本發(fā)明屬于目標(biāo)跟蹤或圖像處理技術(shù)，即在圖像序列或者視頻中，采用檢測(cè)與跟蹤相關(guān)方法，對(duì)特定目標(biāo)進(jìn)行持續(xù)跟蹤。具體涉及Online Boosting和粒子濾波在跟蹤過(guò)程中的應(yīng)用。

背景技術(shù)：

行人檢測(cè)與跟蹤是通過(guò)對(duì)圖像序列或視頻監(jiān)控中的行人目標(biāo)進(jìn)行檢測(cè)、提取、識(shí)別和跟蹤，以獲得行人的位置、速度、加速度以及運(yùn)動(dòng)軌跡等參數(shù)，是實(shí)現(xiàn)對(duì)行人行為分析及獲得更深層次行為理解的重要步驟。在視頻監(jiān)控、智能人機(jī)交互、機(jī)器人視覺(jué)導(dǎo)航、智能交通、車輛輔助駕駛系統(tǒng)中、行為分析以及醫(yī)療診斷等方面有著廣泛的應(yīng)用，因此有著重要的研究意義和應(yīng)用價(jià)值。但是，由于人體的非剛性和運(yùn)動(dòng)的隨意性，且經(jīng)常會(huì)有光照、行人姿態(tài)變化、復(fù)雜背景以及遮擋等影響，使得復(fù)雜環(huán)境下行人跟蹤仍然面臨許多問(wèn)題。

滑動(dòng)窗口法解決了多姿態(tài)的檢測(cè)問(wèn)題，然而仍然不能滿足跟蹤中光線、姿態(tài)等的動(dòng)態(tài)變化，為了解決行人運(yùn)動(dòng)過(guò)程中的姿態(tài)、短時(shí)間遮擋以及光線等問(wèn)題，Helmut Grabner等人提出了Online Boosting算法，其主要思想是在線訓(xùn)練分類器，提取行人最新特征，從而能及時(shí)更新行人的運(yùn)動(dòng)模型。Online Boosting能夠很好的適應(yīng)行人姿態(tài)以及光線問(wèn)題，但對(duì)于稍長(zhǎng)時(shí)間的遮擋問(wèn)題，由于更新時(shí)將遮擋物作為前景進(jìn)行了更新，將前景當(dāng)成目標(biāo)的一部分，雖然具有自適應(yīng)能力，在遮擋時(shí)能檢測(cè)行人位置，但在目標(biāo)遠(yuǎn)離遮擋時(shí)，Online Boosting不足以很好的跟蹤。

粒子濾波能夠處理任意非線性、非高斯分布的系統(tǒng)，且速度較快，因而常應(yīng)用在目標(biāo)跟蹤場(chǎng)景中，能較好地適應(yīng)場(chǎng)景和目標(biāo)的變化。但在粒子濾波算法中，粒子多樣性匱乏現(xiàn)象是影響粒子跟蹤算法的一個(gè)重要因素。Arulampalam M S等人采用粒子重抽樣策略來(lái)簡(jiǎn)化退化的現(xiàn)象的影響，對(duì)粒子權(quán)重較大的粒子進(jìn)行多次選中，會(huì)造成樣本多樣性退化，帶來(lái)采樣枯竭的問(wèn)題。因此在粒子濾波中并不能簡(jiǎn)單地采用直接選取最大權(quán)值的方法，我們可以對(duì)粒子根據(jù)跟蹤的情況進(jìn)行重新生成，從而解決此問(wèn)題。Eberhart R C提出粒子群優(yōu)化算法(PSO)，PSO中每個(gè)粒子根據(jù)單個(gè)最優(yōu)和全局最優(yōu)進(jìn)行更新，能快速地搜到到最優(yōu)解，具有較好的跟蹤能力。然而在粒子模型中，如果不采用目標(biāo)未遮擋時(shí)的信息，會(huì)同樣面臨上面提到的問(wèn)題：在長(zhǎng)時(shí)間目標(biāo)遮擋停留的時(shí)候能較好的適應(yīng)，但是離開(kāi)遮擋時(shí)粒子并不能快速適應(yīng)，同時(shí)，在長(zhǎng)時(shí)間目標(biāo)遮擋的時(shí)候，粒子描述的能力也會(huì)退化。因此，鑒于簡(jiǎn)單特征的觀測(cè)模型在復(fù)雜環(huán)境和背景、噪聲干擾等因素影響下所具有的目標(biāo)識(shí)別能力有限，需要對(duì)狀態(tài)空間模型進(jìn)行改進(jìn)，增強(qiáng)粒子對(duì)目標(biāo)的跟蹤能力。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明的目的是為了克服現(xiàn)有的粒子濾波跟蹤方法的不足之處，以提高行人跟蹤的準(zhǔn)確性以及魯棒性，特提供一種基于新構(gòu)建的遮擋模型和Online Boosting算法的粒子濾波跟蹤方法。該方法的主要思路是先對(duì)行人遮擋情況進(jìn)行分析建模，利用Online Boosting在線更新跟蹤目標(biāo)的特征，以此來(lái)對(duì)粒子加權(quán)模型進(jìn)行改進(jìn)，在改進(jìn)粒子模型的時(shí)候，同時(shí)結(jié)合檢測(cè)信息來(lái)抑制粒子更新偏離跟蹤目標(biāo)，以此來(lái)提高目標(biāo)跟蹤準(zhǔn)確度。

