2.4，令t＝t+1，返回步驟2.1針對下一幀進(jìn)行迭代，直到迭代K輪之后，用第i個分類器在連續(xù)K幀中選出的最高置信度候選構(gòu)成第i個軌跡，得到M個短軌跡，K為預(yù)設(shè)的取值；

步驟2.5，評估K幀之間的M個短軌跡分別的軌跡連續(xù)性，選擇最優(yōu)短軌跡，取最優(yōu)短軌跡中的目標(biāo)更新模型，然后作為下一個K幀初始的目標(biāo)模型，返回步驟2.1繼續(xù)跟蹤。