[發明專利]一種基于樣本學習和目標檢測結合的目標跟蹤方法和裝置有效
| 申請號： | 201810193833.2 | 申請日： | 2018-03-09 |
| 公開（公告）號： | CN108509861B | 公開（公告）日： | 2020-06-30 |
| 發明（設計）人： | 許化強;萬洪林;白成杰;李奇林;高鑒 | 申請（專利權）人： | 山東師范大學 |
| 主分類號： | G06K9/00 | 分類號： | G06K9/00;G06K9/46;G06T7/215;G06T7/246;G06K9/62 |
| 代理公司： | 濟南圣達知識產權代理有限公司 37221 | 代理人： | 董雪 |
| 地址： | 250014 山*** | 國省代碼： | 山東;37 |
| 權利要求書： | 查看更多 | 說明書： | 查看更多 |
| 摘要： | |||
| 搜索關鍵詞： | 一種 基于 樣本 學習 目標 檢測 結合 跟蹤 方法 裝置 | ||
1.一種基于樣本學習和目標檢測結合的目標跟蹤方法，其特征是，包括以下步驟：
步驟1：讀取視頻序列，將視頻序列中當前視頻幀轉化為灰度圖像；
步驟2：采用Lucas-Kanade光流法跟蹤灰度圖像中的目標；
步驟3：檢測當前視頻幀中目標，獲取正確的樣本區域中心集合；
步驟4：對正確的樣本區域中心集合進行一致性檢查，得到小于設定距離閾值的樣本區域集合，并進行正負樣本學習；
步驟5：計算步驟4得到的樣本區域集合中每個樣本區域與步驟2獲得的跟蹤結果的面積重疊百分比，并計算重疊百分比超過50％的樣本區域所在中心的均值，得到跟蹤結果；
所述檢測當前視頻幀中目標，獲取正確的樣本區域中心集合，包括：
初始化采樣網格、方差分類器和SVM分類器；
訓練方差分類器、集合分類器、最近分類器和SVM分類器；
所述訓練方差分類器、集合分類器、最近分類器和SVM分類器的方法為：
比較采樣區域集合中每個采樣區域中心點和上一視頻幀的目標的歐氏距離與設定的歐式距離閾值的大小，獲取正樣本中心集合和負樣本中心集合；
將正樣本中心集合和負樣本中心集合分別輸入SVM分類器的徑向基函數，計算分類超平面；
計算正樣本中心集合中每個正樣本對應區域的方差，將方差大于方差分類器閾值的區域的中心作為第一正樣本中心；
利用隨機四叉樹模型對第一正樣本中心對應的區域進行分類，將分類后的正樣本對應的區域中心作為第二正樣本中心；
將第二正樣本中心對應的區域進行近鄰聚類，將聚類結果中與上一幀檢測到的跟蹤目標相似程度最高的區域的中心為第三樣本中心；
提取第三樣本中心對應區域的梯度直方圖特征，計算最優超平面作為決策函數，對SVM分類器進行訓練；
通過訓練后的SVM分類器對第三樣本中心進行分類，得到正確的樣本區域中心集合。
2.根據權利要求1所述的基于樣本學習和目標檢測結合的目標跟蹤方法，其特征是，所述初始化采樣網格、方差分類器和SVM分類器，包括：
初始化采樣網格，確定在當前視頻幀中采樣區域的中心點坐標及采樣區域的寬和高；
初始化方差分類器，得到方差分類器閾值；
初始化SVM分類器，將SVM分類器的核函數設定為SVM分類器的徑向基函數。
3.根據權利要求1所述的基于樣本學習和目標檢測結合的目標跟蹤方法，其特征是，所述獲取正樣本中心集合和負樣本中心集合的方法為：
比較當前視頻幀的采樣區域集合中每個采樣區域中心點與上一視頻幀中的目標所在區域的歐氏距離與距離閾值的大小；