本發(fā)明詳細(xì)技術(shù)方案是一種基于Online Boosting的粒子濾波行人目標(biāo)跟蹤方法，該方法步驟如下：

步驟1：提取目標(biāo)先驗(yàn)信息

步驟1-1：采用公共數(shù)據(jù)集構(gòu)建目標(biāo)訓(xùn)練模型；利用現(xiàn)有公共數(shù)據(jù)集分別提取行人的梯度直方圖特征和Luv顏色空間特征，然后進(jìn)行特征融合，采用SVM(支持向量機(jī))進(jìn)行訓(xùn)練，得到行人分類器g(x)；

步驟1-2：對(duì)需要檢測(cè)的圖像，采用滑動(dòng)窗口方法檢測(cè)目標(biāo)；對(duì)初始幀采用滑動(dòng)窗口方法，檢測(cè)需要跟蹤的行人目標(biāo)，提取目標(biāo)區(qū)域tr_k，其中k為檢測(cè)到的第k個(gè)行人；

步驟2：建立Online Boosting模型

步驟2-1：構(gòu)建弱分類器：采用LBP特征或者梯度直方圖特征構(gòu)建弱分類器；具體為：

對(duì)于LBP特征，采用近鄰學(xué)習(xí)生成一個(gè)距離函數(shù)D(·)，建立弱分類器：

其中，p_j和n_j分別表示正、負(fù)樣本的聚類中心，x目標(biāo)向量、j表示目標(biāo)的編號(hào)、f_j(x)為目標(biāo)投影函數(shù)、sign(·)符號(hào)函數(shù)，

對(duì)于Hog特征，可以找出行人和非行人的特征分布，然后簡(jiǎn)單地確定θ，利用下式即可：

其中，β_j為偏置項(xiàng)，θ為閾值；

步驟2-2：訓(xùn)練強(qiáng)分類器；用上述弱分類器構(gòu)成多個(gè)選擇子(Selctors)，每個(gè)選擇子包含多個(gè)弱分類器，利用步驟一得到的目標(biāo)區(qū)域進(jìn)行初始化，在每一個(gè)選擇子中選擇最小錯(cuò)誤率的弱分類器，同時(shí)計(jì)算權(quán)重，最后利用下式組合成強(qiáng)分類器

h^strong(x)＝sign(conf(x))

其中，conf(x)為最后檢測(cè)的可信度，以此可信度作為粒子濾波器權(quán)值的部分參數(shù)，就可以對(duì)目標(biāo)進(jìn)行檢測(cè)跟蹤；表示選擇子，α_j表示加權(quán)系數(shù)；

步驟3：對(duì)遮擋行人進(jìn)行建模，假設(shè)目標(biāo)i被目標(biāo)j遮擋，如下：

步驟3-1：對(duì)兩個(gè)目標(biāo)的重疊區(qū)域進(jìn)行積分，公式為：

z_ij＝∫N_i(t)·N_j(t)dt

其中，其中c_i第i個(gè)目標(biāo)均值，C_i為方差；上式的積分結(jié)果為一個(gè)高斯函數(shù)：z_ij＝N(t_i；t_j,C_ij)，其中C_ij＝C_i+C_j，關(guān)注的遮擋時(shí)的重疊區(qū)域，采用下式來(lái)進(jìn)行計(jì)算

