[發明專利]一種基于集成學習的目標跟蹤方法

有效

• 申請號: 201810813836.1
• 申請日: 2018-07-23
• 公開（公告）號: CN110751673B
• 公開（公告）日: 2022-08-19
• 發明（設計）人: 戴偉聰;金龍旭;李國寧;程博陽
• 申請（專利權）人: 中國科學院長春光學精密機械與物理研究所
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06V10/764;G06V10/56;G06V10/50;G06N20/20
• 代理公司: 深圳市科進知識產權代理事務所(普通合伙) 44316
• 代理人: 曹衛良

1.一種基于集成學習的目標跟蹤方法，其特征在于，所述方法包括步驟：

步驟S1：根據初始圖像幀，獲取目標初始信息；

步驟S2：在背景感知的相關濾波器區域及目標的背景區域中，提取前第一閾值維數的梯度直方圖特征和第二閾值維數的顏色屬性特征，初始化核相關濾波器；

步驟S3：在目標區域附近提取顏色直方圖，初始化貝葉斯分類器；

步驟S4：從目標中提取前第三閾值維數的梯度直方圖特征和強度特征，初始化用于置信度判斷的長期核相關濾波器；

步驟S5：從圖像幀中提取LAB顏色直方圖作為特征，初始化支持向量機；

步驟S6：初始化尺度濾波器，提取不同尺度的圖像塊并使用梯度直方圖特征作為訓練特征來訓練所述尺度濾波器，采用主成分分析法壓縮所述訓練特征的維數；

步驟S7：在貝葉斯分類區域中提取顏色直方圖，并采用貝葉斯分類器進行目標檢測，獲得貝葉斯分類器的響應圖；

步驟S8：在背景感知的相關濾波區域檢測目標，獲得背景感知的相關濾波響應圖，將所述背景感知的相關濾波響應圖的大小調整至與所述貝葉斯分類器的響應圖的大小相等；

步驟S9：集成所述貝葉斯分類器響應圖和所述背景感知的相關濾波響應圖，獲得最終響應圖，在所述最終響應圖中響應最大值處為所述目標的新位置；

步驟S10：在所述目標的新位置處，采用長期核相關濾波器進行目標檢測，獲得長期響應圖，將所述長期響應圖中的響應峰值作為置信度的判斷依據；判斷所述置信度是否小于預設第一閾值，若小于，則激活支持向量機并獲得支持向量機的檢測結果；在支持向量機的檢測結果上，采用長期核相關濾波器進行目標檢測，獲得新的響應峰值，若新的響應峰值大于所述預設第一閾值的預設倍數時，將所述支持向量機所檢測的目標位置作為目標的新位置；

步驟S11：在目標的新位置處，調用尺度濾波器并將響應最大的尺度作為新的尺度，更新目標尺寸和尺度濾波器；

步驟S12：判斷長期核相關濾波器的檢測結果的置信度是否高于預設第二閾值，若高于，則更新長期核相關濾波器和支持向量機；

步驟S13：更新所述背景感知的核相關濾波器和所述貝葉斯分類器；

步驟S14：獲得下一幀圖像，重復步驟S7、S8、S9、S10、S11、S12、S13，直至視頻結束。

2.根據權利要求1所述的集成學習的目標跟蹤方法，其特征在于，所述目標初始信息包括目標位置、目標長度和目標寬度。

3.根據權利要求1所述的集成學習的目標跟蹤方法，其特征在于，所述第一閾值維數為28維，第二閾值維數為10維，第三閾值維數為28維。

4.根據權利要求1所述的集成學習的目標跟蹤方法，其特征在于，在步驟S9中采用加權平均的方法集成所述貝葉斯分類器響應圖和所述背景感知的相關濾波響應圖。

5.根據權利要求1所述的集成學習的目標跟蹤方法，其特征在于，加入背景信息的相關濾波的表達式為：

其中，ω為濾波器系數，y為樣本標簽，k是背景圖像塊的數量，且A₀表示目標對應的循環矩陣，A_i表示目標的背景圖像對應的循環矩陣，λ₁和λ₂表示正則化系數。

6.根據權利要求1所述的集成學習的目標跟蹤方法，其特征在于，所述貝葉斯分類器的具體實現過程的表達式如下所示：

其中，F表示圍繞目標的矩形前景區域，B表示包含目標的矩形背景區域，c_x表示像素x屬于RGB顏色直方圖的第c條柱。

7.根據權利要求1所述的集成學習的目標跟蹤方法，其特征在于，所述支持向量機的具體實現過程的表達式如下所示：

其中，N為樣本總數，{(v_i,c_i|i＝1,2,....N)}，v_i為樣本的特征向量，c_i∈{+1,-1}是樣本的標簽，λ是正則化系數，h表示支持向量機的超平面。