一种基于局部分类的目标跟踪方法及系统技术方案

本发明专利技术提供一种基于局部分类的目标跟踪方法及系统，包括基于第一帧进行正样本和负样本的采集，进行训练样本集和验证样本集的划分；对训练样本集进行局部块的采样，训练目标的局部分类器，获取目标模型；然后基于粒子滤波框架在后续帧图片中采取候选，对于每一个候选采取局部块，采用相应的局部分类器进行估计，目标的位置更新为取得最大置信度的候选所在的位置。因此，本发明专利技术提出了通过对目标局部块的联合跟踪，克服了基于全局目标跟踪无法解决的遮挡条件下跟踪漂移的问题。进一步地，提出了一种基于双重阈值约束的样本更新方式，并基于目标的时域稳定性更新局部分类器的权重，能有效地判断并抑制局部遮挡，同时避免了随机性和偶然性。

【技术实现步骤摘要】

本专利技术属于计算机视觉领域，尤其涉及一种基于局部分类的目标跟踪方法及系统。
技术介绍
目标跟踪是在连续的图像或视频序列中估计出感兴趣目标的运动状态和运动轨迹，是计算机视觉的一个重要分支，广泛应用于行为分析、视频监控、智慧交通、国防建设等各个领域。近年来，尽管目标跟踪已经取得了很大的进展[1-5]，但是由于光照变化、尺度变化、以及局部遮挡等环境因素的影响，当前的跟踪算法的鲁棒性和稳定性还具有一定的局限性。现有的目标跟踪算法大致可归为生成式方法和判别式方法。生成式方法是指在图像区域中找到与运动目标模型最相似的区域以实现跟踪。而判别式跟踪方法把跟踪看成二分类问题，旨在构造一个分类器将目标和背景区分出来。如Kalal等人提出一种P-N学习方法以利用正负样本之间的结构关系来学习一个分类器从而实现跟踪[2]。然而现有的大多数判别式跟踪方法通常把目标看成一个整体而建模，当目标发生局部遮挡时，往往导致跟踪发生漂移。此外，在跟踪过程中，由于目标外貌的变化，目标模型的更新显得尤为重要，对于判别式方法，如何有效地更新正负样本是模型更新的关键，传统样本更新方法常将最新跟踪结果作为正样本更新，进而采集负样本，跟踪发生错误时，模型会因采集到的错误样本而大大降低了判别力。尽管有方法提出将当前跟踪结果置信度作为判断依据，但更新效率仍很低下，模型无法很好地适应跟踪过程中的目标外貌变化。因此如何为目标构建鲁棒的目标模型，如何构建更新模型以适应目标外貌变化是大多数研究者争相探索的问题。针对以上问题，本专利技术提出了一种基于局部分类的目标跟踪技术方案。相关参考文献：[1]HenriquesJF,CaseiroR,MartinsP,etal.High-speedtrackingwithkernelizedcorrelationfilters[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2015,37(3):583-596.[2]KalalZ,MikolajczykK,MatasJ.Tracking-learning-detection[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2012,34(7):1409-1422.[3]ZhangK,ZhangL,YangMH,etal.Fasttrackingviaspatio-temporalcontextlearning[J].arXivpreprintarXiv:1311.1939,2013.[4]DanelljanM,ShahbazKhanF,FelsbergM,etal.Adaptivecolorattributesforreal-timevisualtracking[C].ProceedingsoftheIEEEConferenceonComputerVisionandPatternRecognition.2014:1090-1097.[5]DanelljanM,HagerG,ShahbazKhanF,etal.Learningspatiallyregularizedcorrelationfiltersforvisualtracking[C].ProceedingsoftheIEEEInternationalConferenceonComputerVision.2015:4310-4318.[6]WuY,LimJ,YangMH.Onlineobjecttracking:Abenchmark[C].ProceedingsoftheIEEEconferenceoncomputervisionandpatternrecognition.2013:2411-2418.
技术实现思路
针对现有判别式跟踪方法存在的问题：1)通常将目标看成一个整体进行建模而训练全局分类器，在遮挡场景下容易发生跟踪漂移问题，2)传统样本更新方法中更新样本时，更新约束单一，更新效率低，使得模型无法很好地适应目标外貌变化，因此，本专利技术创新性地提出了一种基于局部分类的目标跟踪技术方案。本专利技术技术方案还提供一种基于局部分类的目标跟踪方法，包括以下步骤，步骤1，目标模型的构建，包括基于第一帧进行正样本和负样本的采集，进行训练样本集和验证样本集的划分；对训练样本集进行局部块的采样，训练目标的局部分类器，获取目标模型；所述对训练样本集进行局部块的采样，训练目标的局部分类器，实现方式如下，设给定正样本训练集其中包含PA个正样本，给定负样本训练集其中包含NA个负样本；对于给定的每一个样本，在样本上按照预设的大小以预设步长采取M个局部块，得到了局部块的训练样本集；提取每个局部块的特征；基于局部块的训练样本集，利用支持向量机分别训练每一个相应采样位置的局部块所对应的局部分类器ck，k＝1,2...M；对于任一局部分类器ck，若验证样本集中正样本和负样本的数量分别为PV和NV，相应权重ωk计算如下，ωk=1β(1-Σn=1PV+NVI(ck(xnk)≠tnk)PV+NV)]]>其中，β为归一化参数，为位于第n个样本上的第k个局部块，为对应的标签，而表示使用第k个局部分类器ck对局部块进行判别得到的标签，函数I(φ)表示符号函数；将用于将目标和背景区分的全局分类器C(x)作为目标模型，用局部分类器ck进行线性加权表示如下，C(x)=Σk=1Mωkck(xk)]]>其中，x表示待测的全局样本，xk表示全局样本x上的第k个样本块；步骤2，基于粒子滤波的跟踪，包括基于粒子滤波框架在后续帧图片中采取Ω个候选，Ω为预设的取值；对于每一个候选，采用和步骤1中一致的方式采取M个局部块，对于第k个局部块采用相应的局部分类器ck估计该局部块为目标局部块的置信度，通过对所有局部块的置信度进行线性加权得到整个候选的置信度；目标的位置更新为取得最大置信度的候选所在的位置。而且，进行局部分类器的更新，实现方式如下，若当前帧的跟踪结果的置信度pt(x)＞ρ1，则根据当前跟踪结果采集新的正样本集和负样本集若当前帧的跟踪结果的置信度较高ρ2＞pt(x)＞ρ2，只根据当前跟踪结果采集新的负样本集；每隔若干帧，利用这几帧积累的样本重新训练出新的局部分类器。而且，每次训练新的分类器后，进行权重的更新，实现更新目标模型，权重的更新方式如下，ωk=ωk0+λδ(Δk-γ)]]>其中，为更新前第k个局部分类器的权重，λ为权重变化量，γ为判断权重更新的阈值，Δk表示第k个局部块的时域稳定性，是在连续r帧的跟踪结果中第k个局部块的r个置信度的均值；δ(x)定义为，δ(x)=1ifx>00ifx=0-1otherwise]]>计算得到新的所有局部分类器的权重后，所有权重都进行归一化处理。而且，求取取得最大置信度的候选，实现方式如下，设在第t帧采集的候选集为目标的观测为zt；对于任一候选采用已构建好的目标模型计算响应值其为目标的后验概率p(zt|st)定义为其中函数在第t帧，目标的本文档来自技高网...