若采樣區域中心點與上一視頻幀中的目標所在區域的歐氏距離小于或等于距離閾值，則該采樣區域中心為正樣本，建立正樣本中心集合；
若采樣區域中心點與上一視頻幀中的目標所在區域的歐氏距離大于距離閾值，則該采樣區域中心為負樣本，建立負樣本中心集合。
4.根據權利要求1所述的基于樣本學習和目標檢測結合的目標跟蹤方法，其特征是，所述對正確的樣本區域中心集合進行一致性檢查，得到小于設定距離閾值的樣本區域集合，并進行正負樣本學習，包括：
比較正確的樣本區域中心集合中每個樣本區域和當前視頻幀中的目標所在區域的距離與設定的距離閾值的大小，從正確的樣本區域中心集合中搜索距離小于設定的距離閾值的樣本區域；
將搜索到的樣本區域加入正樣本集合；
將負樣本中心集合加入負樣本集合；
利用正樣本集合和負樣本集合重新計算隨機四叉樹模型；
利用正樣本集合和負樣本集合重新訓練SVM分類器的徑向基函數。
5.根據權利要求4所述的基于樣本學習和目標檢測結合的目標跟蹤方法，其特征是，若正確的樣本區域中心集合中每個樣本區域和當前視頻幀中的目標所在區域的距離均不小于設定的距離閾值，則返回步驟1，重新讀取當前視頻幀。
6.一種基于樣本學習和目標檢測結合的目標跟蹤裝置，其特征是，包括：
視頻序列輸入模塊，用于讀取視頻序列，將視頻序列中當前視頻幀轉化為灰度圖像；
目標跟蹤模塊，用于采用Lucas-Kanade光流法跟蹤灰度圖像中的目標
目標檢測模塊，檢測當前視頻幀中目標，獲取正確的樣本區域中心集合；
正負樣本學習模塊，用于對正確的樣本區域中心集合進行一致性檢查，得到小于設定距離閾值的樣本區域集合，并進行正負樣本學習；
綜合處理模塊，用于計算正負樣本學習模塊得到的樣本區域集合中每個樣本區域與目標跟蹤模塊獲得的跟蹤結果的面積重疊百分比，并計算重疊百分比超過50％的樣本區域所在中心的均值，得到跟蹤結果；
跟蹤結果輸出模塊，用于輸出跟蹤結果；
所述檢測當前視頻幀中目標，獲取正確的樣本區域中心集合，包括：
初始化采樣網格、方差分類器和SVM分類器；
訓練方差分類器、集合分類器、最近分類器和SVM分類器；
所述訓練方差分類器、集合分類器、最近分類器和SVM分類器的方法為：
比較采樣區域集合中每個采樣區域中心點和上一視頻幀的目標的歐氏距離與設定的歐式距離閾值的大小，獲取正樣本中心集合和負樣本中心集合；
將正樣本中心集合和負樣本中心集合分別輸入SVM分類器的徑向基函數，計算分類超平面；
計算正樣本中心集合中每個正樣本對應區域的方差，將方差大于方差分類器閾值的區域的中心作為第一正樣本中心；
利用隨機四叉樹模型對第一正樣本中心對應的區域進行分類，將分類后的正樣本對應的區域中心作為第二正樣本中心；
將第二正樣本中心對應的區域進行近鄰聚類，將聚類結果中與上一幀檢測到的跟蹤目標相似程度最高的區域的中心為第三樣本中心；
提取第三樣本中心對應區域的梯度直方圖特征，計算最優超平面作為決策函數，對SVM分類器進行訓練；
通過訓練后的SVM分類器對第三樣本中心進行分類，得到正確的樣本區域中心集合。
該專利技術資料僅供研究查看技術是否侵權等信息，商用須獲得專利權人授權。該專利全部權利屬于山東師范大學，未經山東師范大學許可，擅自商用是侵權行為。如果您想購買此專利、獲得商業授權和技術合作，請聯系【客服】
本文鏈接：http://www.szxzyx.cn/pat/books/201810193833.2/1.html，轉載請聲明來源鉆瓜專利網。
