1.一種基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法,其特征在于包括以下步驟:
步驟1、采用多示例學(xué)習(xí)跟蹤算法對跟蹤目標(biāo)建立MIL模型,并在跟蹤的過程中,不斷更新該MIL模型;
步驟2、利用跟蹤目標(biāo)的歷史狀態(tài),記錄表達(dá)各個不同歷史狀態(tài)的目標(biāo)模型,構(gòu)成一個目標(biāo)模型池;
步驟3、對每個模型分配一權(quán)重因子,針對當(dāng)前幀選擇最佳的目標(biāo)模型并估計目標(biāo)位置;
步驟4、檢測目標(biāo)周邊區(qū)域的關(guān)鍵點,找出與跟蹤目標(biāo)有強耦合關(guān)系的物體,利用空間相關(guān)信息預(yù)測目標(biāo)位置;
步驟5、融合利用最佳模型估計出的目標(biāo)位置和利用空間相關(guān)信息預(yù)測出的目標(biāo)位置,得到最終的目標(biāo)位置。
2.根據(jù)權(quán)利要求1所述的基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法,其特征在于:所述步驟1的實現(xiàn)方法包括以下步驟:
(1)構(gòu)建Haar特征集F={f1,...,fd},該特征集包含有d個特征,選擇出一組圖像塊:并計算每個圖像塊的特征值,得到MIL模型;
(2)利用構(gòu)建的MIL模型估計目標(biāo)位置概率p(y=1|x),更新目標(biāo)位置該MIL模型包含一組高斯分類器,采用在線Boost算法構(gòu)建強分類器;
(3)根據(jù)目標(biāo)的新位置,選擇一組正樣本圖像塊和一組負(fù)樣本圖像塊,計算樣本的特征值,更新高斯分類器的均值、方差參數(shù),從而更新MIL模型。
3.根據(jù)權(quán)利要求1所述的基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法,其特征在于:所述步驟2的實現(xiàn)方法包括以下步驟:
(1)MIL跟蹤算法利用多個弱分類器構(gòu)建目標(biāo)模型,每個弱分類器利用高斯分布構(gòu)建,包含4個重要的參數(shù),分別是正負(fù)樣本的均值和方差,參數(shù)矩陣m被用來表示目標(biāo),如下式所示:
其中d表示弱分類器的數(shù)量,μ*p,μ*n,σ*p,σ*n分別表示正負(fù)樣本的均值和方差,以此構(gòu)建出目標(biāo)模型池M={m1,...,mn};
(2)每一幀目標(biāo)模型更新后,得到一個新的參數(shù)矩陣模型表示,矩陣余弦相似度被用來衡量兩個模型的相似度,并根據(jù)相似度的大小,判斷是否需要保存該模型,該矩陣余弦相似度定義如下:
其中||m1||F表示矩陣m1的F范數(shù),對于模型mt-1,若ρ(mt-1,m)<θ,則將模型mt-1保存到模型池中,其中θ是設(shè)置的固定的閾值,判斷模型的相似程度。
4.根據(jù)權(quán)利要求1所述的基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法,其特征在于:所述步驟3的實現(xiàn)方法包括以下步驟:
(1)、判斷目標(biāo)模型池的大小,若超過了限定值,則刪除目標(biāo)模型池中最相似兩個模型的后者;
(2)、對于第t幀,從構(gòu)建的模型池中選出與當(dāng)前幀最匹配的外觀模型,如下式所示:
其中ci(x)是利用模型mi計算得到的概率置信圖,N是模型池中模型的數(shù)量,||||∞表示無窮范數(shù)。
5.根據(jù)權(quán)利要求1所述的基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法,其特征在于:所述步驟4的實現(xiàn)方法包括以下步驟:
(1)SURF特征被用來檢測目標(biāo)周邊區(qū)域的關(guān)鍵點,將檢測關(guān)鍵點的區(qū)域限制在寬αw和高αh的矩形范圍內(nèi)且不包括目標(biāo)區(qū)域,其中α表示縮放因子,w和h表示目標(biāo)區(qū)域的寬和高,第t幀上檢測關(guān)鍵點按如下公式得到:
其中是關(guān)鍵點的位置,fit是對關(guān)鍵點對應(yīng)的描述子,rit是關(guān)鍵點與目標(biāo)中心位置的相對距離,是指該關(guān)鍵點連續(xù)存在的幀數(shù),初始化rit和為0;
(2)得到第t幀的一組關(guān)鍵點后,將該組關(guān)鍵點與t-1幀的關(guān)鍵點進行匹配,如果滿足下式,則認(rèn)為匹配成功:
其中,和分別表示關(guān)鍵點在第t幀中最相似和次相似的關(guān)鍵點;
(3)關(guān)鍵點匹配完成得到一組匹配成功的關(guān)鍵點,對于成功匹配的關(guān)鍵點,更新這些點的相對距離和匹配次數(shù)如下:
rit=rjt-1
(4)利用所有匹配次數(shù)的點預(yù)測目標(biāo)位置,認(rèn)為在連續(xù)十幀中都出現(xiàn)的關(guān)鍵點,與目標(biāo)有很強的運動關(guān)聯(lián)性,預(yù)測目標(biāo)位置的公式如下:
其中是滿足條件所有關(guān)鍵點的個數(shù)。
6.根據(jù)權(quán)利要求1所述的基于空間耦合關(guān)系和歷史模型的目標(biāo)跟蹤方法,其特征在于:所述步驟5采用如下融合公式得到最終的目標(biāo)位置:
其中L是一組候選目標(biāo)位置的集合。