一種基于圖像集的目標跟蹤算法
【專利摘要】本發明公開了一種基于圖像集的目標跟蹤算法，包括初始化階段，用于建立目標模型的訓練階段，用于根據所建立的目標模型測試出指定目標物體的中心位置的測試階段，和更新階段。本發明采用圖像集作為目標跟蹤過程中訓練樣本和測試樣本的基本單位，并在核偏最小二乘法的框架下，將目標跟蹤問題視為一個多類別的分類問題，從而能夠有效緩解跟蹤器的“漂移”問題。
【專利說明】一種基于圖像集的目標跟蹤算法
【技術領域】
[0001]本發明涉及信息【技術領域】中的計算機視覺和模式識別領域，特別涉及一種基于圖像集的目標跟蹤算法。
【背景技術】
[0002]從公共場所、街頭巷尾日益增多的監控攝像頭不難看出，視頻監控已經成為一種常規的安全監控手段。但傳統的視頻監控只是歷史事件的記錄和回放工具，并不能起到很好的預警作用，其“控”的功能形同虛設，且需要人工“監”看。隨著視頻監控的網絡規模急劇擴大，所需監控的終端數量與日俱增，單憑人工監看已經遠遠滿足不了應用需求的快速增長，視頻監控迫切需要通過智能化手段來大幅度提高監控效率，降低監控成本。其中目標跟蹤算法是智能視頻監控技術的核心組成部件，如果我們能夠自動地對監控場景中的目標進行長時間持續地跟蹤，分析其運動軌跡和規律，就能夠極大的提高監控效率，大幅度降低監控成本，將視頻監控帶入一個全新的智能化時代。盡管經過全世界各國專家和學者多年的不懈研究，目標跟蹤算法取得了長足的進步。但總體來說，應用場合中一些不確定的因素，諸如遮擋、劇烈的運動、光照變化、背景變化、視角變化、目標的非剛性形變、姿態變化以及表觀的變化等，仍使得目標跟蹤算法的大規模應用和達到工業標準，面臨重重困難。
[0003]傳統的目標跟蹤算法中，往往使用單個圖像塊來構造目標或者背景的模型，并且從非目標的背景中提取的所有圖像塊都屬于同一個負例類別，而目標跟蹤常常被看作是一個在線二值分類(即要么屬于目標類要么不屬于目標類)問題，通常是利用當前跟蹤到的單一目標圖像來更新目標模型。這種跟蹤算法很難處理對象自身多變和外界的干擾。
[0004]基于在線二值分類的跟蹤方法一股是采取啟發式正負例樣本(即目標類和非目標類)選取策略，即以目標物體的中心位置為中心并包含目標物體的單個圖像塊作為正例樣本，然后在目標物體周圍位置的局部鄰域內選取其他圖像塊作為負例樣本。這種啟發式的正負例樣本選取策略，很難保證在線學習時重新學習到的跟蹤器(即所建立的目標模型)的效果。這是因為目標物體的精確位置具有語義上的不確定性，很難使用一個單一的圖像塊來精確表示目標物體，因而在目標物體中心位置附近的圖像塊都可以視為正例圖像塊(包含目標物體的圖像區域經過微小偏移，仍包含目標物體，仍然是正例圖像塊)。另外，在線更新跟蹤器時，如果上一時刻的跟蹤器給出的目標位置，稍微有一些偏差，這種啟發式的正負樣本選取策略，極易產生不精確的樣本。如果進一步使用這些樣本去訓練和更新跟蹤器，會使得跟蹤器逐漸學習到錯誤的表觀模型，最終造成跟蹤器的“漂移”問題。
[0005]為了提高魯棒性，一部分研究則將在線多實例學習機制，引入到目標跟蹤問題中。在多實例學習算法中，正例樣本是由多個圖像塊組成的包，該包中只要有一個圖像塊被標記為正例類別(即目標類)，則該包就被標記為正例。雖然這種方法在一定程度上解決了訓練階段和更新階段中正例樣本標注的不確定性問題，但是該方法在訓練階段并沒有進一步充分利用目標物體來自不同圖像幀中的多幅圖像所包含的信息，同時在測試階段，該方法也沒有充分利用包含目標物體的多個圖像塊中包含的信息。
