一种基于支持向量机的粒子滤波联合跟踪方法技术

本发明专利技术公开了一种基于支持向量机的粒子滤波联合跟踪方法。本发明专利技术通过建立基于全局灰度特征的支持向量机判别模型，将粒子采样得到的候选目标进行分类，输出可靠性靠前的候选粒子，作为块稀疏生成模型的输入；构建基于块稀疏表示的生成模型，对输入的候选目标进行遮挡处理，并与参考信息进行相似度度量；同时通过更新支持向量机的训练样本与块稀疏模型的参考信息保持对目标表观变化的更新，以实现稳定跟踪。

A particle filter based joint tracking method based on Support Vector Machines

The invention discloses a particle filter joint tracking method based on support vector machines. The discriminant model of support vector machine based on global gray feature, the target candidate particle sampling by classification, the reliability of the output by the candidate particle before, as the block sparse model generate input; build the model block based on sparse representation of the input, the candidate target occlusion handling, and similarity measurement and reference information; training samples and block sparse model and support vector machine by updating the reference information to keep view change update on the target table, to achieve stable tracking.

【技术实现步骤摘要】
一种基于支持向量机的粒子滤波联合跟踪方法
本专利技术属于计算机视觉领域，具体涉及视频目标的跟踪方法，可用于实现不同干扰因素下目标的精确跟踪。
技术介绍
基于图像视频序列的目标自动跟踪是机器视觉、模式识别领域的重要内容，在智能监控、视觉导航、视频检索等领域有着广泛的应用，目前国内外对目标的鲁棒跟踪进行了大量的研究，但在实际的应用中，由于目标的表观变化、姿态变化、成像环境变化、背景干扰以及遮挡等因素，设计准确、稳定、实时的视频跟踪算法仍然是一项十分有挑战的任务。目标跟踪算法主要分为两大类：判别式与生成式。基于判别式模型的跟踪算法估计观测数据的条件概率分布，寻找能把目标和背景分离开的最优分类面。由于分类边界比较灵活，所以这种跟踪方法区分性较好，缺点是不能描述目标的外观，即不能充分反映训练数据本身的特性。基于生成式模型的跟踪算法估计观测数据的联合概率分布，生成目标的外观模型，根据最大似然概率获得最匹配的目标。优点是能充分利用目标的外观信息，对光照与颜色变化不敏感；缺点是没有考虑背景信息，区分性较差，且在复杂背景下易受到干扰。文献“RobustObjectTrackingviaSparseCollaborativeAppearanceModel，(IEEEComputerVisionandPatternRecognition(CVPR),2012,1838-1845)”提出了一种结合判别式模型与生成式模型的联合跟踪算法。该方法基于粒子滤波框架，先利用基于全局灰度特征的稀疏判别分类器分离背景与前景目标，计算每个候选的置信度；同时提出一种基于直方图的稀疏生成模型，考虑每个局部块的空间结构信息，并对每个候选进行相似度度量；最后联合模型部分采用最简单的方式：每个候选的置信度与相似度相乘，即为最终的似然概率。该方法突破性的将判别模型与生成模型相结合，在处理遮挡、旋转、光照等干扰因素时都取得了较好的效果。但该方法仍然存在以下不足：一是跟踪过程中判别式模型与生成式模型的贡献作用不够均衡，绝大多数情况下，仅运用生成式模型可以达到与联合模型接近的效果。亦即，联合模型并没有充分利用判别模型的可分信息；二是此方法中的判别模型与生成模型从逻辑结构上来讲，是分别处理数量庞大的候选粒子，最后综合各自结果的过程，这导致计算量过大，从而影响实时性效果。
技术实现思路
本专利技术的专利技术目的在于：提出一种粒子滤波框架下基于支持向量机与块稀疏表示模型的目标跟踪方法，以克服上述现有技术的不足，利用基于支持向量机的判别式模型输出的可分信息，提高跟踪的实时性效果。实现本专利技术的基本思路是：通过建立基于全局灰度特征的支持向量机判别模型，将粒子采样得到的候选目标进行分类，输出可靠性靠前的候选粒子，作为块稀疏生成模型的输入；构建基于块稀疏表示的生成模型，对输入的候选目标进行遮挡处理，并与参考稀疏信息进行相似度度量；同时通过更新支持向量机的训练样本与块稀疏模型的参考信息保持对目标表观变化的更新，以实现稳定跟踪。本专利技术的一种基于支持向量机的粒子滤波联合跟踪方法，包括下列步骤：(1)确定首帧的目标位置。通常采用矩形框的形式在视频序列的第1帧标注出目标位置，即初始目标位置(boundingbox)，用于构建支持向量机的初始训练样本与稀疏模型的字典。(2)初始化第一线性分类器SVM1、第二线性分类器SVM2、参考稀疏系数β0、k维超完备字典D、以及粒子集合：基于首帧的目标位置训练得到线性SVM(supportvectormachine，支持向量机)分类器，即在目标位置进行采样，训练得到SVM分类器。将当前训练得到的SVM分类器记为SVM1；同时设置第二分类器SVM2，其初始值为SVM1，且SVM2将周期更新。其中，SVM分类器的训练可以采用本领域惯用方式，如在目标中心位置处以高斯分布进行采样得到正样本、同样的方式在目标四周采集负样本，并对样本进行PCA(PrincipalComponentAnalysis)降维处理(可选处理方式)，对降维后的训练样本进行训练，得到初始SVM分类器；将目标的初始boundingbox进行有重叠的分块处理，得到M个图像块，记为利用k均值方法对M个向量进行聚类，构建块稀疏模型的k维超完备字典D；根据稀疏表达式s.t.β0≥0求解参考稀疏系数β0；在目标位置建立初始化粒子集合其中N为粒子数。(3)读取视频序列的下一帧，记为第t帧，即当前处理帧。若当前处理帧为第二帧(首帧的下一帧)，则基于初始化粒子集合，使用目标的运动模型预测粒子的状态，得到第t帧的粒子集合即候选粒子集合；若当前处理帧为非第二帧(即非首帧的下一帧)，则基于第t-1帧的跟踪结果，使用目标的运动模型预测粒子的状态，得到第t帧的粒子集合即候选粒子集合。其中，目标的运动模型可采用随机游走模型，即第t帧的粒子状态基于上一帧的粒子状态根据高斯分布采样而得到：其中表示t时刻的粒子状态的后验概率，G(xt-1,σ2)表示t时刻的粒子状态服从以t-1时刻的粒子状态为均值、方差为σ2的高斯分布。(4)将采样得到的候选粒子作为支持向量机的测试样本，即将候选粒子集合分别输入第一分类器SVM1、第二分类器SVM2，输出分类结果，即候选粒子与SVM1所表示的最优分类面之间的欧式距离候选粒子与SVM2所表示的最优分类面之间的距离若在训练SVM分类器时，对训练样本进行了降维处理，则对测试样本(候选粒子)进行同样的降维处理后，再分别输入第一分类器SVM1、第二分类器SVM2，输出分类结果。(5)对候选粒子的可靠性排序：联合SVM1与SVM2得到候选粒子集合的各候选粒子的置信度筛选置信度(可靠性)靠前(筛选比例为经验预设值，如可靠性前50％)的粒子，作为下一步稀疏表示的输入；(6)求解稀疏表示前的分块预处理：利用滑动窗口对候选粒子进行有重叠的块分解，得到图像块，每个粒子对应M个图像块，记为其中n为可靠性筛选后的粒子数；(7)采用步骤(2)相同的方法，基于k维超完备字典D对n个粒子求解第t帧的每个候选粒子的稀疏系数：s.t.βi≥0，其中i＝1,2,...,n，即βi为对应yi的稀疏系数。(8)遮挡处理：利用步骤(7)得到的稀疏系数，计算每个候选粒子的M个图像块的重构误差向量其中i＝1,2,...,n，即将重构误差r(yi)的M个元素分别与预设阈值δ进行比较，若大于δ，则当前图像块为遮挡块；否则为无遮挡块，其中m＝1,2,...,M；在稀疏系数βi中，将遮挡块对应的稀疏向量置零，得到第t帧的去遮挡稀疏系数在参考稀疏系数β0中，将遮挡块对应的稀疏向量置零，得到去遮挡参考稀疏系数其中i＝1,2,...,n；(9)相似性度量得到第t帧的跟踪结果：利用相似性计算公式，度量步骤(8)遮挡处理后得到的与的相似性具有最强相似性的候选粒子即为第t帧的跟踪结果。所述相似性度量公式为：在得到第t帧的跟踪结果后，需要判断是否达到更新周期，若是，则对第二分类器、参考稀疏信息β0进行更新处理后，继续执行步骤3～9，直到处理完所有视频帧；否则，直接执行步骤3-9，直到处理完所有视频帧。其中更新处理具体为：基于第t-1帧的跟踪结果训练线性SVM分类器，并将所述线性SVM分类器作为更新后的第二分类器。其中SVM分类器的训练方式与SVM1相同，即在第本文档来自技高网...

