基于机器学习的粒子滤波目标跟踪方法技术

本发明专利技术公开了一种基于机器学习的粒子滤波目标跟踪方法，主要解决现有技术跟踪效率低、目标跟踪过程中易受环境变化影响、目标模型适应性不好的问题。本发明专利技术实现的具体步骤是：(1)提取目标和背景特征；(2)训练目标模型；(3)目标的模板匹配跟踪；(4)判断目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差是否小于0.3；(5)粒子滤波的目标跟踪；(6)判断视频序列中的所有图像是否处理完毕。本发明专利技术能有效地提高跟踪效率，并且跟踪目标稳定，目标模型的适应性更强。

【技术实现步骤摘要】
基于机器学习的粒子滤波目标跟踪方法
本专利技术属于计算机视觉领域，更进一步涉及数字图像的目标跟踪
中的一种基于机器学习的粒子滤波目标跟踪方法。本专利技术可用于实现目标的精确跟踪，针对视频序列中的特定目标，将目标模板匹配和粒子滤波器相结合，提高了跟踪效率。
技术介绍
基于图像序列的运动目标自动跟踪是图像处理、模式识别和精确制导领域的重要课题，在国防、工业和交通等领域有着广泛的应用。国内外很多文献对目标的表述和跟踪方法进行了研究。但在实际的跟踪中常常还会遇到问题，很难完成长序列视频目标的跟踪。究其原因主要是模型的相对固定不能适应大幅度的光照、背景变化和物体的大范围运动等。雷云，丁晓青和王生进在论文“嵌入粒子滤波中的Adaboost跟踪器”(《清华大学学报》2007,47(7)：1141-1143)中采用Adaboost分类器和粒子滤波相结合的方法来跟踪目标。首先给定感兴趣的目标类别，训练一组级联的Adaboost分类器，然后将级联Adaboost分类器中的每个弱分类器和每层强分类器嵌入到粒子滤波跟踪算法中。该方法存在的不足是，Adaboost分类器需要大量的训练样本，使得在跟踪过程中实时性不佳，跟踪效率较低。刘海龙，胡福乔和赵宇明在论文“基于粒子滤波和在线学习的目标跟踪”(《计算机工程》2013,39(10)：232-235)提出一种目标跟踪方法。该方法首先将获取的第一帧图像来训练分类器和初始化粒子滤波器，对于视频后续帧，分类器和粒子滤波器分别对目标进行检测和跟踪，并利用粒子滤波的跟踪结果来提高训练样本库的准确性，改进在线学习算法，并通过反复迭代来提高整体算法的精度。该方法存在的不足是，目标的运动产生的形变及光照变化对跟踪效果的影响较大，目标模型的适应性不好。
技术实现思路
：本专利技术的目的在于克服上述现有技术的不足，提出了一种基于机器学习的粒子滤波目标跟踪方法。实现本专利技术的目的的基本思路是：首先，利用目标和背景的颜色直方图特征和纹理特征表示目标和背景的信息；其次，利用支持向量机SVM对获得的目标和背景的特征进行训练，获得目标模型；再次，根据训练获得的目标模型，进行目标模板的跟踪，在误差小于0.3的情况下，重新对目标模板进行支持向量机SVM的训练；最后，根据重新训练的目标模型，对目标进行粒子滤波跟踪。实现本专利技术目的的具体步骤如下：(1)提取目标和背景联合特征：(1a)提取目标和背景的颜色直方图特征；(1b)提取目标和背景的局部二值模式特征；(1c)将颜色直方图特征与局部二值模式特征联合，得到目标和背景的联合特征；(2)训练目标模型：(2a)用目标和背景的联合特征，标记视频序列中所有的彩色图像，得到初始训练样本；(2b)利用支持向量机SVM，对初始训练样本进行训练，得到目标样本分类器；(2c)利用目标样本分类器，从初始训练样本中分离出目标模型；(3)目标的模板匹配跟踪：(3a)框出目标在视频序列的第一帧图像中的位置，获得搜索模板；(3b)将前一帧图像中目标的位置作为当前帧中目标的初始位置，得到当前帧的目标图像，采用去均值归一化互相关算法，计算搜索模板与目标图像的相似性度量矩阵中的所有元素值；(3c)判断相似性度量矩阵中的所有元素中最大值是否大于0.8，若是，执行步骤(3d)，否则，执行步骤(3b)；(3d)采用绝对误差计算公式，计算目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差；(4)判断目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差是否大于0.3，若是，执行步骤(5)；否则，将当前帧的目标图像加入支持向量机的训练样本中，执行步骤(2)；(5)粒子滤波的目标跟踪：(5a)在当前帧目标图像中，按高斯分布初始化100个与当前帧目标图像相同的粒子；(5b)使用目标样本分类器，对当前帧目标图像中的所有粒子进行分类，得到目标样本分类器的输出概率；(5c)利用粒子位置计算公式，计算当前帧目标的位置，得到当前帧目标的特征值；(5d)将当前帧目标的特征值输入到目标样本分类器，得到目标样本分类器的输出概率；(5e)判断目标样本分类器的输出概率是否小于0.5，若是，则执行步骤(5a)，否则，执行步骤(6)；(6)判断视频序列中的所有图像是否处理完毕，若是，则执行步骤(7)，否则，执行步骤(3)；(7)结束。本专利技术与现有技术相比，具有以下优点：第一，本专利技术采用在线更新目标模型，克服了现有技术中需要大量训练样本的缺点，使得本专利技术具有跟踪效率高的优点。第二，本专利技术将模板跟踪及粒子滤波跟踪相结合，用来更新目标的训练集合，克服了现有技术中目标跟踪效果容易受目标运动产生的形变及光照变化影响的缺点，使得本专利技术具有跟踪目标稳定的优点。第三，本专利技术采用支持向量机SVM训练目标分类器，通过目标分类器输出的概率值计算粒子滤波器的粒子权重，克服了现有技术中目标模型适应性不好的缺点，使得本专利技术具有目标模型的适应性更强的优点。附图说明图1为本专利技术的流程图；图2为本专利技术的仿真图。具体实施方式下面结合附图1对本专利技术的步骤作进一步的详细说明。步骤1，提取目标和背景特征颜色直方图所描述的是不同色彩在整幅图像中所占的比例，而并不关心每种色彩所处的空间位置，即对于图像中帧间的对象或物体的移动不敏感。因此，本专利技术使用颜色特征，计算颜色直方图。第一步，将视频序列中彩色图像的一个像素的红色分量右移5位，将绿色分量右移2位，将蓝色分量左移1位；将移位后的红色、绿色、蓝色分量值相加，得到该帧彩色图像中一个像素的色调值，色调值的取值范围是[0-26]；第二步，采用第一步的方法，计算该帧彩色图像中所有像素中的每一个像素的色调值；第三步，用每个色调值对应的像素个数除以该帧彩色图像所有像素的个数，得到该帧彩色图像目标和背景的颜色直方图特征；第四步，对视频序列中的彩色图像，采用第三步的方法，得到所有彩色图像的目标和背景的颜色直方图特征。本专利技术采用局部二值模式LBP(LocalBinaryPattern)建立目标模型和背景的局部纹理模型。局部二值模式算子定义为在半径为1的圆形邻域内，以圆心位置处的像素为阈值，将周围的8个像素的灰度值与其进行比较，若周围像素值大于中心像素值，则该像素点的位置被标记为1，否则为0。这样，该圆形邻域内的8个点可产生8bit的无符号数，即得到该邻域中心位置处像素的局部二值模式值。对整个图片上的所有像素点都用上面的方法处理，也就是将某一像素点与其周围的8个点进行比较，然后选定一个起始点按顺时针的方向得到一个二进制串，再将其转换为十进制数，这样就得到了整幅图上所有像素点的局部二值模式值。对于半径为1的圆形邻域内含有8个采样点的局部二值模式算子将会有256种模式，当二进制模式过多时，使数据量过大，且直方图过于稀疏，将不利于图像纹理的提取及后续环节的处理。为了解决二进制模式过多的问题，提高统计性，需要对原始的局部二值模式模式进行降维处理，使得在数据量减少的情况下能最好的代表图像的信息。本专利技术中我们使用等价模式来对局部二值模式算子的模式进行降维，Ojala等认为，在实际图像中，绝大多数局部二值模式模式最多只包含两次从1到0或从0到1的跳变。因此，Ojala将“等价模式”定义为：当某个局部二值模式所对应的循环二进制数从0到1或从1到本文档来自技高网...

