基于快速压缩跟踪算法的尺度自适应目标跟踪方法技术

本发明专利技术公开了一种基于快速压缩跟踪算法的尺度自适应目标跟踪方法。本发明专利技术首先，采用上下文模型对类哈尔特征进行加权，增强了类哈尔特征对光照变化的鲁棒性。其次，采用分步跟踪，即增强了算法的抗遮挡能力和应对目标尺度变化的能力，又保持了算法的实时性。最后，提出尺度自适应方法，实现了对尺度变化目标的稳定跟踪。本发明专利技术对目标尺度变化、目标外观变化及目标被遮挡的情况具有较好的鲁棒性，且能保证帧频在39帧/秒左右，满足实时性的要求。

【技术实现步骤摘要】
基于快速压缩跟踪算法的尺度自适应目标跟踪方法
本专利技术属于图像处理
，特别是涉及视频目标跟踪、人脸识别、在线学习及尺度自适应等，具体是基于快速压缩跟踪算法的尺度自适应目标跟踪方法。
技术介绍
目标跟踪是计算机视觉领域的一个研究热点，它在运动分析、行为识别、智能监控、人机交互等领域有广泛的应用[1,2]。目标跟踪的难点是如何处理目标自身的外观变化及光照、遮挡、背景变化等因素对目标的影响[3,4]。近年来，基于在线学习的目标跟踪算法受到了广泛关注，该算法把跟踪问题看成一个特殊的二元分类问题，其关键在于用一个训练好的分类器将目标从序列图像的背景中分割出来，并且在线更新分类器[5,6]。由于噪声及分类器更新因子不匹配等因素的影响，在线学习的目标跟踪算法容易出现跟踪漂移的问题[7]。因此出现了许多改进算法。文献[8]提出一种基于在线半监督分类器的跟踪算法来降低跟踪漂移，它的主要思想是将优先分类器和在线分类器组成组合分类器，利用半监督学习方式学习组合分类器实现分类器的更新，该算法在限制跟踪漂移的同时能保持对外观变化目标的稳定跟踪。文献[9]提出了一种将半监督学习和多示例学习相结合的学习方法，该方法引入一个组合损失因子，同时对标记和未标记的样本进行学习，实验结果表明其跟踪效果优于在线半监督分类器。压缩跟踪(CompressiveTracking,CT)算法[10]是二元分类方法中比较流行的一种算法，该算法实时性好，对目标遮挡和外观变化均具有一定的鲁棒性。但它主要存在两方面的问题：第一，特征描述简单，当光照变化或目标外观变化较大时容易出现跟踪漂移或目标丢失。第二，跟踪过程中目标窗尺度固定，当目标尺度变大或发生遮挡时容易出现跟踪漂移或目标丢失。文献[11]是原作者对CT算法的改进，但其仅是提高了算法的处理速度，对上述问题并没有很好的解决。参考文献列表：[1]CehovinL,KristanM,LeonardisA.Robustvisualtrackingusinganadaptivecoupled-layervisualmodel[J].IEEETransactionsonPatternAnalysisandMachineIntelligence(PAMI),2013,35(4):941–953.[2]QianChen,SunXiao,WeiYi-chen,etal.Realtimeandrobusthandtrackingfromdepth[C].IEEEConferenceonComputerVisionandPatternRecognition(CVPR),2014:1106-1113.[3]ZhangT,GhanemB,LiuS,etl.Robustvisualtrackingviamulti-tasksparselearning[C].IEEEConferenceonComputerVisionandPatternRecognition(CVPR),2012:2042–2049.[4]DicleC,SznaierMandCampsO.Thewaytheymove:trackingmultipletargetswithsimilarappearance[C].IEEEInternationalConferenceonComputerVision(ICCV),2013:2304-2311.[5]LuberMatthias,SpinelloLuciano,ArrasKaiO.PeopleTrackinginRGB-DDataWithOn-lineBoostedTargetModels[C].2011IEEE/RSJInternationalConferenceonIntelligentRobotsandSystems(IROS),2011:3844-3849.[6]GrabnerHelmut,LeistnerChristian,BischofHorst.Semi-supervisedOn-LineBoostingforRobustTracking[J].LectureNotesInComputerScience,2008,5302(1):234-247.[7]LiHai-feng,ZengMin,LuMin-yan.Adaboosting-baseddynamicweightedcombinationofsoftwarereliabilitygrowthmodels[J].QualityandReliabilityEngineeringInternational,2013,28(1):67-84.[8]ZeislB,LeistnerC,SaffariA,BischofH.On-lineSemi-supervisedMultiple-InstanceBoosting[C].2010IEEEConferenceonComputerVisionandPatternRecognition(CVPR),2010:1879.1-1879.15.[9]CrowleyJL,StelmaszykP,DiscoursC.TransientBoost:On-lineBoostingwithTransientData[C].2010IEEEComputerSocietyConferenceonComputerVisionandPatternRecognitionWorkshops(CVPRW),2010:22-27.[10]ZhangKai-hua,ZhangLei,YangMing-hsuan.Real-TimeCompressiveTracking[C].EuropeanConferenceonComputerVision(ECCV),2012:866-879.[11]ZhangKai-hua,ZhangLei,YangMing-hsuan.FastCompressiveTracking[J].IEEETransactiononPatternAnalysisandMachineIntelligence,2014,36(10):2002-2015.[12]WrightJ,YangA,Ganesh,SastryS.Robustfacerecognitionviasparserepresentation[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2009,31(2):210-227.[13]NgAY,JordanM.Ondiscriminativevs.generativeclassifier:acomparisonoflogisticregressionandnaivebayes[C].2002AnnualConferenceonNeuralInformationProcessingSystems,2002:841-848.[14]ComaniciuD,RameshV,MeerP.Kernel-basedobjecttracking[J].IEEETransactionsonPatternAnalysisandMachineIntellige本文档来自技高网...

