基于支持向量機(jī)的多特征選擇目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理和計(jì)算機(jī)視覺領(lǐng)域，特別設(shè)及了基于支持向量機(jī)的多特征選 擇目標(biāo)跟蹤方法。
【背景技術(shù)】
[0002] 目標(biāo)跟蹤是計(jì)算機(jī)視覺研究領(lǐng)域中的關(guān)鍵問題，可用于自動(dòng)監(jiān)控、機(jī)器人導(dǎo)航、人 機(jī)交互等很多應(yīng)用領(lǐng)域。對(duì)于應(yīng)用于真實(shí)場(chǎng)景的一種穩(wěn)健的視覺跟蹤算法，需要有效地處 理目標(biāo)外觀及姿態(tài)的改變，快速運(yùn)動(dòng)、遮擋，光照影響，背景雜波等多方面的挑戰(zhàn)。
[0003] 目前，主流的目標(biāo)跟蹤方法是將跟蹤問題視為分類問題。即在特定區(qū)域中將感興 趣的目標(biāo)從背景中分離出來。南京信息工程大學(xué)申請(qǐng)的專利"基于多特征聯(lián)合稀疏表示的 視覺目標(biāo)跟蹤方法"（公開號(hào)；CN 103295242A)公開了一種基于多特征聯(lián)合稀疏表示的視 覺目標(biāo)跟蹤方法。該方法采用像素灰度值特征和HOG特征聯(lián)合描述目標(biāo)，通過對(duì)字典模板 和候選樣本進(jìn)行重疊分塊并采用分類的思想，利用字典中與候選樣本塊具有相同類別的塊 及其表示系數(shù)對(duì)塊進(jìn)行重構(gòu)，依據(jù)重構(gòu)誤差構(gòu)建似然函數(shù)確定最佳候選樣本。同時(shí)利用APG 方法求解聯(lián)合特征的稀疏系數(shù)，避免了傳統(tǒng)方法在處理每帖時(shí)都需要執(zhí)行復(fù)雜的11最小 化計(jì)算。該方法在目標(biāo)發(fā)生遮擋、尺度變化、快速運(yùn)動(dòng)、光照變化等情況時(shí)能夠穩(wěn)定地跟蹤， 但跟蹤速度有待進(jìn)一步提高。北京工業(yè)大學(xué)申請(qǐng)的專利"基于改進(jìn)多示例學(xué)習(xí)算法的運(yùn)動(dòng) 目標(biāo)跟蹤方法"（公開號(hào)；CN 103325125A)公開了一種基于改進(jìn)的多示例學(xué)習(xí)算法的目標(biāo) 跟蹤方法。該方法根據(jù)壓縮感知理論設(shè)計(jì)隨機(jī)測(cè)量矩陣，利用多示例學(xué)習(xí)算法在當(dāng)前跟蹤 結(jié)果小鄰域內(nèi)采樣示例構(gòu)成正包，同時(shí)在其大鄰域圓環(huán)內(nèi)采樣示例構(gòu)成負(fù)包，對(duì)每個(gè)示例， 在圖像平面提取表征目標(biāo)的特征，并利用隨機(jī)感知矩陣對(duì)其降維。根據(jù)提取的示例特征在 線學(xué)習(xí)弱分類器，并在弱分類器池中選擇判別能力較強(qiáng)的弱分類器構(gòu)成強(qiáng)分類器；當(dāng)跟蹤 到新的目標(biāo)位置時(shí)，利用當(dāng)前跟蹤結(jié)果與目標(biāo)模板的相似性分?jǐn)?shù)在線自適應(yīng)調(diào)整分類器更 新程度參數(shù)。該方法采用的是化ar特征，化ar特征對(duì)邊緣信息比較敏感，當(dāng)目標(biāo)變形或與 背景相似時(shí)，容易造成跟蹤失敗。Martin等人研究了在基于檢測(cè)的跟蹤框架下顏色的貢獻(xiàn)， 提出顏色統(tǒng)計(jì)特征在視覺跟蹤中提供了優(yōu)越的性能。該方法跟蹤速度很快，能進(jìn)行實(shí)時(shí)跟 蹤，跟蹤精度也較高，但當(dāng)目標(biāo)尺寸變化較大時(shí)，跟蹤器不能很好地處理。

【發(fā)明內(nèi)容】

