專利名稱：：基于特征光流與在線集成學習的視頻目標跟蹤方法
技術領域：
：本發明涉及一種視頻目標跟蹤方法，特別是涉及一種基于特征光流與在線集成學習的視頻目標跟蹤方法。
背景技術：
：視頻目標跟蹤方法的研究和應用作為計算機視覺領域的一個重要分支，正日益廣泛地應用到科學技術、國防建設、航空航天、醫藥衛生以及國民經濟的各個領域，因而研究目標跟蹤技術有著重大的實用價值。現有的特定目標跟蹤方法主要有基于檢測的方法，如幀間差分方法、背景差分方法、運動場估計方法。基于識別的方法，如區域匹配方法、模型匹配方法、頻率域匹配方法和特征匹配方法。文獻“Onlinelearningofrobustobjectdetectorsduringunstabletracking,0LCV,2009”公開了一種數字視頻中的特定目標的跟蹤方法，該方法采用跟蹤-建模-檢測(TMD)方法。跟蹤部分采用改進的加入了中值處理的Lucas-Kanade光流法實現的一個短期跟蹤器來對特定目標進行跟蹤，估計出目標下一幀出現的位置；而在線檢測器是基于隨機森林形式的分類器，隨機森林中每棵樹上的每個特征代表了這棵樹在某個層面上的一種衡量，特征選用在某個區域衡量梯度方向并將其數字化的2bitBP特征，通過投票的方式決定輸入的圖像塊是否是潛在目標；建模部分的在線模型用一系列15X15的強度歸一化的小塊來表現，從跟蹤器軌跡和模型更新選擇出來的適當的樣本來添加進在線模型，同時將錯檢的可能目標移出模型。但是，特征產生過程中采用隨機生成一些特征點，利用前向后向誤差判定來確定穩定的點，由于特征是隨機產生的，所以具有不確定性，而且跟蹤部分和檢測部分都采用的是同一組特征，若特征發生錯誤，則跟蹤和檢測部分的結果將同時不準確，對于錯誤特征有局限性且容錯性差。而且對跟蹤結果和檢測結果的權重分配也是一個固定值，不能自適應地進行調整。
發明內容為了克服現有的數字視頻中的特定目標的跟蹤方法跟蹤結果差的不足，本發明提供一種基于特征光流與在線集成學習的視頻目標跟蹤方法。該方法將跟蹤和檢測的特征提取方式分離開來；在檢測過程中添加了目標可能出現的位置限制的過濾，將距離目標較遠的可能目標去除；再次得到跟蹤和檢測結果后，自適應地計算目標與在線模型的Fisher鑒別比來確定對應權重，而不是以一個固定的數值來對兩個結果進行融合，可以得到較好的跟蹤效果。本發明解決其技術問題所采用的技術方案是一種基于特征光流與在線集成學習的視頻目標跟蹤方法，其特點是包括以下步驟步驟一、對原始視頻的每幀圖像用OpenCV提取穩定的特征點，其中包括圖像序列中一直穩定存在的特征點和每一巾貞會新增加的特征點，用OpenCV自帶的迭代光流法來跟蹤這些特征點在下一幀的位置。進行目標未縮放跟蹤的處理，首先判斷OpenCV檢測出來的特征點的數目是否達到RANSAC算法所要求的最少特征點數目。若特征點數目<最少特征點數目，則分別統計這幾個特征點在X方向和y方向的位移，排序后選擇中位值作為整個目標在X方向和y方向的位移；若特征點的數目>最少特征點數目，則運用RANSAC算法先去除壞點，再計算出前一幀目標邊界框到后一幀目標邊界框的轉換矩陣。得到目標未縮放時前一幀目標邊界框對應的后一幀目標邊界框的位置。在得到目標未縮放的邊界框的位置后進行縮放處理，首先以目標邊界框的長和寬中較小的一個為基準，從_5到5個像素進行縮放，對應的另外一邊也按照從_5到5個像素進行縮放；采用公式權利要求1.一種基于特征光流與在線集成學習的視頻目標跟蹤方法，其特征在于包括以下步驟步驟一、對原始視頻的每幀圖像用OpenCV提取穩定的特征點，其中包括圖像序列中一直穩定存在的特征點和每一巾貞會新增加的特征點，用OpenCV自帶的迭代光流法來跟蹤這些特征點在下一幀的位置；進行目標未縮放跟蹤的處理，首先判斷OpenCV檢測出來的特征點的數目是否達到RANSAC算法所要求的最少特征點數目；若特征點數目<最少特征點數目，則分別統計這幾個特征點在X方向和y方向的位移，排序后選擇中位值作為整個目標在X方向和y方向的位移；若特征點的數目>最少特征點數目，則運用RANSAC算法先去除壞點，再計算出前一幀目標邊界框到后一幀目標邊界框的轉換矩陣；得到目標未縮放時前一幀目標邊界框對應的后一幀目標邊界框的位置；在得到目標未縮放的邊界框的位置后進行縮放處理，首先以目標邊界框的長和寬中較小的一個為基準，從.5到5個像素進行縮放，對應的另外一邊也按照從-5到5個像素進行縮放；采用公式全文摘要本發明公開了一種基于特征光流與在線集成學習的視頻目標跟蹤方法，用于解決現有的數字視頻中的特定目標的跟蹤方法跟蹤結果差的技術問題。技術方案是跟蹤部分輸入視頻序列，用OpenCV自帶的函數對每一幀的特征點用迭代金字塔光流法進行跟蹤，得到下一幀這些特征點的位置；檢測部分選擇正樣本或者負樣本進行adaboost算法的處理；對跟蹤部分和檢測部分得到的目標可能位置進行機器學習。由于將跟蹤和檢測的特征提取方式分離開來；在檢測過程中添加了目標可能出現的位置限制的過濾，將距離目標較遠的可能目標去除；再次得到跟蹤和檢測結果后，自適應地計算目標與在線模型的Fisher鑒別比來確定對應權重，而不是以一個固定的數值來對兩個結果進行融合，因此跟蹤效果較好。文檔編號G06T3/40GK102903122SQ20121033709公開日2013年1月30日申請日期2012年9月13日優先權日2012年9月13日發明者張艷寧,楊濤,屈冰欣,陳挺申請人:西北工業大學