技術(shù)特征：

1.一種基于在線學(xué)習(xí)的實(shí)時(shí)目標(biāo)跟蹤方法，其特征在于具體步驟為：

第一步 構(gòu)建基于在線學(xué)習(xí)的實(shí)時(shí)目標(biāo)跟蹤系統(tǒng)

基于在線學(xué)習(xí)的實(shí)時(shí)目標(biāo)跟蹤系統(tǒng)，包括：視頻采集模塊、ELM分類器初始化訓(xùn)練模塊、目標(biāo)跟蹤模塊、分類器更新模塊和視頻存儲(chǔ)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(shí)時(shí)視頻數(shù)據(jù)；

ELM分類器初始化訓(xùn)練模塊的功能為：完成初始訓(xùn)練樣本的生成與特征提取，利用最小二乘法進(jìn)行網(wǎng)絡(luò)參數(shù)計(jì)算，構(gòu)建ELM分類器；

目標(biāo)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(biāo)，利用ELM分類器確定候選目標(biāo)的置信度，按照粒子濾波后驗(yàn)概率分布定位目標(biāo)；

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(xué)習(xí)方式更新ELM分類器；

視頻存儲(chǔ)模塊的功能為：采用視頻壓縮算法實(shí)現(xiàn)攝像頭實(shí)時(shí)視頻的壓縮與存儲(chǔ)；

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(biāo)；

第三步 ELM分類器初始化訓(xùn)練模塊形成初始ELM分類器

ELM分類器初始化訓(xùn)練模塊在指定得到目標(biāo)周圍采集征服訓(xùn)練樣本，同時(shí)提取樣本特征，依據(jù)單隱層神經(jīng)網(wǎng)絡(luò)的訓(xùn)練方式計(jì)算ELM分類器的網(wǎng)絡(luò)參數(shù)，形成初始ELM分類器；

即獲得的訓(xùn)練集為：Ω₀＝{(x_i,y_i)},1≤i≤N_p+N_n，其中N_p代表正樣本的數(shù)量，N_n代表負(fù)樣本的數(shù)量(N_p≈N_n)；然后根據(jù)ELM的訓(xùn)練過程完成ELM網(wǎng)絡(luò)的訓(xùn)練，即計(jì)算輸出層的輸出權(quán)重β，形成初始ELM分類器；用公式(1)表示：

$\begin{array}{cc}\underset{l=1}{\overset{L}{\Σ}}{\mathrm{\β}}_{l}G(w_l,b_l,x_i)=y_i& 1\≤i\≤N\end{array}---\left(1\right)$

其中，N為樣本數(shù)，x_i＝[x_i1,x_i2,...,x_id]^T∈R^d表示第i個(gè)訓(xùn)練樣本，y_i＝[y_i1,y_i2,...,y_im]^T∈R^m表示第i個(gè)訓(xùn)練樣本對(duì)應(yīng)的期望值；L為隱層節(jié)點(diǎn)數(shù)，w_l∈R^d表示輸入層和第l個(gè)隱層節(jié)點(diǎn)的連接權(quán)重向量，β_l∈R^m表示第l個(gè)隱層節(jié)點(diǎn)和輸出層的連接輸出向量，b_l是第l個(gè)隱層節(jié)點(diǎn)的偏置；g(x_i)＝G(w_l,b_l,x_i)表示關(guān)于輸入x_i的第l個(gè)隱層節(jié)點(diǎn)的輸出；

第四步 目標(biāo)跟蹤模塊對(duì)目標(biāo)進(jìn)行跟蹤定位

目標(biāo)跟蹤模塊在跟蹤過程中持續(xù)運(yùn)行，不間斷的在當(dāng)前幀圖像中確定前一幀圖像中目標(biāo)的位置，并在其周圍采用粒子濾波算法生成候選目標(biāo)；利用ELM分類器確定候選目標(biāo)的置信度，然后按照粒子濾波后驗(yàn)概率分布定位目標(biāo)；

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(biāo)的概率；定義：

$P(y=1|x)=\frac{o_1-o_2}{2}---\left(2\right)$

{o₁,o₂}-1＜o(jì)₁＜1,-1＜o(jì)₂＜1表示ELM分類器的輸出節(jié)點(diǎn)，當(dāng)o₁＞o₂時(shí)，候選目標(biāo)x被分為目標(biāo)，即y＝1；將其歸一化，使p(y＝1|x)∈[0,1]得到：

$P(y=1|x)=0.5+\frac{o_1-o_2}{4}---\left(3\right)$

其中o₁、o₂由公式(1)確定：

$\[o_1,o_2\]=f\left(x\right)=\underset{l=1}{\overset{L}{\Σ}}{\mathrm{\β}}_{l}G(w_l,b_l,x)---\left(4\right)$

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(jié)果在目標(biāo)周圍采樣新的正負(fù)樣本，生成新的訓(xùn)練數(shù)據(jù)，并進(jìn)行特征提取，然后按照在線學(xué)習(xí)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(biāo)跟蹤，直到跟蹤結(jié)束；

設(shè)獲得N_t個(gè)新的正負(fù)樣本，對(duì)應(yīng)的期望值為Y_t、隱層輸出矩陣為H_t；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(quán)重β_t，通過最小二乘法，確定添加新樣本后輸出層的輸出權(quán)重；

${\mathrm{\β}}_t={\mathrm{\β}}_{t-1}+{\mathrm{\ψ}}_t^{-1}{H}_t^T\[Y_t-H_t{\mathrm{\β}}_{t-1}\]---\left(5\right)$

其中

${\mathrm{\ψ}}_t={\left[\begin{array}{c}{H}_{t-1}\\ H_t\end{array}\right]}^T\left[\begin{array}{c}{H}_{t-1}\\ H_t\end{array}\right]={\mathrm{\ψ}}_{t-1}+H_t^T{H}_t---\left(6\right)$

${\mathrm{\ψ}}_t^{-1}={\mathrm{\ψ}}_{t-1}^{-1}-{\mathrm{\ψ}}_{t-1}^{-1}{H}_t^T{\[I+H_t{\mathrm{\ψ}}_{t-1}^{-1}{H}_t^T\]}^{-1}---\left(7\right)$

β_t-1為上一幀ELM分類器的輸出權(quán)重，H_t-1為上一幀ELM分類器的隱層輸出權(quán)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(xùn)練獲得ELM分類器的輸出權(quán)重，而是在原有輸出權(quán)重的基礎(chǔ)上按照公式(5)確定；

第六步 視頻存儲(chǔ)模塊進(jìn)行視頻壓縮編碼

視頻存儲(chǔ)模塊對(duì)跟蹤結(jié)果進(jìn)行存儲(chǔ)，在跟蹤過程中，跟蹤模塊處理過的圖像按順序被存儲(chǔ)到硬盤中，一旦跟蹤結(jié)束，視頻存儲(chǔ)模塊即刻采用壓縮算法對(duì)這些圖像進(jìn)行視頻壓縮編碼；

至此，完成基于在線學(xué)習(xí)的實(shí)時(shí)目標(biāo)跟蹤。

2.一種基于在線學(xué)習(xí)的實(shí)時(shí)目標(biāo)跟蹤方法，其特征在于所述壓縮算法包括：H.264、Mpeg或JPEG2000中的一種。