[0004] 為了解決上述【背景技術(shù)】提出的問題，本發(fā)明旨在提供基于支持向量機(jī)的多特征選 擇目標(biāo)跟蹤方法，該方法能夠解決單一特征描述目標(biāo)能力較差的問題W及克服單一正樣本 訓(xùn)練的分類器分類能力較弱的缺點(diǎn)，能夠在光照影響較大、目標(biāo)出現(xiàn)嚴(yán)重遮擋等復(fù)雜場(chǎng)景 下提高目標(biāo)跟蹤器的精度和穩(wěn)健性。
[0005] 為了實(shí)現(xiàn)上述技術(shù)目的，本發(fā)明的技術(shù)方案為：
[0006] 基于支持向量機(jī)的多特征選擇目標(biāo)跟蹤方法，包括W下步驟：
[0007] (1)利用簡(jiǎn)單跟蹤器跟蹤視頻序列的前n帖，將每帖的跟蹤結(jié)果分別作為一個(gè)正 樣本，共得到n個(gè)正樣本，同時(shí)在當(dāng)前帖的跟蹤結(jié)果附近獲取若干負(fù)樣本，分別提取正、負(fù) 樣本的多個(gè)特征；
[000引 （2)在跟蹤過程中，對(duì)于新到來的每帖圖像，分別抽取N個(gè)粒子作為候選目標(biāo)，并 對(duì)抽取的候選目標(biāo)采用步驟（1)中提取正、負(fù)樣本特征的方式提取目標(biāo)特征；
[0009] (3)對(duì)于從正、負(fù)樣本W(wǎng)及候選目標(biāo)中提取出的特征進(jìn)行核化處理，使所有特征的 維數(shù)達(dá)到相同；
[0010] (4)利用正、負(fù)樣本訓(xùn)練支持向量機(jī)分類器；
[0011] 妨用分類器計(jì)算候選目標(biāo)屬于正樣本的概率，將具有最大概率值的候選目標(biāo)作 為跟蹤結(jié)果；
[0012] (6)在跟蹤過程中，每隔一定帖數(shù)對(duì)正、負(fù)樣本進(jìn)行更新，用更新后的正、負(fù)樣本重 新訓(xùn)練分類器，實(shí)現(xiàn)分類器的更新；
[0013] (7)采用標(biāo)準(zhǔn)度量準(zhǔn)則評(píng)估跟蹤性能。
[0014] 步驟（1)中，所述正、負(fù)樣本的多個(gè)特征包括灰度特征和LBP特征。
[00巧]步驟（2)中，所述候選目標(biāo)的抽取方法為，在上一帖圖像的跟蹤目標(biāo)的 周圍進(jìn)行高斯采樣，選取跟蹤目標(biāo)的運(yùn)動(dòng)仿射參數(shù)作為跟蹤目標(biāo)的狀態(tài)變量St = 0" 0"s"曰"(K)，抽取候選目標(biāo)；其中iDt、0t、0t、St、曰t、(K分別表示跟蹤目標(biāo) 在第t帖X方向上的坐標(biāo)、y方向上的坐標(biāo)、旋轉(zhuǎn)角度、尺度變化、寬高比、傾斜度；
[0016] 步驟化）中，采用子空間學(xué)習(xí)的方法更新正樣本。
[0017] 步驟（7)中，所述標(biāo)準(zhǔn)度量準(zhǔn)則包括中屯、誤差和跟蹤重疊率。
[0018] 采用上述技術(shù)方案帶來的有益效果：
[0019] (1)本發(fā)明不同于傳統(tǒng)用單一正樣本和多個(gè)負(fù)樣本進(jìn)行分類器訓(xùn)練的方法，采用 不同特征的多個(gè)正負(fù)樣本進(jìn)行分類器訓(xùn)練，增強(qiáng)了分類器的分類能力；
[0020] (2)本發(fā)明聯(lián)合采用不同特征一一灰度特征和LBP特征對(duì)目標(biāo)進(jìn)行描述，彌補(bǔ)了 單一特征描述目標(biāo)能力不足的缺點(diǎn)；
[0021] (3)本發(fā)明在跟蹤過程中，采用子空間學(xué)習(xí)的方法對(duì)正樣本集進(jìn)行更新，較好地處 理了遮擋等因素的不良影響；
[0022] (4)本發(fā)明在目標(biāo)發(fā)生遮擋，旋轉(zhuǎn)，尺度變化，快速運(yùn)動(dòng)，光照變化等各種復(fù)雜情況 下，依然可W準(zhǔn)確的跟蹤目標(biāo)，并且達(dá)到滿意的處理速度。
【附圖說明】
[0023] 圖1為本發(fā)明的流程圖。
【具體實(shí)施方式】
[0024] W下將結(jié)合附圖，對(duì)本發(fā)明的技術(shù)方案進(jìn)行詳細(xì)說明。
