本發(fā)明涉及一種目標跟蹤方法，特別是一種基于在線學習的實時目標跟蹤方法。
背景技術：
近年來，為了解決目標跟蹤問題，很多學者將目標分類方法應用于目標跟蹤。此類方法將目標跟蹤看做二分類問題，通過訓練分類器將目標和背景分離。例如支持向量機，即Support vector machine,SVM與光流法結合，用于跟蹤車輛目標。該方法需要在跟蹤前搜集大量的車輛樣本和非車輛樣本訓練支持向量機，并在每一幀圖像結合光流法獲取目標的精確位置，該方法的難點在于大量正負樣本的形成和訓練。還有類似的方法利用結構輸出支持向量機對目標跟蹤問題進行建模，通過對目標的運動狀態(tài)分類直接預測目標位置，取得了較好的跟蹤效果，但是由于支持向量機的訓練和更新計算復雜，因此計算效率較低。
技術實現(xiàn)要素：
本發(fā)明目的在于提供一種基于在線學習的實時目標跟蹤方法，解決傳統(tǒng)分類方法進行目標跟蹤樣本構造困難、分類器誤差大、分類器在線更新與窮舉搜索定位計算量大的問題。
一種基于在線學習的實時目標跟蹤方法的具體步驟為：
第一步 構建基于在線學習的實時目標跟蹤系統(tǒng)
基于在線學習的實時目標跟蹤系統(tǒng)，包括：視頻采集模塊、ELM分類器初始化訓練模塊、目標跟蹤模塊、分類器更新模塊和視頻存儲模塊。
視頻采集模塊的功能為：讀取硬盤中多種格式的視頻，讀取USB接口攝像頭實時視頻數(shù)據(jù)。
ELM分類器初始化訓練模塊的功能為：完成初始訓練樣本的生成與特征提取，利用最小二乘法進行網絡參數(shù)計算，構建ELM分類器。
目標跟蹤模塊的功能為：依據(jù)粒子濾波采樣原理生成候選目標，利用ELM分類器確定候選目標的置信度，按照粒子濾波后驗概率分布定位目標。
分類器更新模塊的功能為：新樣本的生成與特征提取，按照在線學習方式更新ELM分類器。
視頻存儲模塊的功能為：采用視頻壓縮算法實現(xiàn)攝像頭實時視頻的壓縮與存儲，壓縮算法采用H.264、Mpeg或JPEG2000中的一種。
第二步 視頻采集模塊讀取圖像數(shù)據(jù)
視頻采集模塊從攝像頭或者硬盤中存取的視頻中獲取視頻流數(shù)據(jù)，并將視頻流分解為一幀一幀的圖像。初始化階段，由人工指定目標。
第三步 ELM分類器初始化訓練模塊形成初始ELM分類器
ELM分類器初始化訓練模塊在指定得到目標周圍采集征服訓練樣本，同時提取樣本特征，依據(jù)單隱層神經網絡的訓練方式計算ELM分類器的網絡參數(shù)，形成初始ELM分類器。
即獲得的訓練集為：Ω0＝{(xi,yi)},1≤i≤Np+Nn，其中Np代表正樣本的數(shù)量，Nn代表負樣本的數(shù)量(Np≈Nn)；然后根據(jù)ELM的訓練過程完成ELM網絡的訓練，即計算輸出層的輸出權重β，形成初始ELM分類器。用公式(1)表示：
其中，N為樣本數(shù)，xi＝[xi1,xi2,…,xid]T∈Rd表示第i個訓練樣本，yi＝[yi1,yi2,…,yim]T∈Rm表示第i個訓練樣本對應的期望值。L為隱層節(jié)點數(shù)，wl∈Rd表示輸入層和第l個隱層節(jié)點的連接權重向量，βl∈Rm表示第l個隱層節(jié)點和輸出層的連接輸出向量，bl是第l個隱層節(jié)點的偏置。g(xi)＝G(wl,bl,xi)表示關于輸入xi的第l個隱層節(jié)點的輸出。
第四步 目標跟蹤模塊對目標進行跟蹤定位
目標跟蹤模塊在跟蹤過程中持續(xù)運行，不間斷的在當前幀圖像中確定前一幀圖像中目標的位置，并在其周圍采用粒子濾波算法生成候選目標。利用ELM分類器確定候選目標的置信度，然后按照粒子濾波后驗概率分布定位目標。
利用ELM分類器獲取候選樣本的置信度，記為P(y＝1|x)，即候選樣本是目標的概率。定義：
{o1,o2}-1＜o1＜1,-1＜o2＜1表示ELM分類器的輸出節(jié)點，當o1＞o2時，候選目標x被分為目標，即y＝1。將其歸一化，使p(y＝1|x)∈[0,1]得到：
其中o1、o2由公式(1)確定：
第五步 ELM分類器更新模塊更新ELM分類器
ELM分類器更新模塊利用定位結果在目標周圍采樣新的正負樣本，生成新的訓練數(shù)據(jù)，并進行特征提取，然后按照在線學習方式更新ELM分類器，使得ELM分類器更適合下一幀圖像的目標跟蹤，直到跟蹤結束。
設獲得Nt個新的正負樣本，對應的期望值為Yt、隱層輸出矩陣為Ht。在線更新ELM分類器的目的是確定ELM分類器在添加新樣本后的輸出權重βt，通過最小二乘法，確定添加新樣本后輸出層的輸出權重。
其中
βt-1為上一幀ELM分類器的輸出權重，Ht-1為上一幀ELM分類器的隱層輸出權重，在線ELM分類器不需要將新數(shù)據(jù)與原始數(shù)據(jù)混合重新訓練獲得ELM分類器的輸出權重，而是在原有輸出權重的基礎上按照公式(5)確定。