【發明內容】
[0006]本發明的目的在于克服現有技術之不足，提供一種基于圖像集的目標跟蹤算法，采用圖像集作為目標跟蹤過程中訓練樣本和測試樣本的基本單位，并在核偏最小二乘法的框架下，將目標跟蹤問題視為一個多類別的分類問題，從而能夠有效緩解跟蹤器的“漂移”問題。
[0007]本發明解決其技術問題所采用的技術方案為:一種基于圖像集的目標跟蹤算法，包括初始化階段，用于建立目標模型的訓練階段，用于根據所建立的目標模型測試出指定目標物體的中心位置的測試階段，和更新階段；
[0008]所述初始化階段包括:提取一幀圖像，人為指定該圖像中的目標物體和多個非目標物體，并人為獲取一個正例類別圖像集和多個負例類別圖像集；所述正例類別圖像集為從當前一幀圖像中提取的多個包含所述指定的目標物體的圖像塊所構成的集合，其中所有圖像塊均標記為靜態圖像塊；其中一個負例類別圖像集為從當前一幀圖像中提取的多個包含其中一個指定的非目標物體的圖像塊所構成的集合；不同的負例類別圖像集中的圖像塊所包含的非目標物體不同；所提取的所有圖像塊大小均一致；將所指定的目標物體的中心位置設為當前位置；然后轉入訓練階段；
[0009]所述訓練階段包括:
[0010]Al、將當前所獲取的正例類別圖像集構造成一個樣本矩陣，并將該樣本矩陣的類別標記為目標類;分別將當前所獲取的每個負例類別圖像集均構造成一個樣本矩陣，并將
這些樣本矩陣的類別 依次標記為第I非目標類、第2非目標類、...；當前所獲取的正例類別圖像集所生成的樣本矩陣為該正例圖像集中所有圖像塊的d維特征向量的協方差矩陣，其中d屬于正整數；當前其中一個負例類別圖像集所生成的樣本矩陣為該負例類別圖像集中所有圖像塊的d維特征向量的協方差矩陣；
[0011]A2、建立一個訓練集合，該訓練集合由當前所獲取的所有樣本矩陣構成；設定該訓練集合中的樣本矩陣個數為m個，其中m屬于正整數，并將該訓練集合中的樣本矩陣分別記為C1, C2, , Cm，其中Ci e Rdxd(i = 1,2,...m);將該訓練集合中的每個樣本矩陣均轉換為一個樣本列向量，得到m個樣本列向量分別為X1, x2, , Xm，分別對應C1, C2,..., Cm ;其中，λ-, e R''1 (/ = 1,2,---/77),]? Ci的矩陣元素從上到下從左到右串起來而生成；然后設定C1和
C2的黎曼核函數分別為P(A)和P(X2)，得出P(X1)和P(X2)之間滿足
[0012]
【權利要求】
1.一種基于圖像集的目標跟蹤算法，其特征在于，包括初始化階段，用于建立目標模型的訓練階段，用于根據所建立的目標模型測試出指定目標物體的中心位置的測試階段，和更新階段； 所述初始化階段包括:提取一幀圖像，人為指定該圖像中的目標物體和多個非目標物體，并人為獲取一個正例類別圖像集和多個負例類別圖像集；所述正例類別圖像集為從當前一幀圖像中提取的多個包含所述指定的目標物體的圖像塊所構成的集合，其中所有圖像塊均標記為靜態圖像塊；其中一個負例類別圖像集為從當前一幀圖像中提取的多個包含其中一個指定的非目標物體的圖像塊所構成的集合；不同的負例類別圖像集中的圖像塊所包含的非目標物體不同；所提取的所有圖像塊大小均一致；將所指定的目標物體的中心位置設為當前位置；然后轉入訓練階段； 所述訓練階段包括: