基于支持向量機的多特征選擇目標跟蹤方法
【技術領域】
[0001] 本發明屬于圖像處理和計算機視覺領域，特別設及了基于支持向量機的多特征選 擇目標跟蹤方法。
【背景技術】
[0002] 目標跟蹤是計算機視覺研究領域中的關鍵問題，可用于自動監控、機器人導航、人 機交互等很多應用領域。對于應用于真實場景的一種穩健的視覺跟蹤算法，需要有效地處 理目標外觀及姿態的改變，快速運動、遮擋，光照影響，背景雜波等多方面的挑戰。
[0003] 目前，主流的目標跟蹤方法是將跟蹤問題視為分類問題。即在特定區域中將感興 趣的目標從背景中分離出來。南京信息工程大學申請的專利"基于多特征聯合稀疏表示的 視覺目標跟蹤方法"（公開號；CN 103295242A)公開了一種基于多特征聯合稀疏表示的視 覺目標跟蹤方法。該方法采用像素灰度值特征和HOG特征聯合描述目標，通過對字典模板 和候選樣本進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 及其表示系數對塊進行重構，依據重構誤差構建似然函數確定最佳候選樣本。同時利用APG 方法求解聯合特征的稀疏系數，避免了傳統方法在處理每帖時都需要執行復雜的11最小 化計算。該方法在目標發生遮擋、尺度變化、快速運動、光照變化等情況時能夠穩定地跟蹤， 但跟蹤速度有待進一步提高。北京工業大學申請的專利"基于改進多示例學習算法的運動 目標跟蹤方法"（公開號；CN 103325125A)公開了一種基于改進的多示例學習算法的目標 跟蹤方法。該方法根據壓縮感知理論設計隨機測量矩陣，利用多示例學習算法在當前跟蹤 結果小鄰域內采樣示例構成正包，同時在其大鄰域圓環內采樣示例構成負包，對每個示例， 在圖像平面提取表征目標的特征，并利用隨機感知矩陣對其降維。根據提取的示例特征在 線學習弱分類器，并在弱分類器池中選擇判別能力較強的弱分類器構成強分類器；當跟蹤 到新的目標位置時，利用當前跟蹤結果與目標模板的相似性分數在線自適應調整分類器更 新程度參數。該方法采用的是化ar特征，化ar特征對邊緣信息比較敏感，當目標變形或與 背景相似時，容易造成跟蹤失敗。Martin等人研究了在基于檢測的跟蹤框架下顏色的貢獻， 提出顏色統計特征在視覺跟蹤中提供了優越的性能。該方法跟蹤速度很快，能進行實時跟 蹤，跟蹤精度也較高，但當目標尺寸變化較大時，跟蹤器不能很好地處理。
【發明內容】
[0004] 為了解決上述【背景技術】提出的問題，本發明旨在提供基于支持向量機的多特征選 擇目標跟蹤方法，該方法能夠解決單一特征描述目標能力較差的問題W及克服單一正樣本 訓練的分類器分類能力較弱的缺點，能夠在光照影響較大、目標出現嚴重遮擋等復雜場景 下提高目標跟蹤器的精度和穩健性。
[0005] 為了實現上述技術目的，本發明的技術方案為：
[0006] 基于支持向量機的多特征選擇目標跟蹤方法，包括W下步驟：
[0007] (1)利用簡單跟蹤器跟蹤視頻序列的前n帖，將每帖的跟蹤結果分別作為一個正 樣本，共得到n個正樣本，同時在當前帖的跟蹤結果附近獲取若干負樣本，分別提取正、負 樣本的多個特征；
[000引 （2)在跟蹤過程中，對于新到來的每帖圖像，分別抽取N個粒子作為候選目標，并 對抽取的候選目標采用步驟（1)中提取正、負樣本特征的方式提取目標特征；
[0009] (3)對于從正、負樣本W及候選目標中提取出的特征進行核化處理，使所有特征的 維數達到相同；
[0010] (4)利用正、負樣本訓練支持向量機分類器；
[0011] 妨用分類器計算候選目標屬于正樣本的概率，將具有最大概率值的候選目標作 為跟蹤結果；
[0012] (6)在跟蹤過程中，每隔一定帖數對正、負樣本進行更新，用更新后的正、負樣本重 新訓練分類器，實現分類器的更新；
