一種基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法
【專利摘要】本發(fā)明公開了一種基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，目標(biāo)跟蹤對實(shí)時(shí)性要求非常高，在目前主流的基于檢測跟蹤的框架下，根據(jù)測試樣本與目標(biāo)類和背景類的相似度比較來確定目標(biāo)在新幀中的目標(biāo)位置。本方法首先在當(dāng)前幀采集目標(biāo)類和背景類集合，計(jì)算出它們的統(tǒng)計(jì)特征，并在下一幀采集測試樣本集合。本方法定義了一種計(jì)算測試樣本與類之間相似度的量化標(biāo)準(zhǔn)，通過找出與目標(biāo)類相似以及和背景類不相似的測試樣本來確定目標(biāo)位置。本方法明顯提高了跟蹤的實(shí)時(shí)性以及跟蹤精度。
【專利說明】一種基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法

【技術(shù)領(lǐng)域】
[0001]本發(fā)明屬于目標(biāo)跟蹤【技術(shù)領(lǐng)域】，涉及一種基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法。

【背景技術(shù)】
[0002]目標(biāo)跟蹤在計(jì)算機(jī)視覺中一個(gè)重要領(lǐng)域，在軍事，醫(yī)療，監(jiān)控以及人機(jī)交互中有著重要的應(yīng)用。最近幾年來有許多算法用于解決目標(biāo)跟蹤的問題，但是由于目標(biāo)的形變，光照的變化，以及目標(biāo)被遮擋等原因，目標(biāo)跟蹤仍然是一個(gè)難點(diǎn)。
[0003]目前主流的實(shí)時(shí)跟蹤算法都是具有自適應(yīng)性的。一般來說跟蹤算法可以分為兩類:生成算法和判別算法。生成算法能夠?qū)W習(xí)目標(biāo)的特征模型，然后搜索目標(biāo)可能所在的區(qū)域，使用已學(xué)習(xí)的模型以最小誤差重建的區(qū)域即為目標(biāo)所在位置。為了解決目標(biāo)形變問題，WSL和IVT算法先后被提出。最近，稀疏表示方法用來解決目標(biāo)被部分遮擋的問題。但是這些生成模型都沒有利用目標(biāo)周圍的背景信息，這些背景信息能夠在檢測目標(biāo)時(shí)更好地將目標(biāo)與背景分離出來。
[0004]判別模型將目標(biāo)跟蹤看做一種將目標(biāo)與背景分離出來的檢測問題。在判別模型中，使用區(qū)分能力較好的特征能夠有效的提高跟蹤精度。使用多個(gè)弱分類器組成強(qiáng)分類器的boosting算法目前得到了廣泛的應(yīng)用。但是，許多boosting算法只利用了目標(biāo)本身的信息，并沒有利用目標(biāo)背景的信息，所以當(dāng)目標(biāo)沒有被精確的檢測到之后，就會(huì)影響以后目標(biāo)跟蹤的精度，最終導(dǎo)致跟蹤失敗。


