本发明专利技术公开一种基于霍夫森林的视频目标跟踪方法，主要解决现有技术中当目标被部分遮挡或发生非刚性变化时容易跟踪失败的问题。其方法步骤为：(1)输入一段视频的第一帧，并人工标记出待跟踪的目标；（2）从输入的第一帧视频图像中，提取视频图像的特征；(3)建立并初始化霍夫森林检测器；(4)检测目标并进行霍夫投票；(5)用Lucas-Kanade跟踪器跟踪目标，获得目标框大小的尺度变化s；(6)根据霍夫森林检测中的投票峰值和Lucas-Kanade跟踪器的跟踪结果，确定目标位置；(7)根据目标框大小的尺度变化s调整目标框的宽和高，并显示；（8）重新训练霍夫森林检测器；(9)重复步骤(4)—步骤(8)，直到视频结束。本发明专利技术具有对遮挡目标跟踪准确的优点，可用于人机交互和交通监控领域。
【技术实现步骤摘要】
本专利技术属于图像处理
，涉及视频目标跟踪方法，可应用于人机交互和目标跟踪等领域。
技术介绍
目标跟踪是指通过对拍摄的图像序列进行分析，从而计算出目标在每帧图像上的位置，然后得到相关的参数。目标跟踪是计算机视觉中一个必不可少的关键技术，它在机器人视觉导航、安全监测、交通管制、视频压缩以及气象分析等许多方面都有广泛应用。如军事方面，已被成功地应用于武器的成像制导、军事侦察和监视等。民用方面，如视觉监控，也已被广泛地应用于社会生活的各方面。目标跟踪还可应用于社区和重要设施的保安监控；用于智能交通系统中进行车辆的实时追踪，从而得到车流量、车型、车速、车流密度等等许 多有价值的交通流参数，同时还可以检测事故或故障等突发状况。浙江工业大学提出的专利申请“一种基于累加直方图粒子滤波的视频目标跟踪方法”(专利申请号201110101737. 9，公开号CN102184548A)公开了一种基于累加直方图粒子滤波的视频目标跟踪方法。该方法将颜色累加直方图与粒子滤波跟踪算法相结合，即首先根据检测到的目标范围，计算目标的颜色累加直方图，然后初始化粒子滤波并跟踪，得到在新的一帧中目标的范围，此时，以每个粒子的坐标为中心点，计算得到临时的累加直方图和每个粒子的权重并进行权重归一化，并由此得到新的目标累加直方图，更新累加直方图，最后采用替换选择算法对粒子进行重采样。该方法虽然可以在目标和背景颜色相似时进行正确的跟踪，但是，这种方法采用的是直方图对目标进行描述，所以对目标的非刚性变化不够鲁棒，很容易跟踪失败。苏州大学提出的专利申请“基于均值漂移的视频目标跟踪方法”(专利申请号201010110655. 6，公开号CN101924871A)，公开了一种基于Mean Shift的视频目标跟踪方法，该方法是先提取跟踪目标的SIFT特征，然后用Mean-Shift算法对目标的SIFT特征进行匹配，从而实现对目标的跟踪。这种方法虽然采用了对旋转、尺度缩放、亮度变化保持不变性的SIFT特征，但是由于复杂度非常大，会大大降低目标跟踪的实时性。
技术实现思路
本专利技术针对上述现有技术的不足，提出一种，以提高目标跟踪对目标遮挡、非刚性变化的鲁棒性和目标跟踪的实时性。实现本专利技术的技术思路是将霍夫变换与随机森林分类器相结合作为检测器对目标进行检测，同时由Lucas-Kanade跟踪器对目标进行跟踪，将霍夫变换与随机森林分类器结合，提高随机森林分类器的性能，使其对目标遮挡和目标非刚性变化的跟踪更加鲁棒，同时通过引入的Lucas-Kanade方法调整目标区域的尺度，进一步确定目标的位置，使跟踪很好的适应目标的尺度变化。