【技术保护点】
基于快速压缩跟踪算法的尺度自适应目标跟踪方法，其特征在于：首先对输入图像进行变换得到加权haar‑like特征图像；其次，判断目标是否受到遮挡；当遮挡发生时，采用分块粗搜索‑压缩跟踪精搜索的方式跟踪目标；当未遮挡时，采用重心粗搜索‑压缩跟踪精搜索的方式跟踪目标；最后，对跟踪窗进行尺度更新；所述的对输入图像进行变换是采用上下文特征对输入图像进行变换,加权haar‑like特征z的计算公式如下：

【技术特征摘要】
1.基于快速压缩跟踪算法的尺度自适应目标跟踪方法，其特征在于：首先对输入图像进行变换得到加权haar-like特征图像；其次，判断目标是否受到遮挡；当遮挡发生时，采用分块粗搜索-压缩跟踪精搜索的方式跟踪目标；当未遮挡时，采用重心粗搜索-压缩跟踪精搜索的方式跟踪目标；最后，对跟踪窗进行尺度更新；所述的对输入图像进行变换是采用上下文特征对输入图像进行变换,加权haar-like特征z的计算公式如下：式中，S为所选择的矩形区域，n为图像的量化位数，y为加权后像素的特征值；所述的判断目标是否受到遮挡是利用边缘和中心增强的核函数直方图来判断；在相邻两帧图像的目标区域内建立核函数加权的直方图，加权规则分别采用中心增强和边缘增强；所述中心增强是指像素点离目标中心越近，其所获得的权重越大；像素点离目标中心越远，其获得的权重越小；所述边缘增强是指像素点离目标中心越近，其所获得的权重越小；像素点离目标中心越远，其获得的权重越大；遮挡判决因子J＝B(pb,qb)-B(pt,qt)，其中B(p,q)表示Bhattacharyya系数；pt,qt表示中心增强核函数的直方图；pb,qb表示边缘增强核函数的直方图；当遮挡未发生时，J值应接近于0；当遮挡发生时，J值将迅速变大。2.根据权利要求1所述的基于快速压缩跟踪算法的尺度自适应目标跟踪方法，其特征在于：当遮挡发生时，对目标进行分块处理Ri,i＝1,2,…n,n为目标分块总个数；在目标周围λf邻域范围内选择步长Δf得到目标的可能位置，用朴素贝叶斯分类器进行分类得到各个分类器的响应值；利用位置信息判断各分类器所属的目标区域Ri，计算各目标区域Ri中所有分类器响应值的和Si，选择和最大的目标区域的中心作为精确搜索的起始位置L0；在起始位置L0所属的区域内进行精确搜索，在窗口中心周围λc邻域范围利用压缩跟踪检测目标，分类器响应最大值所对应的位置就是目标的位置。3.根据权利要求1所述的基于快速压缩跟踪算法的尺度自适应目标跟踪方法，其特征在于：当未遮挡时，假设M00为图像的0阶距，M10和M01为图像的1阶距，M20和M02为图像的2阶距；则重心的位置为

【专利技术属性】
技术研发人员：刘晴，龙英，冯维，
申请(专利权)人：杭州电子科技大学，
类型：发明
国别省市：浙江,33