[0013] (7)采用標準度量準則評估跟蹤性能。
[0014] 步驟（1)中，所述正、負樣本的多個特征包括灰度特征和LBP特征。
[00巧]步驟（2)中，所述候選目標的抽取方法為，在上一帖圖像的跟蹤目標的 周圍進行高斯采樣，選取跟蹤目標的運動仿射參數作為跟蹤目標的狀態變量St = 0" 0"s"曰"(K)，抽取候選目標；其中iDt、0t、0t、St、曰t、(K分別表示跟蹤目標 在第t帖X方向上的坐標、y方向上的坐標、旋轉角度、尺度變化、寬高比、傾斜度；
[0016] 步驟化）中，采用子空間學習的方法更新正樣本。
[0017] 步驟（7)中，所述標準度量準則包括中屯、誤差和跟蹤重疊率。
[0018] 采用上述技術方案帶來的有益效果：
[0019] (1)本發明不同于傳統用單一正樣本和多個負樣本進行分類器訓練的方法，采用 不同特征的多個正負樣本進行分類器訓練，增強了分類器的分類能力；
[0020] (2)本發明聯合采用不同特征一一灰度特征和LBP特征對目標進行描述，彌補了 單一特征描述目標能力不足的缺點；
[0021] (3)本發明在跟蹤過程中，采用子空間學習的方法對正樣本集進行更新，較好地處 理了遮擋等因素的不良影響；
[0022] (4)本發明在目標發生遮擋，旋轉，尺度變化，快速運動，光照變化等各種復雜情況 下，依然可W準確的跟蹤目標，并且達到滿意的處理速度。
【附圖說明】
[0023] 圖1為本發明的流程圖。
【具體實施方式】
[0024] W下將結合附圖，對本發明的技術方案進行詳細說明。
[0025] 首先，手動或者用一個自動檢測器在第一帖中選擇需要跟蹤的目標。接著，獲得目 標的正、負樣本，獲得正樣本的方法；在第一帖中提取需要跟蹤的目標后，接著利用一個簡 單跟蹤器跟蹤視頻序列前n帖，將前n帖的跟蹤結果作為n個正樣本。在當前帖的跟蹤結 果附近抽取若干個圖像塊構成負樣本集。該里所述"跟蹤結果附近"的大小由實際操作決 定。
[0026] 提取正負樣本集的灰度特征和LBP特征。將目標正樣本圖像區域的像素灰度值按 列依次排序得到一維列向量作為目標的灰度特征。用0 e化ixi表示目標的灰度特征，化rfxi 表示d行1列的解空間。在灰度圖像的基礎上計算出每個像素點的LBP碼，將LBP碼按列 依次排序得到一維列向量作為目標的LBP特征，用F e化/"I表示目標的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表示正樣本的個數。用同樣的方法提取負樣本的灰度特征和LBP特征，構成 ^|/);，巧，一化}和m表示當前負樣本集內的負樣本個數。在本實施例中，n 的取值為10, m的取值為40。
[0027] 在新的一帖圖像到來時，需要抽取候選目標。在候選樣本的產生中，用St表示 目標在時刻t的目標狀態，則p(St|St_i)可W假設為一個簡單的平滑模型。目標跟蹤過程 中，基于相鄰帖之間目標移動很小的特點，對新的一帖圖像，可W在上一帖跟蹤目標位置 周圍進行高斯采樣。本發明選取目標的運動仿射參數作為目標的狀態變量，用向量St = (1, 0 " 0 " S"曰"41)表不，其中1]) t、0 t、0 t、St、曰t、41分另懐不目標在第t帖X方 向上的坐標、y方向上的坐標、旋轉角度、尺度變化、寬高比、傾斜度。假設狀態轉移模型服 從高斯分布，即；
[002引 p(SjSt_i) = N(St;Sw，2) (1)
[0029] 式（1)中2是一個對角協方差矩陣，其對角元素依次是前述6個運動仿射參數的 方差。
