基于SURF的压缩跟踪方法和系统技术方案

本发明专利技术所提供的基于SURF的压缩跟踪方法和系统，通过分别采集视频文件的第t帧图像和第t-N帧到第t帧图像的正样本和负样本，利用SURF提取图像特征和压缩感知技术，得到第一分类器和第二分类器，将两者加权，得到第三分类器；使用第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。本发明专利技术所述目标跟踪方法及系统，由于采用了SURF提取图像特征，提取特征速度快，并且在目标环境发生尺度变换、旋转等变化时仍然能够正确提取图像特征，通过稀疏随机测量矩阵对原始图像特征进行压缩，所以所处理的数据少，并提高分类器的更新速度，因此所述目标跟踪方法，可以在复杂环境下准确跟踪目标，并且具有实时性和鲁棒性。

【技术实现步骤摘要】
基于SURF的压缩跟踪方法和系统
本专利技术涉及计算机视觉
，尤其涉及的是一种基于SURF的压缩跟踪方法和系统。
技术介绍
目标跟踪是指在视频图像序列中动态定位感兴趣运动目标所处的位置，我们所感兴趣目标应具有某些显著性的图像特征，比如纹理、颜色、形状、空间等图像信息。在目标跟踪过程中可以监控感兴趣目标的行为轨迹，同时为进一步对感兴趣目标的分析提供了可靠的数据信息。目标跟踪是计算机视觉
的一个重要研究方向，经常应用于视频安全监测、交通管制、人工智能、人机交互等方面广泛应用。军事应用方面，在军事侦察、空中目标监视和武器成像制导等军事方面得到广泛应用；民用方面，视觉监控已经广泛应用于生活的各个方面，保证了社区和重要公共场所的安全。交通方面，可以用于智能交通系统中进行车辆的实时追踪，并进一步得到关键信息，例如，车流量、车型、车速、车流密度等等许多有价值的交通流参数，同时还可以检测事故或故障等突发状况。根据上面这些应用可以推测出目标跟踪具有广泛的应用前景。在目标跟踪算法中，根据跟踪算法的精度、实时性和鲁棒性来衡量算法的可行性。目前跟踪算法中存在的难题通常是当目标发生部分遮挡、光照变化、模糊、噪声干扰、尺度变换、姿势变化等干扰条件时，容易导致跟踪失败。为了解决目标跟踪中的难题，相关领域的一些专家提出了很多种方法。常用的跟踪方法分为基于特征的跟踪、基于区域匹配跟踪、基于活动轮廓的跟踪、基于模型的跟踪和基于运动特征的跟踪方法。这些算法有的简单、易于实现，实时性好，但可靠性不高，在复杂场景和运动下算法容易失效；有的虽然可靠性较高，但算法过于复杂，不利于进行实时运算。考虑到实时性和准确性的因素。KaihuaZhang等人根据压缩理论知识提出了压缩跟踪，对目标的跟踪满足一般实时性要求，由于是提取图像的haar-like特征，所以当目标发生部分遮挡、尺度变换、旋转、光照变化等干扰时，容易跟踪失败。因此，现有技术存在缺陷，有待于改进和发展。
技术实现思路
本专利技术的目的在于针对上述现有技术中使用的目标跟踪算法在使用时，当目标发生部分遮挡、尺度变换、旋转、光照变化等干扰时，容易跟踪失败的缺陷，提供一种基于SURF的压缩跟踪方法和系统。本专利技术的技术方案如下：一种基于SURF的压缩跟踪方法，其中，包括：A、采集视频文件的第t帧图像中的正样本和负样本，对正样本和负样本提取SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述压缩特征向量训练贝叶斯分类器，得到第一分类器；B、采集视频文件的第t-N帧到第t帧图像中目标图像的正样本和负样本，对正样本和负样本提取SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述压缩特征向量训练贝叶斯分类器，得到第二分类器；C、将所述第一分类器和第二分类器进行加权，得到第三分类器；D、提取视频文件的第t+1帧图像中目标图像的SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。所述基于SURF的压缩跟踪方法，其中，所述步骤A中还包括：A1、使用压缩特征向量训练贝叶斯分类器，得到第一弱分类器，通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第一弱分类器组成第一分类器。所述基于SURF的压缩跟踪方法，其中，所述步骤B中还包括：B1、使用压缩特征向量训练朴素贝叶斯分类器，得到第二弱分类器，通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第二弱分类器组成第二分类器。所述基于SURF的压缩跟踪方法，其中，所述步骤A中：采用第t帧图像中所需跟踪的目标图像作为正样本，采集到的背景图像作为负样本。所述基于SURF的压缩跟踪方法，其中，所述步骤B中：采用第t-N帧到第t帧图像中所需跟踪的目标图像作为正样本，采用第t帧图像中采集到的背景图像作为负样本。所述基于SURF的压缩跟踪方法，其中，在所述步骤D中还包括：D1、在提取视频文件的第t+1帧图像中目标图像的SURF特征向量之前，首先在第t帧图像中所需跟踪的目标图像周围采集若干个扫描窗口，在提取目标图像的SURF特征向量时，仅通过采集到的若干个扫描窗口进行提取操作。所述基于SURF的压缩跟踪方法，其中，所述区分度函数的定义为：其中σ(hpos(vi))、σ(hneg(vi))，分别表示正样本和负样本的方差，Δσ＝|σ(hneg(vi))-σ(hpos(vi))|表示正样本与负样本的方差之差，μ(hpos(vi))表示正样本均值，μ(hneg(vi))表示负样本的均值，σ(hpos(vi)，hneg(vi))表示正样本和负样本之间的方差；选择区分度满足预定条件为：选取区分度较高的S(S＜n)个压缩特征去训练弱分类器，其中n为全部压缩特征的个数。所述基于SURF的压缩跟踪方法，其中，所述步骤C中：第三分类器由第一分类器和第二分类器加权得到，其公式如下：其中L表示当前第t帧正样本的个数；N表示前N帧的正样本数；HL为第一分类器；HN第二分类器。一种基于SURF的压缩跟踪系统，其中，包括：第一分类器构建模块，第二分类器构建模块、第三分类器构建模块和目标跟踪模块；所述第一分类器构建模块，用于采集视频文件的第t帧图像中的正样本和负样本，对正样本和负样本提取SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述压缩特征向量训练贝叶斯分类器，得到第一分类器；所述第二分类器构建模块，用于采集视频文件的第t-N帧到第t帧图像中目标图像的正样本和负样本，对正样本和负样本提取SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述压缩特征向量训练贝叶斯分类器，得到第二分类器；所述第三分类器构建模块，用于将所述第一分类器和第二分类器进行加权，得到第三分类器；所述目标跟踪模块，用于提取视频文件的第t+1帧图像中目标图像的SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。所述基于SURF的压缩跟踪系统，其中，所述第一分类器构建模块还包括：第一分类器训练单元；所述第一分类器训练单元，用于使用压缩特征向量训练贝叶斯分类器，得到第一弱分类器，通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第一弱分类器组成第一分类器。所述基于SURF的压缩跟踪系统，其中，所述第二分类器构建模块还包括：第二分类器训练单元；所述第二分类器训练单元；使用压缩特征向量训练朴素贝叶斯分类器，得到第二弱分类器，通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第二弱分类器组成第二分类器。所述基于SURF的压缩跟踪系统，其中，在所述目标跟踪模块中：第三分类器由第一分类器和第二分类器加权得到，其公式如下：其中L表示当前第t帧正样本的个数；N表示前N帧的正样本数；HL为第一分类器；HN第二分类器。有益效果：本专利技术所提供的基于SURF的压缩跟踪方法和系统，由于采用了SURF提取图像特征，提取特征速度快，并且在目标环境发生尺度变换、旋转等变化时仍然能够正确提取图像特征，且提取精度高，计算时本文档来自技高网...