【技术保护点】
一种基于局部分类的目标跟踪方法，其特征在于：包括以下步骤，步骤1，目标模型的构建，包括基于第一帧进行正样本和负样本的采集，进行训练样本集和验证样本集的划分；对训练样本集进行局部块的采样，训练目标的局部分类器，获取目标模型；所述对训练样本集进行局部块的采样，训练目标的局部分类器，实现方式如下，设给定正样本训练集其中包含PA个正样本，给定负样本训练集其中包含NA个负样本；对于给定的每一个样本，在样本上按照预设的大小以预设步长采取M个局部块，得到了局部块的训练样本集；提取每个局部块的特征；基于局部块的训练样本集，利用支持向量机分别训练每一个相应采样位置的局部块所对应的局部分类器ck，k＝1,2...M；对于任一局部分类器ck，若验证样本集中正样本和负样本的数量分别为PV和NV，相应权重ωk计算如下，ωk=1β(1-Σn=1PV+NVI(ck(xnk)≠tnk)PV+NV)]]>其中，β为归一化参数，为位于第n个样本上的第k个局部块，为对应的标签，而表示使用第k个局部分类器ck对局部块进行判别得到的标签，函数I(φ)表示符号函数；将用于将目标和背景区分的全局分类器C(x)作为目标模型，用局部分类器ck进行线性加权表示如下，C(x)=Σk=1Mωkck(xk)]]>其中，x表示待测的全局样本，xk表示全局样本x上的第k个样本块；步骤2，基于粒子滤波的跟踪，包括基于粒子滤波框架在后续帧图片中采取Ω个候选，Ω为预设的取值；对于每一个候选，采用和步骤1中一致的方式采取M个局部块，对于第k个局部块采用相应的局部分类器ck估计该局部块为目标局部块的置信度，通过对所有局部块的置信度进行线性加权得到整个候选的置信度；目标的位置更新为取得最大置信度的候选所在的位置。...