[0030] 對所產生的候選目標，采用前述提取正、負樣本特征的方法來提取候選目標的灰 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 選目標的灰度特征和LBP特征集合，N表示每帖抽取候選目標的數目，在本實施例中，N的取 值為600。
[0031] 接著用正、負樣本訓練分類器。為了實現用多種特征訓練分類器，需 要對不同的特征（包括正負樣本集和候選目標的特征）進行核化處理。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 別表示候選目標的兩種特征集合。用統一表示正負樣本的兩種特征集合， €化"kxiv統一表示候選目標的兩種特征集合。其中k表示特征索引，mk表示對應第k個 特征的維數。按照下面的方式對X* G化和;E化進行核化處理；
[0032]
[0033]
[0034] 經過核化處理，對任意特征k，都有X* e吸fwmWw?;，F& G股ta+Wxw，不同的特征核
【主權項】
1. 基于支持向量機的多特征選擇目標跟蹤方法，其特征在于，包括w下步驟： (1) 利用簡單跟蹤器跟蹤視頻序列的前n帖，將每帖的跟蹤結果分別作為一個正樣本， 共得到n個正樣本，同時在當前帖的跟蹤結果附近獲取若干負樣本，分別提取正、負樣本的 多個特征； (2) 在跟蹤過程中，對于新到來的每帖圖像，分別抽取N個粒子作為候選目標，并對抽 取的候選目標采用步驟（1)中提取正、負樣本特征的方式提取目標特征； (3) 對于從正、負樣本W及候選目標中提取出的特征進行核化處理，使所有特征的維數 達到相同； (4) 利用正、負樣本訓練支持向量機分類器； (5) 用分類器計算候選目標屬于正樣本的概率，將具有最大概率值的候選目標作為跟 臣示結果； (6) 在跟蹤過程中，每隔一定帖數對正、負樣本進行更新，用更新后的正、負樣本重新訓 練分類器，實現分類器的更新； (7) 采用標準度量準則評估跟蹤性能。
2. 根據權利要求1所述基于支持向量機的多特征選擇目標跟蹤方法，其特征在于：步 驟（1)中，所述正、負樣本的多個特征包括灰度特征和LBP特征。
3. 根據權利要求1所述基于支持向量機的多特征選擇目標跟蹤方法，其特征在于：步 驟（2)中，所述候選目標的抽取方法為，在上一帖圖像的跟蹤目標的周圍進行高斯采樣，選 取跟蹤目標的運動仿射參數作為跟蹤目標的狀態變量St= (iD。0。0t，St，a。（K)，抽取 候選目標；其中ilV 0t、0t、St、〇t、分別表示跟蹤目標在第t帖X方向上的坐標、y方 向上的坐標、旋轉角度、尺度變化、寬高比、傾斜度。
4. 根據權利要求1所述基于支持向量機的多特征選擇目標跟蹤方法，其特征在于：步 驟化）中，采用子空間學習的方法更新正樣本。
5. 根據權利要求1所述基于支持向量機的多特征選擇目標跟蹤方法，其特征在于：步 驟（7)中，所述標準度量準則包括中屯、誤差和跟蹤重疊率。
【專利摘要】本發明公開了基于支持向量機的多特征選擇目標跟蹤方法，其步驟為：獲取正負樣本，提取樣本的多種特征；抽取候選目標，提取目標的多種特征；對所有特征進行核化處理；訓練SVM分類器；計算置信值，判別候選目標；更新分類器；評估跟蹤性能。本發明能夠解決單一特征描述目標能力較差的問題以及克服單一正樣本訓練的分類器分類能力較弱的缺點，能夠在光照影響較大、目標出現嚴重遮擋等復雜場景下提高目標跟蹤器的精度和穩健性。
【IPC分類】G06T7-20, G06K9-62
【公開號】CN104616319
【申請號】CN201510044595
【發明人】胡昭華, 徐玉偉, 趙孝磊, 李容月, 歐陽雯, 金蓉
【申請人】南京信息工程大學
【公開日】2015年5月13日
【申請日】2015年1月28日