第六步 視頻存儲模塊進行視頻壓縮編碼
視頻存儲模塊對跟蹤結果進行存儲，在跟蹤過程中，跟蹤模塊處理過的圖像按順序被存儲到硬盤中，一旦跟蹤結束，視頻存儲模塊即刻采用壓縮算法對這些圖像進行視頻壓縮編碼。
至此，完成基于在線學習的實時目標跟蹤。
本發(fā)明基于粒子濾波的目標定位使用有限的粒子數(shù)目產生候選樣本，提高了計算效率，基于在線學習ELM分類器，實現(xiàn)了訓練樣本的實時增量學習，能夠快速適應目標的外觀變化，提升了目標跟蹤精度。
具體實施方式
一種基于在線學習的實時目標跟蹤方法的具體步驟為：
第一步 構建基于在線學習的實時目標跟蹤系統(tǒng)
基于在線學習的實時目標跟蹤系統(tǒng)，包括：視頻采集模塊、ELM分類器初始化訓練模塊、目標跟蹤模塊、分類器更新模塊和視頻存儲模塊。
視頻采集模塊的功能為：讀取硬盤中多種格式的視頻，讀取USB接口攝像頭實時視頻數(shù)據(jù)。
ELM分類器初始化訓練模塊的功能為：完成初始訓練樣本的生成與特征提取，利用最小二乘法進行網絡參數(shù)計算，構建ELM分類器。
目標跟蹤模塊的功能為：依據(jù)粒子濾波采樣原理生成候選目標，利用ELM分類器確定候選目標的置信度，按照粒子濾波后驗概率分布定位目標。
分類器更新模塊的功能為：新樣本的生成與特征提取，按照在線學習方式更新ELM分類器。
視頻存儲模塊的功能為：采用視頻壓縮算法實現(xiàn)攝像頭實時視頻的壓縮與存儲，壓縮算法采用H.264、Mpeg或JPEG2000中的一種。
第二步 視頻采集模塊讀取圖像數(shù)據(jù)
視頻采集模塊從攝像頭或者硬盤中存取的視頻中獲取視頻流數(shù)據(jù)，并將視頻流分解為一幀一幀的圖像。初始化階段，由人工指定目標。
第三步 ELM分類器初始化訓練模塊形成初始ELM分類器
ELM分類器初始化訓練模塊在指定得到目標周圍采集征服訓練樣本，同時提取樣本特征，依據(jù)單隱層神經網絡的訓練方式計算ELM分類器的網絡參數(shù)，形成初始ELM分類器。
即獲得的訓練集為：Ω0＝{(xi,yi)},1≤i≤Np+Nn，其中Np代表正樣本的數(shù)量，Nn代表負樣本的數(shù)量(Np≈Nn)；然后根據(jù)ELM的訓練過程完成ELM網絡的訓練，即計算輸出層的輸出權重β，形成初始ELM分類器。用公式(1)表示：
其中，N為樣本數(shù)，xi＝[xi1,xi2,...,xid]T∈Rd表示第i個訓練樣本，yi＝[yi1,yi2,…,yim]T∈Rm表示第i個訓練樣本對應的期望值。L為隱層節(jié)點數(shù)，wl∈Rd表示輸入層和第l個隱層節(jié)點的連接權重向量，βl∈Rm表示第l個隱層節(jié)點和輸出層的連接輸出向量，bl是第l個隱層節(jié)點的偏置。g(xi)＝G(wl,bl,xi)表示關于輸入xi的第l個隱層節(jié)點的輸出。
第四步 目標跟蹤模塊對目標進行跟蹤定位
目標跟蹤模塊在跟蹤過程中持續(xù)運行，不間斷的在當前幀圖像中確定前一幀圖像中目標的位置，并在其周圍采用粒子濾波算法生成候選目標。利用ELM分類器確定候選目標的置信度，然后按照粒子濾波后驗概率分布定位目標。
利用ELM分類器獲取候選樣本的置信度，記為P(y＝1|x)，即候選樣本是目標的概率。定義：
{o1,o2}-1＜o1＜1,-1＜o2＜1表示ELM分類器的輸出節(jié)點，當o1＞o2時，候選目標x被分為目標，即y＝1。將其歸一化，使p(y＝1|x)∈[0,1]得到：
其中o1、o2由公式(1)確定：
第五步 ELM分類器更新模塊更新ELM分類器
ELM分類器更新模塊利用定位結果在目標周圍采樣新的正負樣本，生成新的訓練數(shù)據(jù)，并進行特征提取，然后按照在線學習方式更新ELM分類器，使得ELM分類器更適合下一幀圖像的目標跟蹤，直到跟蹤結束。
設獲得Nt個新的正負樣本，對應的期望值為Yt、隱層輸出矩陣為Ht。在線更新ELM分類器的目的是確定ELM分類器在添加新樣本后的輸出權重βt，通過最小二乘法，確定添加新樣本后輸出層的輸出權重。
其中
βt-1為上一幀ELM分類器的輸出權重，Ht-1為上一幀ELM分類器的隱層輸出權重，在線ELM分類器不需要將新數(shù)據(jù)與原始數(shù)據(jù)混合重新訓練獲得ELM分類器的輸出權重，而是在原有輸出權重的基礎上按照公式(5)確定。
第六步 視頻存儲模塊進行視頻壓縮編碼
視頻存儲模塊對跟蹤結果進行存儲，在跟蹤過程中，跟蹤模塊處理過的圖像按順序被存儲到硬盤中，一旦跟蹤結束，視頻存儲模塊即刻采用H.264視頻壓縮算法對這些圖像進行視頻壓縮編碼。
至此，完成基于在線學習的實時目標跟蹤。