【技术保护点】
一种基于机器学习的粒子滤波目标跟踪方法，包括如下步骤：(1)提取目标和背景联合特征：(1a)提取目标和背景的颜色直方图特征；(1b)提取目标和背景的局部二值模式特征；(1c)将颜色直方图特征与局部二值模式特征联合，得到目标和背景的联合特征；(2)训练目标模型：(2a)用目标和背景的联合特征，标记视频序列中所有的彩色图像，得到初始训练样本；(2b)利用支持向量机SVM，对初始训练样本进行训练，得到目标样本分类器；(2c)利用目标样本分类器，从初始训练样本中分离出目标模型；(3)目标的模板匹配跟踪：(3a)框出目标在视频序列的第一帧图像中的位置，获得搜索模板；(3b)将前一帧图像中目标的位置作为当前帧中目标的初始位置，得到当前帧的目标图像，采用去均值归一化互相关算法，计算搜索模板与目标图像的相似性度量矩阵中的所有元素值；(3c)判断相似性度量矩阵中的所有元素中最大值是否大于0.8，若是，执行步骤(3d)，否则，执行步骤(3b)；(3d)采用绝对误差计算公式，计算目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差；(4)判断目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差是否大于0.3，若是，执行步骤(5)；否则，将当前帧的目标图像加入支持向量机的训练样本中，执行步骤(2)；(5)粒子滤波的目标跟踪：(5a)在当前帧目标图像中，按高斯分布初始化100个与当前帧目标图像相同的粒子；(5b)使用目标样本分类器，对当前帧目标图像中的所有粒子进行分类，得到目标样本分类器的输出概率；(5c)利用粒子位置计算公式，计算当前帧目标的位置，得到当前帧目标的特征值；(5d)将当前帧目标的特征值输入到目标样本分类器，得到目标样本分类器的输出概率；(5e)判断目标样本分类器的输出概率是否小于0.5，若是，则执行步骤(5a)，否则，执行步骤(6)；(6)判断视频序列中的所有图像是否处理完毕，若是，则执行步骤(7)，否则，执行步骤(3)；(7)结束。...