【技术特征摘要】
1.一种基于局部分类的目标跟踪方法，其特征在于：包括以下步骤，步骤1，目标模型的构建，包括基于第一帧进行正样本和负样本的采集，进行训练样本集和验证样本集的划分；对训练样本集进行局部块的采样，训练目标的局部分类器，获取目标模型；所述对训练样本集进行局部块的采样，训练目标的局部分类器，实现方式如下，设给定正样本训练集其中包含PA个正样本，给定负样本训练集其中包含NA个负样本；对于给定的每一个样本，在样本上按照预设的大小以预设步长采取M个局部块，得到了局部块的训练样本集；提取每个局部块的特征；基于局部块的训练样本集，利用支持向量机分别训练每一个相应采样位置的局部块所对应的局部分类器ck，k＝1,2...M；对于任一局部分类器ck，若验证样本集中正样本和负样本的数量分别为PV和NV，相应权重ωk计算如下，ωk=1β(1-Σn=1PV+NVI(ck(xnk)≠tnk)PV+NV)]]>其中，β为归一化参数，为位于第n个样本上的第k个局部块，为对应的标签，而表示使用第k个局部分类器ck对局部块进行判别得到的标签，函数I(φ)表示符号函数；将用于将目标和背景区分的全局分类器C(x)作为目标模型，用局部分类器ck进行线性加权表示如下，C(x)=Σk=1Mωkck(xk)]]>其中，x表示待测的全局样本，xk表示全局样本x上的第k个样本块；步骤2，基于粒子滤波的跟踪，包括基于粒子滤波框架在后续帧图片中采取Ω个候选，Ω为预设的取值；对于每一个候选，采用和步骤1中一致的方式采取M个局部块，对于第k个局部块采用相应的局部分类器ck估计该局部块为目标局部块的置信度，通过对所有局部块的置信度进行线性加权得到整个候选的置信度；目标的位置更新为取得最大置信度的候选所在的位置。2.根据权利要求1所述基于局部分类的目标跟踪方法，其特征在于：进行局部分类器的更新，实现方式如下，若当前帧的跟踪结果的置信度pt(x)＞ρ1，则根据当前跟踪结果采集新的正样本集和负样本集若当前帧的跟踪结果的置信度较高ρ2＞pt(x)＞ρ2，只根据当前跟踪结果采集新的负样本集；每隔若干帧，利用这几帧积累的样本重新训练出新的局部分类器。3.根据权利要求2所述基于局部分类的目标跟踪方法，其特征在于：每次训练新的分类器后，进行权重的更新，实现更新目标模型，权重的更新方式如下，ωk=ωk0+λδ(Δk-γ)]]>其中，为更新前第k个局部分类器的权重，λ为权重变化量，γ为判断权重更新的阈值，Δk表示第k个局部块的时域稳定性，是在连续r帧的跟踪结果中第k个局部块的r个置信度的均值；δ(x)定义为，δ(x)=1ifx>00ifx=0-1otherwise]]>计算得到新的所有局部分类器的权重后，所有权重都进行归一化处理。4.根据权利要求1或2或3所述基于局部分类的目标跟踪方法，其特征在于：求取取得最大置信度的候选，实现方式如下，设在第t帧采集的候选集为目标的观测为zt；对于任一候选采用已构建好的目标模型计算响应值其为目标的后验概率p(zt|st)定义为其中函数在第t帧，目标的位置更新为取得最大置信度的候选所在...

【专利技术属性】
技术研发人员：胡瑞敏，阮威健，黄文军，梁超，吴琳，陈军，罗波，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42