一种基于混合分类器决策的压缩感知跟踪方法技术

本发明专利技术公开了一种基于混合分类器决策的压缩感知跟踪方法，主要解决现有技术跟踪方法在选择定位的区域产生漂移后分类器将会变得不准确以及在目标经历一段较长时间的严重遮挡后容易导致目标的丢失的问题。本发明专利技术定义了两个分类器，分别为目标遮挡发生前的原始分类器和进入遮挡状态的新分类器，当检测到目标发生遮挡时，则保存之前迭代训练的分类器状态，并且在当前帧初始化一个新的分类器，然后有选择性地使用这两个分类器进行目标的跟踪，最后使用不同的方式对这两个分类器进行更新，以达到方法能够正确跟踪目标的目的。本发明专利技术有效减少目标外观模型的更新错误，从而提高了压缩感知方法在一些复杂场景下的鲁棒性。

【技术实现步骤摘要】

本专利技术属于本专利技术属于计算机视觉
，具体涉及数字图像的目标跟踪
中的一种基于混合分类器决策的压缩感知跟踪方法。
技术介绍
近年来，目标跟踪已成为计算机视觉领域中一个研究的热点问题[文献1]-[文献2]，并在自动监控、视频检索、交通监管等等实际领域中得到了广泛应用。目标跟踪是在第一帧中给定目标初始状态的情况下，在后面的视频序列中估计目标的状态的工作。在过去几十年里研究人员提出了许多方法[文献3]-[文献15]，但是由于跟踪方法受很多因素的影响，尤其是由姿势、光照以及遮挡等引起的外观变化，导致迄今为止不存在单一的跟踪方法能够成功的处理所有的场景问题。因此，建立一个具有鲁棒性和普适性的目标跟踪系统仍然是一个具有挑战性的问题。最近几年，寻找一个高效和健壮的外观模型倍受研究人员的关注。一般来说，根据表示方式，相关的目标跟踪方法可以分为生成模型和判别模型两大类。生成模型是通过学习一个外观模型表示目标对象，然后利用外观模型在接下来的视频序列中以最小误差在搜索区域内确定目标位置。因此，建立一个具有良好鲁棒性的外观模型对于生成模型的跟踪问题来说是至关重要的。但是，这样会导致计算复杂度的增加，从而很难满足实时性的要求。为了处理外观模型的变化，Adam[文献9]等人利用一些碎片信息设计外观模型来处理姿势变化和部分遮挡问题。l1-tracker[文献10]方法是利用目标和简单的碎片模版的稀疏线性融合来建立目标模型，从而处理部分遮挡、光照变化以及姿势变化的问题，但是该方法的计算复杂度较高，从而不能应用于实时的场景。Li等人[文献11]利用正交匹配跟踪方法有效的优化了l1-tracker的实时性问题。为了进一步的增加外观模型的区分能力，Liu等人[文献12]提出一种更具有区分能力的基于稀疏编码的外观模型。在此基础之上，Xu等人在[文献13]中采用一种结构化的局部稀疏编码模型，该方法是将所有的目标模板分解为更小的一组图像块，从而利用了目标的局部信息和空间信息。由于上述基于稀疏表示的跟踪方法都忽略了每一个稀疏表示之间的相关性，因此Zhang等人证明了利用这些相关性可以改进跟踪的结果，并在[文献14]中展示了多任务跟踪器(multitasktracker)的优越性能。虽然这些方法在一些场景中取得了不错的效果，但是基于生成模型的方法需要大量的样本用于开始的模型学习，并且这些方法没有利用可以更好的将目标从背景中识别的背景信息。而判别模型是将目标跟踪作为一个检测问题来处理，它是通过学习一个二值类器，并利用该分类器在局部区域内将目标从背景中识别出来实现跟踪。Collins[文献15]等人证明了利用选择有效的特征在在线跟踪方法中能够有效的提高跟踪的性能。Babenko[文献16]-[文献17]等人将多实例学习的思想引入在线跟踪方法，其中样本被分为正负样本包。为了修正跟踪过程中检测的错误，Z.Kalal[文献18]提出了PN-learning的学习过程来估计检测的失误，并针对这些错误进行更新。最近，压缩感知技术在许多领域引起了广泛的关注。2012年Zhang[文献19]提出了一种基于压缩感知理论的高效跟踪方法，该方法是将目标跟踪当作一个二分类的检测问题来处理，因而是一种基于判别模型的跟踪方法。作者在[文献19]中证明了利用压缩感知技术在高维的多尺度图像特征中随机提取的低维信息能够有效的保留高维信息中的区分信息，于是通过降维处理实现了实时的跟踪效果，从而促进了目标跟踪的研究。尽管压缩感知方法取得了很大的成功，但它目前仍然存在两个问题，第一，压缩感知方法中在使用已经训练好的分类器对下一帧目标位置进行估计时，如果目标受到遮挡、形变、光照等因素的影响，可能会造成分类器对测量样本的最大响应值小于0，那么这时仍然使用分类器的最大响应值作为目标的位置，然后采用该目标周围区域标记正负样本是不合适的。第二，分类器参数的更新使用恒定的学习率。如果目标经历长时间的遮挡，分类器将学习过多的遮挡信息，最后导致丢失目标。[文献1]K.Cannons.AReviewofVisualTracking.TechnicalReportCSE2008-07，YorkUniversity，Canada，2008.[文献2]A.Yilmaz，O.Javed，andM.Shah.ObjectTracking:ASurvey.ACMComputingSurveys，38(4):1–45，2006.[文献3]D.Comaniciu，V.Ramesh，andP.Meer.Kernel-BasedObjectTracking.PAMI，25(5):564–577，2003.[文献4]D.Ross，J.Lim，R.-S.Lin，andM.-H.Yang.IncrementalLearningforRobustVisualTracking.IJCV，77(1):125–141，2008.[文献5]X.MeiandH.Ling.RobustVisualTrackingusingL1Minimization.InICCV，2009.[文献6]J.Fan，X.Shen，andY.Wu.ScribbleTracker:AMatting-basedApproachforRobustTracking.PAMI，34(8):1633–1644，2012.[文献7]Wu，Y.，Huang，T.S.:Robustvisualtrackingbyintegratingmultiplecuesbasedonco-inferencelearning.Int.J.Comput.Vision.58(1)，55–71(2004)[文献8]J.KwonandK.M.Lee.VisualTrackingDecomposition.InCVPR，2010.[文献9]A.Adam，E.Rivlin，andI.Shimshoni，“Robustfragments-basedtrackingusingtheintegralhistogram，”inProc.Comput.Soc.Conf.IEEECVPR，Jun.2006，pp.789–805.[文献10]Mei，X.，Ling，H.:Robustvisualtrackingandvehicleclassificationviasparserep-resentation.PAMI33，2259–2272(2011)[文献11]Li，H.，Shen，C.，Shi，Q.:Real-timevisualtrackingusingcompres本文档来自技高网...

