本发明专利技术涉及一种融合2D检测方法的实时目标跟踪算法。所述方法包括：建立目标物体在当前背景下的外观模型，使用基于LK稀疏光流的方法对目标物体进行连续跟踪，利用目标物体的外观模型在画面中检测手掌的位置，以及融合跟踪与检测步骤的结果，以得到更为可靠、准确的目标物体位置。本发明专利技术提出的基于级联型分类器，半自动的线下训练方式，以及能够同时融合跟踪结果的检测方法克服了传统的单纯基于分类器的检测方法较难应付目标物体形变、训练过程中需要大量的手工标记，以及传统跟踪算法的“退化问题”。
【技术实现步骤摘要】
【专利摘要】本专利技术涉及一种融合2D检测方法的实时目标跟踪算法。所述方法包括：建立目标物体在当前背景下的外观模型，使用基于LK稀疏光流的方法对目标物体进行连续跟踪，利用目标物体的外观模型在画面中检测手掌的位置，以及融合跟踪与检测步骤的结果，以得到更为可靠、准确的目标物体位置。本专利技术提出的基于级联型分类器，半自动的线下训练方式，以及能够同时融合跟踪结果的检测方法克服了传统的单纯基于分类器的检测方法较难应付目标物体形变、训练过程中需要大量的手工标记，以及传统跟踪算法的“退化问题”。【专利说明】一种基于融合2D检测的目标跟踪算法
本专利技术属于机器视觉相关
，更具体的，涉及一种融合2D检测方法的实时 目标跟踪算法。
技术介绍
在计算机视觉领域里，实时运动目标的跟踪是一个核心的研究方向。广泛应用于 视频监控，自然人机接口，增强现实，军事制导等领域。因此，如何实现对运动稳定、准确和 实时的跟踪，是一个需要重点研究的问题。 传统的运动目标跟踪算法存在如下一些问题：1)事先需要初始化跟踪器，即标记 目标在画面里的位置，而后跟踪算法才能开始工作；2)目标物体在画面中消失时，跟踪器 不能及时感知；3)目标物体在画面中消失，再出现时，需要重新初始化；4)在跟踪过程中， 由于误差是随时间累积的，因而跟踪算法极易出现"退化"现象。 由于传统的跟踪算法存在如上限制，人们提出了通过在线下训练目标物体外观统 计模型，从而为跟踪器提供初始标记的方法。但是线下有监督学习往往需要大量的手工标 记工作，并且鲁棒性不强，对光线、背景、目标物体形变等的适应能力较弱，因而很难得到实 际应用。
技术实现思路
为解决上述由有监督学习带来的问题。本专利技术公开了一种线下半自动训练级联型 分类器的方法，解决跟踪算法需要初始化和"退化"问题。 为了达到上述目的，本专利技术采用如下技术方案： S1 :通过线下学习，建立目标物体在当前背景下的外观模型，得到的模型会在S3 中用于目标物体的检测。S1中的线下学习，是一种半自动的学习方法，即用户在提供目标物 体的初始位置后，学习机构会自动提供相关特征对应的label，无需用户手动干预。 S2 :使用基于LK稀疏光流的方法对目标物体进行连续跟踪。目标物体被表示为一 个矩形子图像（patch)，S2在连续的两巾贞图像之间跟踪该patch。 1)首先在当前图像帧It+1里通过LK光流法寻找上一帧图像It里定义的特征点 (前向光流）；同样在I t中寻找前一步在It+1中被前向光流发现的特征点（后向光流）。 2)计算前向光流匹配到的特征点对周围7X7邻域子图像的归一化相关系数。取 得到的归一化相关系数集合的中位数。归一化相关系数小于该中位数的点对，被认为是不 可靠的匹配，予以滤除。 3)计算后向光流匹配到的特征点对之间的欧几里得距离，取欧式距离集合的中位 数。相互之间欧式距离大于该中位数的点对，被认为是不可靠的匹配，同样予以滤除。 4)对上述三步得到的It+1中的点集做依据空间位置聚类分析，若这些点可以聚为 一类，则取点集中个点空间横纵坐标的中位数为新的目标物体的位置，否则跟踪失败。 S3利用在步骤S1中得到的目标物体的外观模型，扫描被网格划分的各个patch， 对patch进行分类，以检测目标物体的位置。在S3种我们用到了一种级联型的分类方法， 以减少运算量。 1)使用高斯混合模型（GMM)，提取前景，对被认为是背景的patch不做后续的处 理。 2)使用随机森林（RF)分类器，对前景patch进行分类。 