基于视频在线学习的跟踪方法和装置制造方法及图纸

本发明专利技术提供一种基于视频在线学习的跟踪方法和装置，该方法包括步骤：A1.经初始化后，将视频帧送入检测模块，由检测模块检测运动目标，产生样本，生成样本集；同时，跟踪模块和检测模块并行进行，跟踪模块估计运动目标出现的坐标，生成运动轨迹；其中，跟踪模块包括MOSSE滤波器；A2.将样本集和运动轨迹输入P‑N学习模块，由P‑N学习模块进行评估和校正，把置信度最高的记为正样本，其余作为负样本，生成训练数据；A3.P‑N学习模块评估得到当前帧运动目标出现的最可信的一个位置，作为跟踪的结果进行跟踪；同时P‑N学习模块利用生成的正负样本和新坐标，反作用于跟踪模块和检测模块，更新检测模块的样本集和跟踪模块的滤波模型。通过采用MOSSE滤波器，提高了处理速度和运算效率，且减少了光照变化等引发跟踪失败的几率，更具有鲁棒性。

Tracking method and device based on video online learning

The present invention provides a method and apparatus for video tracking based on online learning, the method comprises the following steps: the A1. is initialized, the video frame into the detection module, detection module to generate samples by moving target detection, generating sample set; at the same time, the parallel tracking module and detection module, tracking module to estimate the coordinate of moving object generation, trajectory; the tracking module includes MOSSE filter; A2. data set and trajectory input P N learning module, learning module by P N assessment and correction, the highest confidence recorded as positive samples, remaining as negative samples to generate training data; A3.P N learning module to assess one of the most credible position of the current frame of moving object, as a result of the tracking and tracking; P N learning module using the positive and negative samples and new generation The coordinate is applied to the tracking module and the detection module to update the sample set of the detection module and the filtering model of the tracking module. By using MOSSE filter, the processing speed and operation efficiency are improved, and the probability of tracking failure caused by illumination change is reduced, and more robust.

【技术实现步骤摘要】
基于视频在线学习的跟踪方法和装置
本专利技术属于计算机视觉中的运动目标跟踪领域，特别涉及一种基于视频在线学习的跟踪方法和装置。
技术介绍
运动目标跟踪是计算机视觉中的核心课题之一，也是非常具有挑战性的课题。它融合了自动控制、信号处理、神经生物学、图像处理、模式识别、机器学习及人工智能等众多先进技术。运动目标跟踪技术主要集中于对运动物体的连续跟踪，其具体来说，就是目标提前标明，第一帧已给出的情况下，在接下来的图像序列中找到目标物体的确切位置进行标记并反馈给系统，以便进行后续对视频中的行为动作的分析和理解。目前，处理运动目标跟踪问题的算法思想有两种，分别是生成类的算法和判别类的算法。生成类的算法通过搜索和目标最相似的区域来处理跟踪问题，判别类的方法将跟踪问题变为二分类问题，其核心就是训练出一个分类器，把目标物体和背景中区分开。随着机器学习的快速发展和应用，用判别类的方法处理运动目标跟踪问题取得了很多突破，得到了更广泛的采用。在判别类方法中，大多是基于检测机制的跟踪算法框架，即使用目标物体和附近的环境训练出一个在线的分类器，这是当前跟踪算法的热点研究趋势。TLD(Tracking-Lear本文档来自技高网...

【技术保护点】
一种基于视频在线学习的跟踪方法，其特征在于，该方法包括如下步骤：A1.经初始化后，将视频帧送入检测模块，由检测模块检测运动目标，产生样本，生成样本集；同时，跟踪模块并行进行，跟踪模块估计运动目标出现的坐标，生成运动轨迹；其中，跟踪模块包括MOSSE滤波器；A2.将样本集和运动轨迹输入P‑N学习模块，由P‑N学习模块进行评估和校正，把置信度最高的记为正样本，其余作为负样本，生成训练数据；A3. P‑N学习模块评估得到当前帧运动目标出现的最可信的一个位置，作为跟踪的结果进行跟踪；同时P‑N学习模块利用生成的正负样本和新坐标，反作用于跟踪模块和检测模块，更新检测模块的样本集和跟踪模块的滤波模型。

【技术特征摘要】
1.一种基于视频在线学习的跟踪方法，其特征在于，该方法包括如下步骤：A1.经初始化后，将视频帧送入检测模块，由检测模块检测运动目标，产生样本，生成样本集；同时，跟踪模块并行进行，跟踪模块估计运动目标出现的坐标，生成运动轨迹；其中，跟踪模块包括MOSSE滤波器；A2.将样本集和运动轨迹输入P-N学习模块，由P-N学习模块进行评估和校正，把置信度最高的记为正样本，其余作为负样本，生成训练数据；A3.P-N学习模块评估得到当前帧运动目标出现的最可信的一个位置，作为跟踪的结果进行跟踪；同时P-N学习模块利用生成的正负样本和新坐标，反作用于跟踪模块和检测模块，更新检测模块的样本集和跟踪模块的滤波模型。2.如权利要求1所述的方法，其特征在于，所述步骤A1的所述由检测模块检测运动目标包括如下步骤：A11.通过前景检测，得到运动目标的前景图像块，在前景图像块的区域内用滑窗法产生一系列优化的图像块；A12.对优化的图像块提取特征，输入到随机蕨分类器中，产生正样本，经分类生成样本集。3.如权利要求2所述的方法，其特征在于，所述步骤A11中所述前景检测包括帧间差分法。4.如权利要求3所述的方法，其特征在于，所述帧间差分法为三帧差法。5.如权利要求2所述的方法，其特征在于，所述步骤A12中所述对优化的图像块提取特征包括对优化的图像块提取2bitBP的特征。6.如...

【专利技术属性】
技术研发人员：王好谦，崔宇浩，王兴政，张永兵，戴琼海，陈丽霞，
申请(专利权)人：清华大学深圳研究生院，深圳市环球数码科技有限公司，
类型：发明
国别省市：广东,44