[0025] 首先，手動(dòng)或者用一個(gè)自動(dòng)檢測(cè)器在第一帖中選擇需要跟蹤的目標(biāo)。接著，獲得目 標(biāo)的正、負(fù)樣本，獲得正樣本的方法；在第一帖中提取需要跟蹤的目標(biāo)后，接著利用一個(gè)簡(jiǎn) 單跟蹤器跟蹤視頻序列前n帖，將前n帖的跟蹤結(jié)果作為n個(gè)正樣本。在當(dāng)前帖的跟蹤結(jié) 果附近抽取若干個(gè)圖像塊構(gòu)成負(fù)樣本集。該里所述"跟蹤結(jié)果附近"的大小由實(shí)際操作決 定。
[0026] 提取正負(fù)樣本集的灰度特征和LBP特征。將目標(biāo)正樣本圖像區(qū)域的像素灰度值按 列依次排序得到一維列向量作為目標(biāo)的灰度特征。用0 e化ixi表示目標(biāo)的灰度特征，化rfxi 表示d行1列的解空間。在灰度圖像的基礎(chǔ)上計(jì)算出每個(gè)像素點(diǎn)的LBP碼，將LBP碼按列 依次排序得到一維列向量作為目標(biāo)的LBP特征，用F e化/"I表示目標(biāo)的LBP特征，化pxi表 示P行1列的解空間。用(成，化+，…化+}和[哼，巧，…吟}分別表示正樣本集的灰度特征 和LBP特征，n表示正樣本的個(gè)數(shù)。用同樣的方法提取負(fù)樣本的灰度特征和LBP特征，構(gòu)成 ^|/);，巧，一化}和m表示當(dāng)前負(fù)樣本集內(nèi)的負(fù)樣本個(gè)數(shù)。在本實(shí)施例中，n 的取值為10, m的取值為40。
[0027] 在新的一帖圖像到來時(shí)，需要抽取候選目標(biāo)。在候選樣本的產(chǎn)生中，用St表示 目標(biāo)在時(shí)刻t的目標(biāo)狀態(tài)，則p(St|St_i)可W假設(shè)為一個(gè)簡(jiǎn)單的平滑模型。目標(biāo)跟蹤過程 中，基于相鄰帖之間目標(biāo)移動(dòng)很小的特點(diǎn)，對(duì)新的一帖圖像，可W在上一帖跟蹤目標(biāo)位置 周圍進(jìn)行高斯采樣。本發(fā)明選取目標(biāo)的運(yùn)動(dòng)仿射參數(shù)作為目標(biāo)的狀態(tài)變量，用向量St = (1, 0 " 0 " S"曰"41)表不，其中1]) t、0 t、0 t、St、曰t、41分另懐不目標(biāo)在第t帖X方 向上的坐標(biāo)、y方向上的坐標(biāo)、旋轉(zhuǎn)角度、尺度變化、寬高比、傾斜度。假設(shè)狀態(tài)轉(zhuǎn)移模型服 從高斯分布，即；
[002引 p(SjSt_i) = N(St;Sw，2) (1)
[0029] 式（1)中2是一個(gè)對(duì)角協(xié)方差矩陣，其對(duì)角元素依次是前述6個(gè)運(yùn)動(dòng)仿射參數(shù)的 方差。
[0030] 對(duì)所產(chǎn)生的候選目標(biāo)，采用前述提取正、負(fù)樣本特征的方法來提取候選目標(biāo)的灰 度特征和 LBP 特征，用;= [A，A，...i>w，] E 吸'kW 和 = [K，...Pw，]€ 化PXW 分別表示候 選目標(biāo)的灰度特征和LBP特征集合，N表示每帖抽取候選目標(biāo)的數(shù)目，在本實(shí)施例中，N的取 值為600。
[0031] 接著用正、負(fù)樣本訓(xùn)練分類器。為了實(shí)現(xiàn)用多種特征訓(xùn)練分類器，需 要對(duì)不同的特征（包括正負(fù)樣本集和候選目標(biāo)的特征）進(jìn)行核化處理。用 乂'=[公;，與，...公,;，巧，巧，一化]€吸的""'>和義2二[^+，^，...戸。+，^-，^;，..^]€吸柳'"'>分別表 示正、負(fù)樣本的兩種特征集合。1^/=[1>,，化，...公^，]€化心'^和1^2二[^，戶2，...}心，]€吸9<"分 別表示候選目標(biāo)的兩種特征集合。用統(tǒng)一表示正負(fù)樣本的兩種特征集合， €化"kxiv統(tǒng)一表示候選目標(biāo)的兩種特征集合。其中k表示特征索引，mk表示對(duì)應(yīng)第k個(gè) 特征的維數(shù)。按照下面的方式對(duì)X* G化和;E化進(jìn)行核化處理；
