專利名稱：一種基于在線學習的實時跟蹤方法及跟蹤系統(tǒng)的制作方法
技術(shù)領(lǐng)域：
本發(fā)明涉及視頻運動圖像數(shù)據(jù)處理及機器視覺領(lǐng)域，特別涉及一種基于在線學習的實時跟蹤方法和跟蹤系統(tǒng)。
背景技術(shù)：
在線學習屬于增量學習的研究范疇，在這一類方法中分類器對每個樣本只學一次，而不是重復的學習，這樣在線學習算法運行過程中不需要大量的存儲空間來存儲訓練樣本，分類器每獲得一個樣本，對其學習完成后就可以刪除。在線學習大大弱化了學習過程中手工標注這一繁瑣的步驟，我們只需要手工標注一個較小的樣本集用于分類器的初始訓練，然后該分類器在執(zhí)行分類任務(wù)時能夠不斷的獲得新樣本，從而持續(xù)的自我訓練和改進，提高分類精度。注意，對于獲得的新樣本通常要求自動標注其類別，否則無法實現(xiàn)檢測系統(tǒng)的智能化。但是如何對獲得的新樣本進行自動的正確的標注仍然沒有很好的解決辦法。而訓練樣本標注的正確與否決定了整個訓練過程的有效性。這是在線學習的一個難點。普通的AdaBoost分類器方法，由于需要大量的樣本庫進行訓練，因此往往難以用于在線學習，盡管學者們提出了在線學習的AdaBoost分類器方法，但其實時性能還是相對較差。bagging和boosting是最常用的集成學習算法，并且相對于單一模型的機器學習方法，它們能明顯提高分類器的分類能力和泛化能力。但是集成學習方法屬于離線的學習方法，由這種方法訓練出的分類器是固定的，不能通過對新樣本的學習，更新和改進自身的分類能力。一旦訓練樣本不夠完備，或者選取的特征不合適，整個分類器必須重新訓練，無法在原有基礎(chǔ)上改進，這樣必將耗費了大量時間和人力，因此在線學習方法應(yīng)運而生。在線學習是一種特定的學習方法，在這一類方法中，每一個樣本只被學習一次，相應(yīng)的不需要對學習樣本進行存儲，學習完后即可刪除，節(jié)省了存儲空間。這種學習方法最初主要應(yīng)用于一些特定的場合，如訓練樣本并不是事先全部都準備好的，而是一個個逐步獲取到的。這樣，采用在線學習方法，每獲得一個樣本就學習一次，然后刪除該樣本，不需要太多的存儲空間。目前手勢跟蹤算法主要是基于離線學習的方法，而手是不是剛體，不同時刻變化較大，同時在線學習可以學習光照的變化，從而提高系統(tǒng)的白適應(yīng)性，因此采用在線學習進行跟蹤從原理上具有更好的可行性。

發(fā)明內(nèi)容
本發(fā)明通過圖像傳感器獲取圖像信息，手動選擇初始正樣本，利用相應(yīng)的處理單元完成目標特征信息的提取，根據(jù)隨機森林實現(xiàn)目標的分類，引進分類可靠性度量，根據(jù)與目標特征信息的相似程序來確定正負本，并用于訓練隨機森林分類器，最后利用KLT跟蹤算法實現(xiàn)目標的準確高精度跟蹤。本發(fā)明為實現(xiàn)其目的而采用的技術(shù)方案是一種基于在線學習的實時跟蹤方法，
3包括以下步驟，步驟A、獲取目標視覺信息；步驟B、以提高圖像質(zhì)量為目標，完成圖像的降噪和增強；步驟C、以在線學習方法提取正負樣本和相應(yīng)的特征，并用隨機森林進行在線學習，得到目標，并利用可靠性準則對目標進行可靠性評估；步驟D、利用光流法完成手勢目標的跟蹤。其中所述的步驟A中，目標視覺信息包括目標的圖像信息、輪廓信息。所述的步驟D中，采用KLT跟蹤方法。本發(fā)明還提供了一種基于在線學習的實時跟蹤系統(tǒng)，包括圖像感應(yīng)單元、圖像處理單元、影像顯示單元；所述的普通圖像感應(yīng)單元負責獲取視覺信息；所述的圖像處理單元負責圖像感應(yīng)單元的圖像去噪與目標增強；其特征在于還包括在線學習單元和KLT跟蹤單元；所述的影像顯示單元負責顯示影像及圖形界面；所述的在線學習單元的輸入端接所述的圖像處理單元的輸出端包括目標特征信息提取單元、隨機森林分類器、分類可靠性度量單元；所述的目標特征信息提取單元負責目標的特征信息獲取，以便用于實時確定正負樣本；所述的隨機森林分類器利用提取的特征的信息進行分類器的設(shè)計和分類；所述的分類可靠性度量利用目標在幀間變化較小這一特征，進行分類器可靠性度量，保證跟蹤的可靠性；所述的KLT跟蹤單元的輸入端接所述的在線學習單元的輸出端利用在線學習檢測到的結(jié)果，實現(xiàn)目標的高精度跟蹤。發(fā)明利用在影像顯示設(shè)備上的圖像傳感和處理單元，通過對目標特征信息的提取和正負樣本的自動標注，完成在線學習所需要的樣本數(shù)據(jù)，然后利用隨機森林進行學習和分類，完成目標的檢測，再利用KLT跟蹤算法和在線學習所提供的信息完成目標的準確跟蹤，從而實現(xiàn)基于在線學習的實時跟蹤系統(tǒng)設(shè)計與實現(xiàn)。