具体实现步骤包括如下(I)输入一段视频中的第一帧，并人工标记出待跟踪的目标；(2)从输入的第一帧视频图像中，提取视频图像的特征，该特征包括Lab特征，梯度方向直方图HOG特征，图像X方向的一阶导数特征、二阶导数特征，图像y方向的一阶导数特征、二阶导数特征；(3)建立并初始化霍夫森林检测器3a)设定霍夫森林检测器中的决策树数目为20个，为每个决策树随机产生8对范围在(Γ12的块内位置偏移量(1，s)、(p，q)，同时为每对块内位置偏移量I随机选取一种特征；3b)将目标区域作为正样本，将目标区域以外的区域作为负样本，将目标区域向四周扩展20个像素作为样本更新区域，在样本更新区域内逐个像素取12X12的图像块，对每个决策树，根据8对块内位置偏移量(l，s)、(p，q)确定图像块的8个特征点对，提取这些特征点的特征i训练决策树，产生图像块特征值；若图像块为正样本，计算图像块中心与目标中心的位置偏移量d，更新图像块特征值对应的正负样本比及该决策树的正负样本比，存储 图像块特征值对应的位置偏移量d，若图像块为负样本，则只更新图像块编码对应的正负样本比及该棵树的正负样本比；3c)从已经建立的20个决策树中，选择正负样本比最高的10个决策树组成霍夫森林检测器；(4)测目标并进行霍夫投票4a)载入新一帧视频图像，按照步骤(2)的方法提取新一帧视频图像的特征，并将上一帧的目标区域扩大一倍作为搜索区域，在搜索区域内，以每个像素点为中心取12X12得图像块，通过随机森林分类器中的决策树依次对图像块进行分类、计算图像块特征值，当决策树判定图像块属于目标时，根据图像块特征值对应的位置偏移量d和图像块的中心位置计算目标的中心位置并进行投票；4b)取投票峰值的位置作为目标的位置；(5) Lucas-Kanade跟踪器跟踪目标，获得目标框大小的尺度变化s ；(6)根据霍夫森林检测中的投票峰值和Lucas-Kanade跟踪器的跟踪结果，按如下规则确定目标位置；若霍夫森林检测中的最大投票点的值大于阈值1，则将检测到的位置作为目标在当前帧视频图像中的位置，并执行步骤(8)；若霍夫森林检测中的最大投票点的值大于阈值2且小于阈值1，则当检测到的结果和Lucas-Kanade跟踪得到的结果在x、y方向误差均小于5个像素时，取检测结果和跟踪结果的均值作为目标位置，且执行步骤(8)，否则，将检测结果作为目标位置，执行步骤(7)；若霍夫森林检测中的最大投票点的值大于阈值3且小于阈值2，则将检测结果作为目标位置，执行步骤(7 );若霍夫森林检测中的最大投票点的值小于阈值3，则将Lucas-Kanade跟踪器的跟踪结果作为目标的位置，执行步骤(7)；(7)根据目标框大小的变化尺度s调整目标框的宽和高，并显示；(8)重新训练霍夫森林分类器8a)将目标区域作为正样本，将目标区域以外的区域作为负样本，将目标区域扩大20个像素，将此扩大的区域作为更新区域；8b)在更新区域中，以每个像素点为中心取12X 12的图像块，对每个决策树，确定该图像块的8对特征点并提取这些特征点的特征i训练决策树，产生图像块特征值，若图像块为正样本，则计算图像块中心与目标中心的位置偏移量d，更新图像块特征值对应的正负样本比及该决策树的正负样本比，存储图像块特征值对应的位置偏移量d，若该图像块为负样本则只更新图像块编码对应的正负样本比以及该决策树的正负样本比；(9)重复步骤(4) — (8)，直到视频结束。本专利技术与现有技术相比有以下优点第一，本专利技术采用了霍夫投票的思想，不只对正样本的特征进行了学习，而且在学习过程中记录了正样本到目标中心的位置偏移量，这样即使当目标被部分遮挡或者发生非刚性变化时，也可以由霍夫投票得到目标位置。 第二，本专利技术采用了 Lucas-Kanade跟踪方法确定目标的尺度变化，克服了现有技术中目标框大小固定，不随目标大小变化的缺点。附图说明图I为本专利技术的流程图；图2为输入的第一帧视频图像；图3为在图2中人工标记出待跟踪目标的示意图；图4为图2中更新区域的示意图；图5为输入的新一帧视频图像；图6为图5中搜索区域的示意图；图7为图5中更新区域的示意图。具体实施措施下面结合附图对专利技术做进一步描述。参照图I，对本专利技术具体实现给出如下实施例步骤1，输入一段视频的第一帧，并人工标记出待跟踪的目标。本实例输入的一段视频图如图2，它为一段人脸遮挡视频的第一帧，图2中的人脸为要跟踪的目标，即对图2中用鼠标框定人脸区域作为待跟踪目标，结果如图3所示。步骤2，从输入的第一帧视频图像中，提取视频图像的特征。2. I)将图2由本文档来自技高网...