Al、將當前所獲取的正例類別圖像集構造成一個樣本矩陣，并將該樣本矩陣的類別標記為目標類；分別將當前所獲取的每個負例類別圖像集均構造成一個樣本矩陣，并將這些樣本矩陣的類別依次標記為第I非目標類、第2非目標類、...;當前所獲取的正例類別圖像集所生成的樣本矩陣為該正例圖像集中所有圖像塊的d維特征向量的協方差矩陣，其中d屬于正整數；當前其中一個負例類別圖像集所生成的樣本矩陣為該負例類別圖像集中所有圖像塊的d維特征向量的協方差矩陣； A2、建立一個訓練集合，該訓練集合由當前所獲取的所有樣本矩陣構成；設定該訓練集合中的樣本矩陣個數為m個，其中m屬于正整數，并將該訓練集合中的樣本矩陣分別記為C1, C2, , Cm，其中Ci e Rdxd(i = 1,2,...m);將該訓練集合中的每個樣本矩陣均轉換為一個樣本列向量，得到m個樣本列向量分別為X1, x2,, Xm，分別對應C1, C2,..., Cm ;其中，七￡/?":(/ =丨,2,...講)，由Ci的矩陣元素從上到下從左到右串起來而生成；然后設SC1和C2的黎曼核函數分別為供(A)和φ、、)，得出供(?)和)之間滿足爐(X1).^(.V2 )= (C1 ,C2) = rr[log(C]) — log(C:)](I) A3、分別將C1, C2,..., Cffl的各類別用列向量形式表示，得到m個類別列向量分別為y1;.12，...，ym，分別對應 C1;c2,...，Cm,并分別對應 X1, X2,..., Xm ;其中，Yi = [0,0,..., I,...,.0]T(i = 1,2,...m),是除了第k(k = 1,2,...m)個元素為I之外,其余全為O的向量；當k=I時，其含義表示Ci或Xi屬于目標類；當I < k≤m時，其含義表示Ci或Xi屬于第k-1非目標類；然后設定X = [xi，x2，...，xm]T，并設定Y = [yi，y2，...，ym]T作為X的類別矩陣；之后根據偏最小二乘回歸，將X和Y分解成:
2.如權利要求1所述的一種基于圖像集的目標跟蹤算法，其特征在于，所述初始化階段中，所述正例類別圖像集的提取過程包括:首先，針對所述指定目標物體的中心位置，在距離該中心位置小于所述預設值的周圍選取多個位置，作為該中心位置的周圍位置；然后，分別以該中心位置及其周圍位置為中心提取包含所述指定目標物體的圖像塊，則這些圖像塊構成所述正例類別圖像集。
3.如權利要求1所述的一種基于圖像集的目標跟蹤算法，其特征在于，所述初始化階段中，所述負例類別圖像集的提取過程包括:針對每個所指定的非目標物體的中心位置，在距離該非目標物體的中心位置小于所述預設值的周圍選取多個位置，作為該非目標物體的中心位置的周圍位置，分別以該非目標物體的中心位置及其周圍位置為中心提取圖像塊，則這些圖像塊構成其中一個所述負例類別圖像集。
4.如權利要求1所述的一種基于圖像集的目標跟蹤算法，其特征在于，所述指定半徑長度為所指定的目標物體的寬度的2至3倍。
5.如權利要求1所述的一種基于圖像集的目標跟蹤算法，其特征在于，所述預設值為3至4個像素點。
6.如權利要 求1所述的一種基于圖像集的目標跟蹤算法，其特征在于，所提取的所有測試圖像集中的測試圖像塊個數均一致。
7.如權利要求1所述的一種基于圖像集的目標跟蹤算法，其特征在于，所述d維特征向量為d維灰度值特征向量。
【文檔編號】G06K9/62GK104008397SQ201410251910
【公開日】2014年8月27日 申請日期:2014年6月9日 優先權日:2014年6月9日
【發明者】鐘必能, 陳雁, 王田, 謝維波, 陳鍛生, 陳維斌 申請人:華僑大學