[發明專利]一種基于代價敏感結構化SVM的目標跟蹤方法

有效

• 申請號: 202010216816.3
• 申請日: 2020-03-25
• 公開（公告）號: CN111460948B
• 公開（公告）日: 2023-10-13
• 發明（設計）人: 袁廣林;孫子文;夏良;秦曉燕;李從利;陳萍;李豪;琚長瑞
• 申請（專利權）人: 中國人民解放軍陸軍炮兵防空兵學院
• 主分類號: G06V20/40
• 分類號: G06V20/40;G06V10/764
• 代理公司: 南京理工大學專利中心 32203
• 代理人: 薛云燕

本發明公開了一種基于代價敏感結構化SVM的目標跟蹤方法。方法為：首先建立用于目標跟蹤的代價敏感結構化SVM模型，根據拉格朗日乘子法，將代價敏感結構化SVM模型轉化為對偶問題；然后采用對偶坐標下降原理求解代價敏感結構化SVM模型，估計目標的狀態；最后采用多尺度目標跟蹤方法進行評估，選取最大響應的作為跟蹤結果。本發明解決了現有基于結構化SVM進行目標跟蹤方法中存在的easy pair和hard pair不平衡問題，提高了基于結構化SVM的目標跟蹤算法的準確度和成功率。

技術領域

本發明涉及計算機視覺目標跟蹤技術領域，特別是一種基于代價敏感結構化SVM的目標跟蹤方法。

背景技術

目標跟蹤是計算機視覺領域中的基礎研究課題，是視頻分析中的一項重要技術，其目標是利用視頻數據估計目標的狀態。目標跟蹤在視頻監控、車輛導航、人機交互、智能交通、運動分析和姿態估計等民用領域，以及視覺制導、目標定位和火力控制等軍事領域均有重要的應用價值。近年來，雖然目標跟蹤有了較大發展，但是其仍然面臨復雜背景、目標變化和快速運動等諸多難題，目前仍然是計算機視覺領域中研究的熱點問題。

目前，目標跟蹤領域中的研究者已經提了出眾多目標跟蹤方法，其核心組件是表觀模型，包括產生式模型和判別式模型兩類，與其相應的目標跟蹤方法分別稱為產生式跟蹤和判別式跟蹤。產生式跟蹤僅僅使用目標表觀特征跟蹤目標，其比較有代表性的方法有IVT跟蹤[Ross D A,Lim J,Lin R S,et al.Incremental Learning for Robust VisualTracking[J].International Journal of Computer Vision,2008,77(1-3):125-141.]、L1跟蹤[Mei X,Ling H.Robust visual tracking using L1 minimization[A].Proceedings of IEEE Conference on Computer Vision[C].Kyoto,Japan:IEEEComputer Society Press,2009,1436-1443.]和孿生網絡跟蹤[Bertinetto L.,ValmadreJ.,Henriques J.F.,Vedaldi A.,Torr P.H.S.Fully-Convolutional Siamese Networksfor Object Tracking[A].Proceedings of European conference on Computer Vision[C].Amsterdam,The Netherlands:IEEE Computer Society Press,2016,850-865.]等方法。產生式跟蹤計算效率較高，但是它對復雜背景的魯棒性較差。為了克服這一問題，一些學者提出了判別式跟蹤。判別式跟蹤把目標跟蹤看作二分類問題，它不但利用目標表觀信息而且也利用目標的背景信息，對復雜背景表現更為魯棒，在視覺跟蹤中逐漸占據了主流地位，其比較有代表性的方法有MIL跟蹤[Babenko B,Yang M H,Belongie S.Robustobject tracking with online multiple instance learning[J].IEEE Transactionson Pattern Analysis and Machine Intelligence,2011,33(8):1619-1632.]、TLD跟蹤[Kalal Z,Mikolajczyk K,Matas J.Tracking-learning-detection[J].IEEETransactions on Pattern Analysis and Machine Intelligence,2012,34(7):1409-1422.]、隨機森林跟蹤[Saffari A,Leistner C,Santner J,Godec M,Bischof H.Onlinerandom forests[A].Proceedings of the IEEE Conference on Computer Vision[C].Kyoto,Japan:IEEE Computer Society Press,2009,1393-1400.]、SVM跟蹤[Hare S,Saffari A,Torr P H S.Struck:structured output tracking with kernels[A].Proceedings of IEEE International Conference on Computer Vision[C].Barcelona,Spain:IEEE Computer Society Press,2011,263-270.]和深度跟蹤[Wang N,Yeung D Y.Learning a Deep Compact Image Representation for Visual Tracking[A].Proceedings of Neural Information Processing Systems[C].CurranAssociates:IEEE Computer Society Press,2013,809-817.]等，其中基于SVM的目標跟蹤由于其優異的性能而受到了廣泛關注。