[0032]
[0033]
[0034] 經(jīng)過核化處理，對(duì)任意特征k，都有X* e吸fwmWw?;，F(xiàn)& G股ta+Wxw，不同的特征核
【主權(quán)項(xiàng)】
1. 基于支持向量機(jī)的多特征選擇目標(biāo)跟蹤方法，其特征在于，包括w下步驟： (1) 利用簡(jiǎn)單跟蹤器跟蹤視頻序列的前n帖，將每帖的跟蹤結(jié)果分別作為一個(gè)正樣本， 共得到n個(gè)正樣本，同時(shí)在當(dāng)前帖的跟蹤結(jié)果附近獲取若干負(fù)樣本，分別提取正、負(fù)樣本的 多個(gè)特征； (2) 在跟蹤過程中，對(duì)于新到來的每帖圖像，分別抽取N個(gè)粒子作為候選目標(biāo)，并對(duì)抽 取的候選目標(biāo)采用步驟（1)中提取正、負(fù)樣本特征的方式提取目標(biāo)特征； (3) 對(duì)于從正、負(fù)樣本W(wǎng)及候選目標(biāo)中提取出的特征進(jìn)行核化處理，使所有特征的維數(shù) 達(dá)到相同； (4) 利用正、負(fù)樣本訓(xùn)練支持向量機(jī)分類器； (5) 用分類器計(jì)算候選目標(biāo)屬于正樣本的概率，將具有最大概率值的候選目標(biāo)作為跟 臣示結(jié)果； (6) 在跟蹤過程中，每隔一定帖數(shù)對(duì)正、負(fù)樣本進(jìn)行更新，用更新后的正、負(fù)樣本重新訓(xùn) 練分類器，實(shí)現(xiàn)分類器的更新； (7) 采用標(biāo)準(zhǔn)度量準(zhǔn)則評(píng)估跟蹤性能。
2. 根據(jù)權(quán)利要求1所述基于支持向量機(jī)的多特征選擇目標(biāo)跟蹤方法，其特征在于：步 驟（1)中，所述正、負(fù)樣本的多個(gè)特征包括灰度特征和LBP特征。
3. 根據(jù)權(quán)利要求1所述基于支持向量機(jī)的多特征選擇目標(biāo)跟蹤方法，其特征在于：步 驟（2)中，所述候選目標(biāo)的抽取方法為，在上一帖圖像的跟蹤目標(biāo)的周圍進(jìn)行高斯采樣，選 取跟蹤目標(biāo)的運(yùn)動(dòng)仿射參數(shù)作為跟蹤目標(biāo)的狀態(tài)變量St= (iD。0。0t，St，a。（K)，抽取 候選目標(biāo)；其中ilV 0t、0t、St、〇t、分別表示跟蹤目標(biāo)在第t帖X方向上的坐標(biāo)、y方 向上的坐標(biāo)、旋轉(zhuǎn)角度、尺度變化、寬高比、傾斜度。
4. 根據(jù)權(quán)利要求1所述基于支持向量機(jī)的多特征選擇目標(biāo)跟蹤方法，其特征在于：步 驟化）中，采用子空間學(xué)習(xí)的方法更新正樣本。
5. 根據(jù)權(quán)利要求1所述基于支持向量機(jī)的多特征選擇目標(biāo)跟蹤方法，其特征在于：步 驟（7)中，所述標(biāo)準(zhǔn)度量準(zhǔn)則包括中屯、誤差和跟蹤重疊率。
【專利摘要】本發(fā)明公開了基于支持向量機(jī)的多特征選擇目標(biāo)跟蹤方法，其步驟為：獲取正負(fù)樣本，提取樣本的多種特征；抽取候選目標(biāo)，提取目標(biāo)的多種特征；對(duì)所有特征進(jìn)行核化處理；訓(xùn)練SVM分類器；計(jì)算置信值，判別候選目標(biāo)；更新分類器；評(píng)估跟蹤性能。本發(fā)明能夠解決單一特征描述目標(biāo)能力較差的問題以及克服單一正樣本訓(xùn)練的分類器分類能力較弱的缺點(diǎn)，能夠在光照影響較大、目標(biāo)出現(xiàn)嚴(yán)重遮擋等復(fù)雜場(chǎng)景下提高目標(biāo)跟蹤器的精度和穩(wěn)健性。
【IPC分類】G06T7-20, G06K9-62
【公開號(hào)】CN104616319
【申請(qǐng)?zhí)枴緾N201510044595
【發(fā)明人】胡昭華, 徐玉偉, 趙孝磊, 李容月, 歐陽雯, 金蓉
【申請(qǐng)人】南京信息工程大學(xué)
【公開日】2015年5月13日
【申請(qǐng)日】2015年1月28日