【技术保护点】
一种基于SURF的压缩跟踪方法，其特征在于，包括：A、采集视频文件的第t帧图像中的正样本和负样本，对正样本和负样本提取SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述压缩特征向量训练贝叶斯分类器，得到第一分类器；B、采集视频文件的第t‑N帧到第t帧图像中目标图像的正样本和负样本，对正样本和负样本提取SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述压缩特征向量训练贝叶斯分类器，得到第二分类器；C、将所述第一分类器和第二分类器进行加权，得到第三分类器；D、提取视频文件的第t+1帧图像中目标图像的SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。

【技术特征摘要】
1.一种基于SURF的压缩跟踪方法，其特征在于，包括：A、采集视频文件的第t帧图像中的正样本和负样本，对正样本和负样本提取SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述压缩特征向量训练贝叶斯分类器，得到第一分类器；B、采集视频文件的第t-N帧到第t帧图像中目标图像的正样本和负样本，对正样本和负样本提取SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述压缩特征向量训练贝叶斯分类器，得到第二分类器；C、将所述第一分类器和第二分类器进行加权，得到第三分类器；D、提取视频文件的第t+1帧图像中目标图像的SURF特征向量，利用压缩感知技术，获得表征所述SURF特征向量的压缩特征向量，使用所述第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。2.根据权利要求1所述基于SURF的压缩跟踪方法，其特征在于，所述步骤A中还包括：A1、使用压缩特征向量训练贝叶斯分类器，得到第一弱分类器，通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第一弱分类器组成第一分类器。3.根据权利要求1所述基于SURF的压缩跟踪方法，其特征在于，所述步骤B中还包括：B1、使用压缩特征向量训练朴素贝叶斯分类器，得到第二弱分类器，通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第二弱分类器组成第二分类器。4.根据权利要求1所述基于SURF的压缩跟踪方法，其特征在于，所述步骤A中：采用第t帧图像中所需跟踪的目标图像作为正样本，采集到的背景图像作为负样本。5.根据权利要求1所述基于SURF的压缩跟踪方法，其特征在于，所述步骤B中：采用第t-N帧到第t帧图像中所需跟踪的目标图像作为正样本，采用第t帧图像中采集到的背景图像作为负样本。6.根据权利要求1所述基于SURF的压缩跟踪方法，其特征在于，在所述步骤D中还包括：D1、在提取视频文件的第t+1帧图像中目标图像的SURF特征向量之前，首先在第t帧图像中所需跟踪的目标图像周围采集若干个扫描窗口，在提取目标图像的SURF特征向量时，仅通过采集到的若干个扫描窗口进行提取操作。7.根据权利要求2或3所述基于SURF的压缩跟踪方法，其特征在于，所述区分度函数的定义为：其中σ(hpos(vi))、σ(hneg(vi))，分别表示正样本和负样本的方差，Δσ＝|σ(hneg(vi))-σ(hpos(vi))|表示正样本与负样本的方差之差，μ(hpos(vi))表示正样本均值，μ(hneg(...

【专利技术属性】
技术研发人员：陈汉准，张力，胡媛媛，
申请(专利权)人：深圳大学，
类型：发明
国别省市：广东;44