3)使用最近邻居（NN)分类器，结合LBP特征，对通过RF的patch进行分类。 4)对通过NN分类的patch，进行聚类，计算聚类中心作为目标物体的位置。 S4依据一定的规则，融合S2跟踪步骤与S3检测步骤的结果，得到更为可靠、准确 的手掌位置。 【专利附图】【附图说明】 图1基于LK光流的跟踪方法流程 图2级联型检测方法流程 图3LBP特征提取示意图 图4检测与跟踪结果的融合规则 【具体实施方式】 下面对本专利技术的技术方案做进一步的详细说明： S1 :建立目标物体的外观统计模型。 Sla :在第一帧画面中标记出包含目标物体的矩形框。 Sib :利用滑窗，选择与标记的目标物体最近的10个patch，作为正例：在与目标物 体patch重合面积小于目标物体patch面积20 %的滑窗集合中随机选择100个patch,作 为反例。 Sic :建立目标物体的统计模型。目标物体统计模型的建立包括两个部分，建立用 于随机森林分类器的相关参数，以及建立用于最近邻居分类器的样本集合。 随机森林分类器中使用的特征定义如下： 我们使用的随机森林分类器包含10个子分类器，每个子分类器都会维护一个包 含213=8192个项的后验概率 Pi (y | X)，其中y e {〇, 1}，X是一个13 X 1维二进制值列向量， 该向量的具体含义参考S3b。Pi(y|x)依据下列公式建立： 【权利要求】1. 一种基于融合2D检测的目标跟踪算法，其特征在于，所述方法包括： 建立基于随机森林分类器和最近邻居分类器的目标物体外观统计模型； 在当前帧中跟踪前一帧的目标物体位置； 在当前帧中检测目标物体位置； 融合跟踪与检测的结果。2. 如权利1所要求的建立目标物体的外观模型，其特征在于，更新的信息包括用于随 机森林分类器的一组后验概率Pi (y I X)以及用于最近邻居分类器的一组true-positive子 图像和一组false-positive子图像。3. 根据权利2要求，随机森林分类器包含10组子分类器，每个子分类器维护一个后验 概率 Pi (y I x)。4. 根据权利3要求，用于子分类器的后验概率Pi (y I x)，其含义是一个13维二进制特 征向量是目标物体的概率。5. 根据权利4要求，13维特征向量的计算方法为：在待分类子图像中随机抽取13组点 对，各自比较它们之间灰度的大小，以形成该13维二进制向量。6. 根据权利2要求，true-positive样本是指被定义为正例样本，并且按照最近邻居分 类器计算出的置信度小于〇. 65的一类patch集合，false_positive样本是指被定义为正 例样本，并且按照最近邻居分类器计算出的置信度大于0. 5的一类patch集合。7. 如权利1要求，跟踪目标物体位置，其特征在于，直接提取网格点作为特征点，做前 后向的LK光流跟踪，以前后向跟踪前后匹配点周围7X7邻域的归一化相关系数和匹配点 间欧式距离序列的中值为阀值，滤除不可靠的特征点以得到当前帧中目标物体的位置。8. 根据权利7要求，并当匹配点间的欧式距离中值小于10时，定义为跟踪失败。9. 如权利1要求，检测目标物体位置，其特征在于，通过基于GMM的前景检测，随机森林 分类器和最近邻居分类器构成的级联型检测器检测目标物体的位置。通过K-mean聚类算 法获取目标物体的位置。10. 根据权利9要求，随机森林分类器的分类边界为，在10个子分类器中，待分类子图 像映射成的13维二进制向量为本文档来自技高网...
【技术保护点】
一种基于融合2D检测的目标跟踪算法，其特征在于，所述方法包括： 建立基于随机森林分类器和最近邻居分类器的目标物体外观统计模型； 在当前帧中跟踪前一帧的目标物体位置； 在当前帧中检测目标物体位置； 融合跟踪与检测的结果。
【技术特征摘要】
【专利技术属性】
技术研发人员：严嘉祺，王亚捷，
申请(专利权)人：上海瀛联体感智能科技有限公司，
类型：发明
国别省市：上海;31
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。