【發(fā)明內(nèi)容】

[0005]為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于類相似度檢測的實(shí)時(shí)目標(biāo)跟蹤算法。
[0006]本發(fā)明所采用的技術(shù)方案是:一種基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于，包括以下步驟:
[0007]步驟1:對于獲取的包括N幀的視頻序列，從t = I幀開始，確定第t幀的目標(biāo)X:，它的位置為/CO，其中/CO是一個(gè)矩形框，框內(nèi)是需要跟蹤的目標(biāo)；/(<)包含四個(gè)參數(shù):目標(biāo)在該巾貞中的行坐標(biāo)row(X:)、列坐標(biāo)、寬度width和高度height ;初始化參數(shù)
μ:、<、μ,(為ο，這四個(gè)參數(shù)分別表示目標(biāo)類的均值、方差和背景類的均值、方差，其中上標(biāo)“+”表示目標(biāo)類，表示背景類，下標(biāo)i表示從樣本提取出的第i個(gè)特征；
[0008]步驟2:在/(λ()周圍半徑4個(gè)像素內(nèi)采集目標(biāo)類樣本集
x+=Ki ||/(^) K )| }，這里Xt表示第t幀目標(biāo)類中的樣本，I (xt)表示樣本xt所在的位置；在/(,;周圍半徑rin、rm像素之間采集背景類樣本集=沐I rm < ||/⑷-/(χ:.U，
這里Xt表示第t幀背景類中的樣本，I (xt)表示樣本Xt所在的位置；其中rp，rin，rm是經(jīng)驗(yàn)參數(shù)，單位為像素；
[0009]步驟3:對目標(biāo)類和背景類中的每個(gè)樣本提取nf個(gè)類哈爾特征
f(x2) = [f1(x1)f2(x1)...fn(x1 )；
[0010]步驟4:計(jì)算目標(biāo)類和背景類在第t幀的統(tǒng)計(jì)特征μ;，σ-；toon] 步驟5:根據(jù)學(xué)習(xí)率λ更新參數(shù)<，<，μ:, σ「，其中學(xué)習(xí)率是經(jīng)驗(yàn)參數(shù)；
[0012]步驟6:在第t+l幀的/(.<)周圍半徑rs個(gè)像素內(nèi)采集測試樣本
ΖΗ1 ={χ?+1，并根據(jù)步驟3中的方法提取出它們的類哈爾特征；
[0013]步驟7:定義樣本與類之間的距離為d(x，X)，計(jì)算每個(gè)測試樣本與目標(biāo)類在第i個(gè)特征上的距離Cli (χ，X+)，以及每個(gè)測試樣本與背景類在第i個(gè)特征上的距離di(x，X _)，將它們的和作為樣本與目標(biāo)類和背景類之間的距離，即:

【權(quán)利要求】
1.一種基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于，包括以下步驟: 步驟1:對于獲取的包括N幀的視頻序列，從t = I幀開始，確定第t幀的目標(biāo)<，它的位置為/OO，其中/(<)是一個(gè)矩形框，框內(nèi)是需要跟蹤的目標(biāo)；/(<)包含四個(gè)參數(shù):目標(biāo)在該幀中的行坐標(biāo)、列坐標(biāo)C0/(X;)、寬度width和高度height ;初始化參數(shù)μ:、<、Li (為0，這四個(gè)參數(shù)分別表示目標(biāo)類的均值、方差和背景類的均值、方差，其中上標(biāo)“+”表示目標(biāo)類，表示背景類，下標(biāo)i表示從樣本提取的第i個(gè)特征；步驟2:在…)周圍半徑rp個(gè)像素內(nèi)采集目標(biāo)類樣本集Z+ = W ||狀)-/(<)|々》}，這里Xt表示第t幀目標(biāo)類中的樣本，I(Xt)表示樣本Xt所在的位置；在/(I )周圍半徑rin、rm像素之間采集背景類樣本集f = K I rh, < ||/(x,)-/(x；)|| < /；?!，這里xt表示第t幀背景類中的樣本，I (xt)表示樣本xt所在的位置；其中rp，rin, ron是經(jīng)驗(yàn)參數(shù)，單位為像素； 步驟3:對目標(biāo)類和背景類中的每個(gè)樣本\提取nf個(gè)類哈爾特征fU,) = {./; (-V, )，./;(X, ),...，./? (X,)!; 步驟4:計(jì)算目標(biāo)類和背景類在第t幀的統(tǒng)計(jì)特征μ:’ σ'-; 步驟5:根據(jù)學(xué)習(xí)率λ更新參數(shù)<，(K，(，其中學(xué)習(xí)率是經(jīng)驗(yàn)參數(shù)； 步驟6:在第t+l幀的/(.<)周圍半徑rs個(gè)像素內(nèi)采集測試樣本JC1 = {xi+11 ||/(χ;+1 )-/(χ；)||</^ = {X:;； Ki1，并根據(jù)步驟3中的方法提取出它們的類哈爾特征； 步驟7:定義樣本與類之間的距離為d(x，X)，計(jì)算每個(gè)測試樣本Xe尤+1與目標(biāo)類在第i個(gè)特征上的距離屯匕x+),以及每個(gè)測試樣本與背景類在第i個(gè)特征上的距離cMx，X _)，將它們的和作為樣本與目標(biāo)類和背景類之間的距離，即:
步驟8:定義樣本與類之間的相似度為S(x，X);分別計(jì)算測試樣本與目標(biāo)類之間的相似度S(x, X+) = exp(-d(x, X+)),以及測試樣本與背景類之間的相似度S(x, xl =exp (-d(x, xO)； 步驟9:定義目標(biāo)函數(shù)J(x)，選擇測試樣本中與目標(biāo)類相似且與背景類不相似的樣本作為目標(biāo)在t+l幀的位置； 步驟10:判斷，t+l幀是不是最后一幀； 若t+l幀不是最后一幀，則令t = t+i，回轉(zhuǎn)執(zhí)行所述的步驟I ; 若t+ι幀是最后一幀，則本算法結(jié)束。
2.根據(jù)權(quán)利要求1所述的基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于:步驟I中所給出的目標(biāo)位置使用矩形框?qū)⒛繕?biāo)標(biāo)出，其所標(biāo)矩形框需要準(zhǔn)確的給出目標(biāo)所在位置，并且保證精確，矩形框中背景所占的像素不得超過矩形框總像素的10%。
3.根據(jù)權(quán)利要求1所述的基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于:步驟I中參數(shù)Y , <，U <是1^維的向量。
4.根據(jù)權(quán)利要求1所述的基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于:步驟2中rp取值為4，rin取值為6，ron取值范圍是9~15。
5.根據(jù)權(quán)利要求1所述的基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于:步驟3中提取nf個(gè)類哈爾特征的方法是對于樣本xt，隨機(jī)在其中選取nf個(gè)矩形框，使用每個(gè)矩形框中像素和的平均值作為特征。
6.根據(jù)權(quán)利要求1所述的基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于:步驟4中所述的計(jì)算目標(biāo)類和背景類在第t幀的統(tǒng)計(jì)特征，Ki，，其具體實(shí)現(xiàn)過程是對于第t幀的目標(biāo)襲Z根據(jù)其中樣本的特征計(jì)算均值和標(biāo)準(zhǔn)差；
，其中np為目標(biāo)類中樣本的個(gè)數(shù)；
，其中πη為背景類 < 中樣本的個(gè)數(shù)；
7.根據(jù)權(quán)利要求1所述的基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于:步驟5中所述的根據(jù)學(xué)習(xí)率λ更新參數(shù)#，<，// , <，其具體實(shí)現(xiàn)過程為:若當(dāng)前中貞 t = I,則 μ: = μ，cr+ = ’ μ] =μ =σ 否則 1.ζ -λμ: +(1-Λ)//^, ’< =λσ^ + (1-λ)σ:, ， μ: = λμ: +(1-?.)μ:, ，( = }ισ~ + (I — Λ)σ~，其中入取值范圍是0.7~I。
8.根據(jù)權(quán)利要求1所述的基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于:步驟5中所述的λ = 0.9。
9.根據(jù)權(quán)利要求1所述的基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于:步驟6中匕的取值范圍為9~15。
10.根據(jù)權(quán)利要求1所述的基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于:步驟7中所述的
，即為所有樣本特征的距離之和，其中i表示根據(jù)第i個(gè)特征
計(jì)算出的距離，
11.根據(jù)權(quán)利要求1所述的基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于:步驟.8 中所述的 S(x, X ) = exp (-d(x, x ))。
12.根據(jù)權(quán)利要求1所述的基于類相似性測量的實(shí)時(shí)目標(biāo)跟蹤算法，其特征在于:步驟9中所述的目標(biāo)函數(shù)
’目標(biāo)在t+Ι幀所在位置為
，其中S(x, x+)表示測試樣本與目標(biāo)類之間的相似度，S(x, χ-)表示測試樣本與背景類之間的相似度。
【文檔編號】G06T7/20GK104200493SQ201410453726
【公開日】2014年12月10日 申請日期:2014年9月5日 優(yōu)先權(quán)日:2014年9月5日
【發(fā)明者】何發(fā)智, 李康, 陳曉 申請人:武漢大學(xué)