圖1是本發(fā)明系統(tǒng)框圖。圖2是本發(fā)明的流程圖。
具體實施例方式實施例1，如圖1所示，本實施例是一種利用在線學習方法實時跟蹤手勢的系統(tǒng)， 該系統(tǒng)主要包括影像顯示單元負責顯示影像及圖形界面。普通圖像感應(yīng)單元也就是攝像、照像等裝置，這些裝置負責獲取視覺信息。也就是由一幀一幀的圖像組成的影像。圖像處理單元，該單元主要是圖像降噪模塊負責圖像感應(yīng)單元的圖像去噪，為下
4一步的目標的有效提取和提取特征信息提供保障。在線學習單元主要包括目標特征信息提取單元負責目標的特征信息獲取，從圖像中獲取角特征信息，以便用于實時確定正負樣本，這里，正負樣本是自己定義的，和初始選擇時的樣本相似度達到一定的值就認為是正樣本，否則是負樣本。隨機森林分類器利用提取的特征的信息進行隨機森林分類器的設(shè)計和分類；分類可靠性度量利用目標在幀間變化較小這一特征，進行分類器可靠性度量，保證跟蹤的可靠性，分類器分的正樣本不可靠，那跟蹤的可靠性就低，因此分類器可靠性高， 跟蹤器的可靠性才能高，度量就是用相似性度量。KLT跟蹤單元利用在線學習檢測到的結(jié)果，實現(xiàn)目標的高精度跟蹤。本實施例的主要步驟如圖2所示包括1、圖像傳感器單元獲取視覺信息；2、圖像處理單元以提高圖像質(zhì)量為目標，完成圖像的降噪和增強；3、在線學習單元主要用于在線學習實習目標的檢測，它包括以下幾個部分目標特征信息提取，正負樣本分類，正負樣本在線學習(隨機森林)，分類可靠性度量；4、KLT跟蹤單元，負責利用光流法完成手勢目標的跟蹤。5、用戶界面單元用于顯示圖像處理效果和操作接口。本發(fā)明的一個較佳的實施例步驟包括1、顯示設(shè)備單元顯示用戶圖形界面；2、圖像傳感單元獲取用戶所在環(huán)境圖像信息；3、圖像處理單元實現(xiàn)圖像的降噪和增強等預(yù)處理；4、在線學習單元主要提取正負樣本和相應(yīng)的特征，并用隨機森林進行在線學習， 得到目標，并利用可靠性準則對目標進行可靠性評估；5、KLT跟蹤單元主要是通過利用特征信息和在線學習知識來實現(xiàn)目標的準確跟
S示ο
權(quán)利要求
1.一種基于在線學習的實時跟蹤方法，其特征在于包括以下步驟， 步驟A、獲取目標視覺信息；步驟B、以提高圖像質(zhì)量為目標，完成圖像的降噪和增強；步驟C、以在線學習方法提取正負樣本和相應(yīng)的特征，并用隨機森林進行在線學習，得到目標，并利用可靠性準則對目標進行可靠性評估； 步驟D、利用光流法完成手勢目標的跟蹤。
2.根據(jù)權(quán)利要求1所述的基于在線學習的實時跟蹤方法，其特征在于所述的步驟A 中，目標視覺信息包括目標的圖像信息、輪廓信息。
3.根據(jù)權(quán)利要求1所述的基于在線學習的實時跟蹤方法，其特征在于所述的步驟D 中，采用KLT跟蹤方法。
4.一種基于在線學習的實時跟蹤系統(tǒng)，包括圖像感應(yīng)單元、圖像處理單元、影像顯示單元；所述的普通圖像感應(yīng)單元負責獲取視覺信息； 所述的圖像處理單元負責圖像感應(yīng)單元的圖像去噪與目標增強； 所述的影像顯示單元負責顯示影像及圖形界面； 其特征在于還包括在線學習單元和KLT跟蹤單元；所述的在線學習單元的輸入端接所述的圖像處理單元的輸出端包括目標特征信息提取單元、隨機森林分類器、分類可靠性度量單元；所述的目標特征信息提取單元負責目標的特征信息獲取，以便用于實時確定正負樣本；所述的隨機森林分類器利用提取的特征的信息進行分類器的設(shè)計和分類； 所述的分類可靠性度量利用目標在幀間變化較小這一特征，進行分類器可靠性度量， 保證跟蹤的可靠性；所述的KLT跟蹤單元的輸入端接所述的在線學習單元的輸出端利用在線學習檢測到的結(jié)果，實現(xiàn)目標的高精度跟蹤。
全文摘要
本發(fā)明是基于在線學習的實時跟蹤方法和系統(tǒng)，通過圖像傳感器獲取圖像信息，手動選擇初始正樣本，利用相應(yīng)的處理單元完成目標特征信息的提取，根據(jù)隨機森林實現(xiàn)目標的分類，引進分類可靠性度量，根據(jù)與目標特征信息的相似程序來確定正負本，并用于訓練隨機森林分類器，最后利用KLT跟蹤算法實現(xiàn)目標的準確高精度跟蹤。
文檔編號G06T7/20GK102436590SQ20111034608
公開日2012年5月2日 申請日期2011年11月4日 優(yōu)先權(quán)日2011年11月4日
發(fā)明者劉遠民 申請人:康佳集團股份有限公司