【技术特征摘要】
1.一种基于机器学习的粒子滤波目标跟踪方法，包括如下步骤：(1)提取目标和背景联合特征：(1a)提取目标和背景的颜色直方图特征；(1b)提取目标和背景的局部二值模式特征；(1c)将颜色直方图特征与局部二值模式特征联合，得到目标和背景的联合特征；(2)训练目标模型：(2a)用目标和背景的联合特征，标记视频序列中所有的彩色图像，得到初始训练样本；(2b)利用支持向量机SVM，对初始训练样本进行训练，得到目标样本分类器；(2c)利用目标样本分类器，从初始训练样本中分离出目标模型；(3)目标的模板匹配跟踪：(3a)框出目标在视频序列的第一帧图像中的位置，获得搜索模板；(3b)将前一帧图像中目标的位置作为当前帧中目标的初始位置，得到当前帧的目标图像，采用去均值归一化互相关算法，计算搜索模板与目标图像的相似性度量矩阵中的所有元素值；(3c)判断相似性度量矩阵中的所有元素中最大值是否大于0.8，若是，执行步骤(3d)，否则，执行步骤(3b)；(3d)采用绝对误差计算公式，计算目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差；(4)判断目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差是否大于0.3，若是，执行步骤(5)；否则，将当前帧的目标图像加入支持向量机的训练样本中，执行步骤(2)；(5)粒子滤波的目标跟踪：(5a)在当前帧目标图像中，按高斯分布初始化100个与当前帧目标图像相同的粒子；(5b)使用目标样本分类器，对当前帧目标图像中的所有粒子进行分类，得到目标样本分类器的输出概率；(5c)利用粒子位置计算公式，计算当前帧目标的位置，得到当前帧目标的特征值；(5d)将当前帧目标的特征值输入到目标样本分类器，得到目标样本分类器的输出概率；(5e)判断目标样本分类器的输出概率是否小于0.5，若是，则执行步骤(5a)，否则，执行步骤(6)；(6)判断视频序列中的所有图像是否处理完毕，若是，则执行步骤(7)，否则，执行步骤(3)；(7)结束。2.根据权利要求1所述的基于机器学习的粒子滤波目标跟踪方法，其特征在于，步骤(1a)中所述的提取目标和背景的颜色直方图特征的步骤如下：第一步，将视频序列中彩色图像的一个像素的红色分量右移5位，将绿色分量右移2位，将蓝色分量左移1位；将移位后的红色、绿色、蓝色分量值相加，得到该帧彩色图像中一个像素的色调值，色调值的取值范围是[0-26]；第二步，采用第一步的方法，计算该帧彩色图像中所有像素中的每一个像素的色调值；第三步，用每个色调值对应的像素个数除以该帧彩色图像所有像素的个数，得到该帧彩色图像目标和背景的颜色直方图特征；第四步，对视频序列中的彩色图像，采用第三步的方法，得到所有彩色图像的目标和背景的颜色直方图特征。3.根据权利要求1所述的基于机器学习的粒子滤波目标跟踪方法，其特征在于，步骤(1b)中所述的提取目标和背景的局部二值模式特征的步骤如下：第一步，按照下式，计算彩色图像的一个像素灰度值，与该像素邻域内其他像素灰度值的绝对差值：Δg＝|gp-g|其中，Δg表示彩色图像的一个像素灰度值与该像素邻域内其他像素灰度值的绝对差值，gp表示以该像素为中心半径为1的圆周上的第p个像素的灰度值，g表示彩色图像的一个像素的灰度值，|·|表示取绝对值操作；第二步，按照下式，比较彩色图像的一个像素灰度值与该像素邻域内其他像素灰度值的绝对差值与灰度阈值大小：其中，Δg表示彩色图像的一个像素灰度值与该像素邻域内其他像素灰度值的绝对差值，s(·)表示彩色图像的一个像素灰度值与该像素邻域内其他像素灰度值的绝对差值与灰度阈值的比较结果，T表示灰度阈值，取值范围为[1-5]，|·|表示取绝对值操作；第三步，按照下式，对彩色图像的所有像素，计算每一个像素的局部二值模式值：

【专利技术属性】
技术研发人员：孙伟，陈龙，赵丹，郭宝龙，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：陕西;61