【技术保护点】
一种基于混合分类器决策的压缩感知跟踪方法，针对目标视频序列，在第一帧中给定目标初始状态的情况下，在后面的视频序列中估计目标的状态；其特征在于，包括以下步骤：步骤1：针对第t帧，采集测试样本；其中1＜t≤目标视频序列总帧数；步骤2：根据若干个弱分类器，计算每个测试样本的Haar‑like特征；步骤3：计算各个弱分类器对所有测试样本的分类结果，并确定当前这一帧的目标；步骤4：通过在线学习得到一个二值分类器，通过满足RIP条件的稀疏测量矩阵去提取前景目标和背景信息的特征作为在线学习更新二值分类器的正样本和负样本，然后在下一帧的图像中使用训练好的朴素贝叶斯分类器定位目标；所述RIP条件为，定义测量矩阵Φ的RIP参数δk为满足下式的最小值δ：(1-δ)||x||22≤||Φx||22≤(1+δ)||x||22;]]>其中x为K稀疏信号，若δk<1则称测量矩阵Φ满足K阶RIP。

【技术特征摘要】
1.一种基于混合分类器决策的压缩感知跟踪方法，针对目标视频序列，在第一帧中给
定目标初始状态的情况下，在后面的视频序列中估计目标的状态；其特征在于，包括以下步
骤：
步骤1：针对第t帧，采集测试样本；其中1＜t≤目标视频序列总帧数；
步骤2：根据若干个弱分类器，计算每个测试样本的Haar-like特征；
步骤3：计算各个弱分类器对所有测试样本的分类结果，并确定当前这一帧的目标；
步骤4：通过在线学习得到一个二值分类器，通过满足RIP条件的稀疏测量矩阵去提取
前景目标和背景信息的特征作为在线学习更新二值分类器的正样本和负样本，然后在下一
帧的图像中使用训练好的朴素贝叶斯分类器定位目标；
所述RIP条件为，定义测量矩阵Φ的RIP参数δk为满足下式的最小值δ：
(1-δ)||x||22≤||Φx||22≤(1+δ)||x||22;]]>其中x为K稀疏信号，若δk<1则称测量矩阵Φ满足K...

【专利技术属性】
技术研发人员：李晶，孙航，常军，杜博，苏振扬，肖雅夫，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42