【技术保护点】
一种基于霍夫森林的视频目标跟踪方法，包括以下步骤：（1）输入一段视频的第一帧，并人工标记出待跟踪的目标；（2）从输入的第一帧视频图像中，提取视频图像的特征，该特征包括：Lab特征，梯度方向直方图HOG特征，图像x方向的一阶导数特征、二阶导数特征，图像y方向的一阶导数特征、二阶导数特征；（3）建立并初始化霍夫森林检测器3a)设定霍夫森林检测器中的决策树数目为20个，为每个决策树随机产生8对范围在0~12的块内位置偏移量(l,s)、(p,q)，同时为每对块内位置偏移量l随机选取一种特征；3b)将目标区域作为正样本，将目标区域以外的区域作为负样本，将目标区域向四周扩展20个像素作为样本更新区域，在样本更新区域内逐个像素取12×12的图像块，对每个决策树，根据8对块内位置偏移量(l,s)、(p,q)确定图像块的8个特征点对，提取这些特征点的特征i训练决策树，产生图像块特征值；若图像块为正样本，计算图像块中心与目标中心的位置偏移量d，更新图像块特征值对应的正负样本比及该决策树的正负样本比，存储图像块特征值对应的位置偏移量d，若图像块为负样本，则只更新图像块编码对应的正负样本比及该棵树的正负样本比；3c)从已经建立的20个决策树中，选择正负样本比最高的10个决策树组成霍夫森林检测器；（4）检测目标并进行霍夫投票4a)载入新一帧视频图像，按照步骤(2)的方法提取新一帧视频图像的特征，并将上一帧的目标区域扩大一倍作为搜索区域，在搜索区域内，以每个像素点为中心取12×12得图像块，通过随机森林分类器中的决策树依次对图像块进行分类、计算图像块特征值，当决策树判定图像块属于目标时，根据图像块特征值对应的位置偏移量d和图像块的中心位置计算目标的中心位置并进行投票；4b)取投票峰值的位置作为目标的位置；（5）用Lucas？Kanade跟踪器跟踪目标，获得目标框大小的尺度变化s；（6）根据霍夫森林检测中的投票峰值和Lucas？Kanade跟踪器的跟踪结果，按如下规则确定目标位置；若霍夫森林检测中的投票峰值大于阈值1，则将检测到的位置作为目标在当前帧视频图像中的位置，并执行步骤（8）；若霍夫森林检测中的投票峰值大于阈值2且小于阈值1，则当检测到的结果和Lucas？Kanade跟踪得到的结果在x、y方向误差均小于5个像素时，取检测结果和跟踪结果的均值作为目标位置，且执行步骤（8），否则，将检测结果作为目标位置，执行步骤（7）；若霍夫森林检测中的投票峰值大于阈值3且小于阈值2，则将检测结果作为目标位置，执行步骤（7）；若霍夫森林检测中的投票峰值小于阈值3，则将Lucas？Kanade跟踪器的跟踪结果作为目标的位置，执行步骤（7）；（7）根据目标框大小的变化尺度s调整目标框的宽和高，并显示；（8）重新训练霍夫森林分类器8a)将目标区域作为正样本，将目标区域以外的区域作为负样本，将目标区域扩大20个像素，将此扩大的区域作为更新区域；8b)在更新区域中，以每个像素点为中心取12×12的图像块，对每个决策树，确定该图像块的8对特征点并提取这些特征点的特征i训练决策树，产生图像块特征值，若图像块为正样本，则计算图像块中心与目标中心的位置偏移量d，更新图像块特征值对应的正负样本比及该决策树的正负样本比，存储图像块特征值对应的位置偏移量d，若该图像块为负样本则只更新图像块编码对应的正负样本比以及该决策树的正负样本比；（9）重复步骤（4）—（8），直到视频结束。...