【技术保护点】
一种基于支持向量机的粒子滤波联合跟踪方法，其特征在于，包括下列步骤：步骤1：确定首帧的目标位置；步骤2：基于首帧的目标位置训练得到线性SVM分类器，并定义为第一分类器，同时设置第二分类器，初始值为第一分类器；将目标位置进行重叠分块处理，得到M个图像块，记为

【技术特征摘要】
2016.08.31 CN 20161078996331.一种基于支持向量机的粒子滤波联合跟踪方法，其特征在于，包括下列步骤：步骤1：确定首帧的目标位置；步骤2：基于首帧的目标位置训练得到线性SVM分类器，并定义为第一分类器，同时设置第二分类器，初始值为第一分类器；将目标位置进行重叠分块处理，得到M个图像块，记为基于k均值方法对M个向量进行聚类，构建块稀疏模型的k维超完备字典D；根据公式且β0≥0，求解参考稀疏系数β0，其中λ表示预设权重；在目标位置建立初始化粒子集合其中N为粒子数；步骤3：读取下一帧，记为第t帧，若t为第二帧，则基于初始化粒子集合，使用目标的运动模型预测粒子的状态，得到第t帧的粒子集合即候选粒子集合；若t为非第二帧，则基于第t-1帧的跟踪结果，使用目标的运动模型预测粒子的状态，得到第t帧的粒子集合即候选粒子集合；步骤4：将候选粒子集合分别输入第一、二分类器，输出各候选粒子与第一、二分类器所表示的最优分类面之间的欧式距离步骤5：将作为各候选粒子的置信度，取前n个最大置信度的候选粒子执行步骤6；步骤6：采用滑动窗口对每个候选粒子进行重叠分块，得到M个图像块，记为其中i＝1,2,...,n；步骤7：根据公式且βi≥0，求解第t帧的每个候选粒子的稀疏系数βi，其中i＝1,2,...,n；步骤8：基于候选粒子的稀疏系数βi根据公式计算每个候选粒...

【专利技术属性】
技术研发人员：孙彬，胡琼，邓桥，吴于忠，
申请(专利权)人：电子科技大学，
类型：发明
国别省市：四川,51