其中：C_ij為i和j重疊區(qū)域，V_ij為協(xié)方差，c_j為第j個(gè)目標(biāo)均值；

步驟3-2：定義目標(biāo)的遮擋矩陣為：

Φ＝(Φ_ij)_i,j

其中Φ_ij＝σ_ij·V_ij,i≠j，Φ_ii＝0；對(duì)于Φ中某一行i和任意j列，Φ_ij表示i被j遮擋的部分；目標(biāo)i的所有遮擋為j行的和，即：∑_jΦ_ij；目標(biāo)i的可見(jiàn)部分為：max(0,1-∑_jΦ_ij)；采用指數(shù)函數(shù)來(lái)定義目標(biāo)的可見(jiàn)部分，公式為：

v_i(X)＝exp(-∑_jΦ_ij)，

其中：X為待求目標(biāo)，X_j表示第j個(gè)目標(biāo)；

步驟4：構(gòu)建粒子加權(quán)模型；

第i個(gè)粒子t-1時(shí)刻的權(quán)重為t時(shí)刻的粒子權(quán)重為粒子權(quán)重的變化情況為：

其中，k_o,k_d,k_s,k_v為相應(yīng)項(xiàng)的加權(quán)系數(shù)，同時(shí)有k_o+k_d+k_s+k_v＝1；

步驟4-1：強(qiáng)分類器檢測(cè)的結(jié)果ρ⁽ⁱ⁾_o,t：對(duì)于第t時(shí)刻的i個(gè)粒子p⁽ⁱ⁾_t，獲得最后的相似度，得到ρ⁽ⁱ⁾_o,t：

ρ⁽ⁱ⁾_o,t＝corf(p⁽ⁱ⁾_t)

其中conf(p⁽ⁱ⁾_t)為Onling Boosting的置信度計(jì)算公式；

步驟4-2：當(dāng)前粒子距上一次目標(biāo)跟蹤的位置的距離ρ⁽ⁱ⁾_d,t：從目標(biāo)運(yùn)動(dòng)過(guò)程來(lái)看，如果某個(gè)粒子距上一時(shí)刻的目標(biāo)距離較遠(yuǎn)，那么該粒子描述跟蹤目標(biāo)的能力就較低，反之，如果粒子距上一時(shí)刻目標(biāo)位置較近，則可信度較高。由于目標(biāo)處于運(yùn)動(dòng)狀態(tài)，上一個(gè)時(shí)刻的位置不一定是當(dāng)前目標(biāo)的位置，因此，為了增加可信度，對(duì)上一個(gè)時(shí)刻目標(biāo)所處的位置周圍某個(gè)區(qū)域的粒子設(shè)置相同的權(quán)重，而處于此區(qū)域以外的粒子隨距離的增加而遞減，即：

其中，ε為一個(gè)固定數(shù)值，由行人目標(biāo)運(yùn)動(dòng)的速度來(lái)度量；D⁽ⁱ⁾_t為第i個(gè)粒子距離上一時(shí)刻目標(biāo)的位置。

步驟4-3：與上一次跟蹤的相似度ρ⁽ⁱ⁾_s,t：由于行人的非剛性，因此上一時(shí)刻目標(biāo)和當(dāng)前時(shí)刻目標(biāo)已經(jīng)處于完全不同的狀態(tài)，但是由于每一幀時(shí)間足夠短，因此每一幀中行人外觀變化不是特別大，因此，對(duì)特征變化太大的目標(biāo)置一個(gè)較小的權(quán)重，對(duì)相似性很高的目標(biāo)置一個(gè)較大的權(quán)重，即：

ρ⁽ⁱ⁾_s，t＝exp(-(F_t⁽ⁱ⁾-F_t-1)²)

其中F_t⁽ⁱ⁾為第i個(gè)粒子在t時(shí)刻的特征(使用HOG+LUV特征進(jìn)行描述)，F(xiàn)_t-1為t-1時(shí)刻行人目標(biāo)的特征；

