基于半监督学习和随机蕨类分类器的目标跟踪方法技术

基于半监督学习和随机蕨类分类器的目标跟踪方法，涉及一种目标跟踪方法，解决现有目标跟踪方法的计算量大、复杂度高，难以满足实时处理需求，对于大角度的旋转以及超平面旋转效果差等难题，本发明专利技术方法可以处理场景中目标尺度变化、旋转、超平面旋转、噪声、遮挡、粘连、摄像机抖动、模糊等难题，形成稳定的目标轨迹及目标的全视角在线模型。该跟踪方法包括：在线模型初始化，生成正、实例，并对其进行规范化；检测器初始化，；训练检测器；“短期”跟踪器跟踪；跟踪有效性评估；检测器检测；检测与跟踪的联合；学习并更新训练集。该方法是完整的目标跟踪解决方案，在实际的视频监控、行为分析、智能交通、电子警察、精确制导等领域有广阔的应用。

【技术实现步骤摘要】

本专利技术涉及一种目标跟踪方法，具体涉及一种。
技术介绍
目标跟踪在视觉导航、行为识别、智能交通、环境监测、战场侦察、军事打击等众多领域有非常广泛的研究和应用。目前，经典的相关跟踪方法对于目标的缩放、旋转、遮挡等适应性不佳；研究比较热门的以SIFT为代表的不变性特征，SIFT算法通过计算多个尺度下不同窗口的高斯滤波处理图像来实现对目标的多尺度缩放、旋转、模糊等的鲁棒性，但其计算量大、复杂度高，难以满足实时处理需求；而均值漂移理论采用直方图作为特征并用核概率密度估计的方法实现目标跟踪，其虽然对目标的遮挡、旋转有一定鲁棒性，但对于大角度的旋转以及超平面旋转则效果不佳；以粒子滤波、卡尔曼滤波为代表的基于滤波理论的目标跟踪方法以滤波预测为核心思想，对目标的部分和全部遮挡有很好的鲁棒性，但是目标跟踪尚有很多问题，如目标的大尺度缩放、旋转、超平面旋转、光照变化、部分遮挡、模糊、目标在视场中消失后的重新捕获等；没有很好的完整的解决方案，随着对统计学习理论的研究和半监督学习理论在图像领域的应用，为本专利技术提供了灵感和技术支持，本专利技术所提出的方法从目标的建模、跟踪、检测，到联合、学习更新是一个本文档来自技高网...

【技术保护点】
基于半监督学习和随机蕨类分类器的目标跟踪方法，其特征是，该方法由以下步骤实现：步骤一、在线模型初始化，对输入图像进行不同尺寸的S形窗口扫描，获得窗口图像的尺寸及位置，将得到的窗口图像尺寸大于阈值的保留，并计算保留的各个窗口图像与初始点选的目标的重叠率，取重叠率最大的窗口图像作为正实例，在重叠率小于阈值且方差大于阈值的窗口图像中随机取出多个窗口图像作为负实例，将得到的正实例和负实例进行图像规范化后加入在线模型；步骤二、检测器初始化，生成多棵随机蕨类的相对位置，并对各棵蕨类的各特征值是正实例的数量、负实例的数量以及是正实例的后验概率初始化为0；步骤三、训练检测器，计算步骤一所述的不同尺寸的S形窗口...

【技术特征摘要】

【专利技术属性】
技术研发人员：高文，郝志成，鲁健峰，朱明，
申请(专利权)人：中国科学院长春光学精密机械与物理研究所，
类型：发明
国别省市：