一種基于類相似性測量的實時目標跟蹤算法
【專利摘要】本發明公開了一種基于類相似性測量的實時目標跟蹤算法，目標跟蹤對實時性要求非常高，在目前主流的基于檢測跟蹤的框架下，根據測試樣本與目標類和背景類的相似度比較來確定目標在新幀中的目標位置。本方法首先在當前幀采集目標類和背景類集合，計算出它們的統計特征，并在下一幀采集測試樣本集合。本方法定義了一種計算測試樣本與類之間相似度的量化標準，通過找出與目標類相似以及和背景類不相似的測試樣本來確定目標位置。本方法明顯提高了跟蹤的實時性以及跟蹤精度。
【專利說明】一種基于類相似性測量的實時目標跟蹤算法
【技術領域】
[0001]本發明屬于目標跟蹤【技術領域】，涉及一種基于類相似性測量的實時目標跟蹤算法。
【背景技術】
[0002]目標跟蹤在計算機視覺中一個重要領域，在軍事，醫療，監控以及人機交互中有著重要的應用。最近幾年來有許多算法用于解決目標跟蹤的問題，但是由于目標的形變，光照的變化，以及目標被遮擋等原因，目標跟蹤仍然是一個難點。
[0003]目前主流的實時跟蹤算法都是具有自適應性的。一般來說跟蹤算法可以分為兩類:生成算法和判別算法。生成算法能夠學習目標的特征模型，然后搜索目標可能所在的區域，使用已學習的模型以最小誤差重建的區域即為目標所在位置。為了解決目標形變問題，WSL和IVT算法先后被提出。最近，稀疏表示方法用來解決目標被部分遮擋的問題。但是這些生成模型都沒有利用目標周圍的背景信息，這些背景信息能夠在檢測目標時更好地將目標與背景分離出來。
[0004]判別模型將目標跟蹤看做一種將目標與背景分離出來的檢測問題。在判別模型中，使用區分能力較好的特征能夠有效的提高跟蹤精度。使用多個弱分類器組成強分類器的boosting算法目前得到了廣泛的應用。但是，許多boosting算法只利用了目標本身的信息，并沒有利用目標背景的信息，所以當目標沒有被精確的檢測到之后，就會影響以后目標跟蹤的精度，最終導致跟蹤失敗。
【發明內容】
[0005]為了克服上述現有技術的不足，本發明提供了一種基于類相似度檢測的實時目標跟蹤算法。
[0006]本發明所采用的技術方案是:一種基于類相似性測量的實時目標跟蹤算法，其特征在于，包括以下步驟:
[0007]步驟1:對于獲取的包括N幀的視頻序列，從t = I幀開始，確定第t幀的目標X:，它的位置為/CO，其中/CO是一個矩形框，框內是需要跟蹤的目標；/(<)包含四個參數:目標在該巾貞中的行坐標row(X:)、列坐標、寬度width和高度height ;初始化參數
μ:、<、μ,(為ο，這四個參數分別表示目標類的均值、方差和背景類的均值、方差，其中上標“+”表示目標類，表示背景類，下標i表示從樣本提取出的第i個特征；
[0008]步驟2:在/(λ()周圍半徑4個像素內采集目標類樣本集
x+=Ki ||/(^) K )| }，這里Xt表示第t幀目標類中的樣本，I (xt)表示樣本xt所在的位置；在/(,;周圍半徑rin、rm像素之間采集背景類樣本集=沐I rm < ||/⑷-/(χ:.U，
這里Xt表示第t幀背景類中的樣本，I (xt)表示樣本Xt所在的位置；其中rp，rin，rm是經驗參數，單位為像素；
[0009]步驟3:對目標類和背景類中的每個樣本提取nf個類哈爾特征
f(x2) = [f1(x1)f2(x1)...fn(x1 )；
[0010]步驟4:計算目標類和背景類在第t幀的統計特征μ;，σ-；toon] 步驟5:根據學習率λ更新參數<，<，μ:, σ「，其中學習率是經驗參數；
[0012]步驟6:在第t+l幀的/(.<)周圍半徑rs個像素內采集測試樣本
ΖΗ1 ={χ?+1，并根據步驟3中的方法提取出它們的類哈爾特征；
[0013]步驟7:定義樣本與類之間的距離為d(x，X)，計算每個測試樣本與目標類在第i個特征上的距離Cli (χ，X+)，以及每個測試樣本與背景類在第i個特征上的距離di(x，X _)，將它們的和作為樣本與目標類和背景類之間的距離，即:
【權利要求】