行人的可見(jiàn)部分ρ⁽ⁱ⁾_v,t：目標(biāo)被遮擋的情況下可信度降低，可見(jiàn)部分的值也應(yīng)該減小，而目標(biāo)不存在遮擋時(shí)，可見(jiàn)部分應(yīng)該增加；采用如下公式表示:

其中，bb_i為目標(biāo)未遮擋時(shí)的大小，V(i)為目標(biāo)被目標(biāo)j遮擋時(shí)的大小，為目標(biāo)i與目標(biāo)j的距離，ζ為距離閾值，根據(jù)實(shí)際情況確定；

步驟5：預(yù)測(cè)位置，進(jìn)行跟蹤和更新

由粒子濾波公式得到目標(biāo)的最終位置，并跟新初始值和權(quán)系數(shù)；

x(t)＝f(x(t-1),u(t),w(t))

y(t)＝h(x(t),e(t))

其中，x(t)為t時(shí)刻狀態(tài)，u(t)為t時(shí)刻控制量，w(t)和e(t)為觀測(cè)模型和噪聲模型，f(·)為觀測(cè)方程，h(·)為狀態(tài)方程，y(t)為最后的狀態(tài)。

本發(fā)明的核心在于粒子濾波模型的重新構(gòu)建過(guò)程，主要采用了Onling Boosting方法來(lái)進(jìn)行最后檢測(cè)的可信度描述，如果檢測(cè)的區(qū)域可信度較低，那么粒子權(quán)重將變小，以此來(lái)對(duì)粒子更新過(guò)程中偏離跟蹤目標(biāo)進(jìn)行抑制。同時(shí)，對(duì)遮擋目標(biāo)進(jìn)行了分析，描述了目標(biāo)被遮擋情形下可見(jiàn)區(qū)域的面積，以此來(lái)改善粒子的置信度。按此方法建立的粒子模型對(duì)具體場(chǎng)景中所涉及的問(wèn)題進(jìn)行了建模，進(jìn)行跟蹤時(shí)具有更好的準(zhǔn)確性和魯棒性，適用于復(fù)雜場(chǎng)景中的行人跟蹤。

附圖說(shuō)明

圖1為本發(fā)明的流程圖。

圖2為Onling Boostin算法框架。

具體實(shí)施方式

下面對(duì)本發(fā)明做進(jìn)一步的說(shuō)明。

Onling Boostin分類器的構(gòu)建方法中，對(duì)于每一個(gè)選擇器，利用分類器里預(yù)測(cè)樣本標(biāo)簽，同時(shí)計(jì)算錯(cuò)誤，即：如果預(yù)測(cè)樣本標(biāo)簽正確，有λ^corr＝λ^corr+λ，否則λ^wrong＝λ^wrong+λ，最后計(jì)算錯(cuò)誤率，然后，選擇錯(cuò)誤率最小的弱分類器作為分類器，并計(jì)算分類器的權(quán)重。同時(shí)更新λ，最后獲得強(qiáng)分類器。另外，為了提高速度，也可以將所有選擇器進(jìn)行合并，相當(dāng)于每個(gè)選擇器都包括全部特征池(各種特征的弱分類器)，這樣做的另一個(gè)優(yōu)點(diǎn)是包括了全部的特征。

在構(gòu)建遮擋模型時(shí)，目標(biāo)i在某個(gè)區(qū)域中，用bb(X_i)來(lái)進(jìn)行表示。但是，如果采用行人本身的區(qū)域面積來(lái)描述，會(huì)在計(jì)算過(guò)程中出現(xiàn)不可導(dǎo)的情況，于是我們采用高斯指示函數(shù)來(lái)進(jìn)行描述，即：選擇高斯函數(shù)的另一個(gè)原因是現(xiàn)實(shí)場(chǎng)景中大多數(shù)物體可以用圓或者橢圓來(lái)進(jìn)行近似。另外，兩個(gè)目標(biāo)的重疊區(qū)域的積分式z_ij＝∫N_i(x)·N_j(x)dx中的積分結(jié)果仍然是一個(gè)高斯函數(shù)：z_ij＝N(c_i；c_j,C_ij)，其中C_ij＝C_i+C_j，這樣便于計(jì)算。