【技术特征摘要】
1.一种基于霍夫森林的视频目标跟踪方法，包括以下步骤 (1)输入一段视频的第一帧，并人工标记出待跟踪的目标； (2)从输入的第一帧视频图像中，提取视频图像的特征，该特征包括Lab特征，梯度方向直方图HOG特征，图像X方向的一阶导数特征、二阶导数特征，图像y方向的一阶导数特征、二阶导数特征； (3)建立并初始化霍夫森林检测器 3a)设定霍夫森林检测器中的决策树数目为20个，为每个决策树随机产生8对范围在(Γ12的块内位置偏移量(1，s)、(p，q)，同时为每对块内位置偏移量I随机选取一种特征； 3b)将目标区域作为正样本，将目标区域以外的区域作为负样本，将目标区域向四周扩展20个像素作为样本更新区域，在样本更新区域内逐个像素取12X12的图像块，对每个决策树，根据8对块内位置偏移量(l，s)、(p，q)确定图像块的8个特征点对，提取这些特征点的特征i训练决策树，产生图像块特征值；若图像块为正样本，计算图像块中心与目标中心的位置偏移量d，更新图像块特征值对应的正负样本比及该决策树的正负样本比，存储图像块特征值对应的位置偏移量d，若图像块为负样本，则只更新图像块编码对应的正负样本比及该棵树的正负样本比； 3c)从已经建立的20个决策树中，选择正负样本比最高的10个决策树组成霍夫森林检测器； (4)检测目标并进行霍夫投票 4a)载入新一帧视频图像，按照步骤(2)的方法提取新一帧视频图像的特征，并将上一帧的目标区域扩大一倍作为搜索区域，在搜索区域内，以每个像素点为中心取12X12得图像块，通过随机森林分类器中的决策树依次对图像块进行分类、计算图像块特征值，当决策树判定图像块属于目标时，根据图像块特征值对应的位置偏移量d和图像块的中心位置计算目标的中心位置并进行投票； 4b)取投票峰值的位置作为目标的位置； (5)用Lucas-Kanade跟踪器跟踪目标，获得目标框大小的尺度变化s； (6)根据霍夫森林检测中的投票峰值和Lucas-Kanade跟踪器的跟踪结果，按如下规则确定目标位置； 若霍夫森林检测中的投票峰值大于阈值1，则将检测到的位置作为目标在当前帧视频图像中的位置，并执行步骤(8); 若霍夫森林检测中的投票峰值大于阈值2且小于阈值1，则当检测到的结果和Lucas-Kanade跟踪得到的结果在x、y方向误差均小于5个像素时，取检测结果和跟踪结果的均值作为目标位置，且执行步骤(8)，否则，将检测结果作为目标位置，执行步骤(7); 若霍夫森林检测中的投票峰值大于阈值3且小于阈值2，则将检测结果作为目标位置，执行步骤(7)； 若霍夫森林检测中的投票峰值小于阈值3，则将Lucas-Kanade跟踪器的跟踪结果作为目标的位置，执行步骤(7); (7)根据目标框大小的变化尺度s调整目标框的宽和高，并显示； (8)重新训练霍夫森林分类器 8a)将目标区域作为正样本，将目标区域以外的区域作为负样本，将目标区域扩大20个像素，将此扩大的区域作为更新区域； Sb)在更新区域中，以每个像素点为中心取12X12的图像块，对每个决策树，确定该图像块的8对特征点并提取这些特征点的特征i训练决策树，产生图像块特征值，若图像块为正样本，则计算图像块中心与目标中心的位置偏移量d，更新图像块特征值对应的正负样本比及该决策树的正负样本比，存储图像块特征值对应的位置偏移量d，若该图像块为负样本则只更新图像块编码对应的正负样本比以及该决策树的正负样本比； (9)重复步骤(4) — (8)，直到视频结束。2.根据权利要求I所述的基于霍夫森林的视频目标跟踪方法，其中步骤(2)所述的从输入的第一帧视频图像中，提取视频图像的特征，按如下步骤进行 (2a)将视频...
【专利技术属性】
技术研发人员：田小林，焦李成，李敏敏，张小华，王桂婷，朱虎明，
申请(专利权)人：西安电子科技大学，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。