1.一種基于類相似性測量的實時目標跟蹤算法，其特征在于，包括以下步驟: 步驟1:對于獲取的包括N幀的視頻序列，從t = I幀開始，確定第t幀的目標<，它的位置為/OO，其中/(<)是一個矩形框，框內是需要跟蹤的目標；/(<)包含四個參數:目標在該幀中的行坐標、列坐標C0/(X;)、寬度width和高度height ;初始化參數μ:、<、Li (為0，這四個參數分別表示目標類的均值、方差和背景類的均值、方差，其中上標“+”表示目標類，表示背景類，下標i表示從樣本提取的第i個特征；步驟2:在…)周圍半徑rp個像素內采集目標類樣本集Z+ = W ||狀)-/(<)|々》}，這里Xt表示第t幀目標類中的樣本，I(Xt)表示樣本Xt所在的位置；在/(I )周圍半徑rin、rm像素之間采集背景類樣本集f = K I rh, < ||/(x,)-/(x；)|| < /；?!，這里xt表示第t幀背景類中的樣本，I (xt)表示樣本xt所在的位置；其中rp，rin, ron是經驗參數，單位為像素； 步驟3:對目標類和背景類中的每個樣本\提取nf個類哈爾特征fU,) = {./; (-V, )，./;(X, ),...，./? (X,)!; 步驟4:計算目標類和背景類在第t幀的統計特征μ:’ σ'-; 步驟5:根據學習率λ更新參數<，(K，(，其中學習率是經驗參數； 步驟6:在第t+l幀的/(.<)周圍半徑rs個像素內采集測試樣本JC1 = {xi+11 ||/(χ;+1 )-/(χ；)||</^ = {X:;； Ki1，并根據步驟3中的方法提取出它們的類哈爾特征； 步驟7:定義樣本與類之間的距離為d(x，X)，計算每個測試樣本Xe尤+1與目標類在第i個特征上的距離屯匕x+),以及每個測試樣本與背景類在第i個特征上的距離cMx，X _)，將它們的和作為樣本與目標類和背景類之間的距離，即:
步驟8:定義樣本與類之間的相似度為S(x，X);分別計算測試樣本與目標類之間的相似度S(x, X+) = exp(-d(x, X+)),以及測試樣本與背景類之間的相似度S(x, xl =exp (-d(x, xO)； 步驟9:定義目標函數J(x)，選擇測試樣本中與目標類相似且與背景類不相似的樣本作為目標在t+l幀的位置； 步驟10:判斷，t+l幀是不是最后一幀； 若t+l幀不是最后一幀，則令t = t+i，回轉執行所述的步驟I ; 若t+ι幀是最后一幀，則本算法結束。
2.根據權利要求1所述的基于類相似性測量的實時目標跟蹤算法，其特征在于:步驟I中所給出的目標位置使用矩形框將目標標出，其所標矩形框需要準確的給出目標所在位置，并且保證精確，矩形框中背景所占的像素不得超過矩形框總像素的10%。
3.根據權利要求1所述的基于類相似性測量的實時目標跟蹤算法，其特征在于:步驟I中參數Y , <，U <是1^維的向量。
4.根據權利要求1所述的基于類相似性測量的實時目標跟蹤算法，其特征在于:步驟2中rp取值為4，rin取值為6，ron取值范圍是9~15。
5.根據權利要求1所述的基于類相似性測量的實時目標跟蹤算法，其特征在于:步驟3中提取nf個類哈爾特征的方法是對于樣本xt，隨機在其中選取nf個矩形框，使用每個矩形框中像素和的平均值作為特征。
6.根據權利要求1所述的基于類相似性測量的實時目標跟蹤算法，其特征在于:步驟4中所述的計算目標類和背景類在第t幀的統計特征，Ki，，其具體實現過程是對于第t幀的目標襲Z根據其中樣本的特征計算均值和標準差；
，其中np為目標類中樣本的個數；
，其中πη為背景類 < 中樣本的個數；
7.根據權利要求1所述的基于類相似性測量的實時目標跟蹤算法，其特征在于:步驟5中所述的根據學習率λ更新參數#，<，// , <，其具體實現過程為:若當前中貞 t = I,則 μ: = μ，cr+ = ’ μ] =μ =σ 否則 1.ζ -λμ: +(1-Λ)//^, ’< =λσ^ + (1-λ)σ:, ， μ: = λμ: +(1-?.)μ:, ，( = }ισ~ + (I — Λ)σ~，其中入取值范圍是0.7~I。
8.根據權利要求1所述的基于類相似性測量的實時目標跟蹤算法，其特征在于:步驟5中所述的λ = 0.9。
9.根據權利要求1所述的基于類相似性測量的實時目標跟蹤算法，其特征在于:步驟6中匕的取值范圍為9~15。
10.根據權利要求1所述的基于類相似性測量的實時目標跟蹤算法，其特征在于:步驟7中所述的
，即為所有樣本特征的距離之和，其中i表示根據第i個特征
計算出的距離，
11.根據權利要求1所述的基于類相似性測量的實時目標跟蹤算法，其特征在于:步驟.8 中所述的 S(x, X ) = exp (-d(x, x ))。
12.根據權利要求1所述的基于類相似性測量的實時目標跟蹤算法，其特征在于:步驟9中所述的目標函數
’目標在t+Ι幀所在位置為
，其中S(x, x+)表示測試樣本與目標類之間的相似度，S(x, χ-)表示測試樣本與背景類之間的相似度。
【文檔編號】G06T7/20GK104200493SQ201410453726
【公開日】2014年12月10日 申請日期:2014年9月5日 優先權日:2014年9月5日
【發明者】何發智, 李康, 陳曉 申請人:武漢大學