基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法
【專利摘要】本發(fā)明提出了一種基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法（CFS），本發(fā)明能夠對壓縮后的特征進行選擇，只使用區(qū)分度高的樣本特征進行分類；本發(fā)明能夠達到實時跟蹤，而且避免了由于選擇了錯誤的特征導致的跟蹤失敗現(xiàn)象，有效的抑制了不好的特征對跟蹤結果的影響，并且明顯提高了跟蹤速度和跟蹤精度。
【專利說明】示的特征模型，然后搜索目標可能所在的區(qū)為目標所在位置。為了解決目標形變問題，6用來解決目標被部分遮擋的問題。但是這些背景信息能夠在檢測目標時更好地將目
與背景分離出來的檢測問題。在判別模型蹤精度。使用多個弱分類器組成強分類器，許多130001118方法只利用了目標本身的史有被精確的檢測到之后，就會影響以后目?法表明利用背景信息使用高維特征隨機映景區(qū)分開來。但是由于隨機映射的特征有偵特征進行分類會對目標跟蹤的效果產(chǎn)生
了一種基于壓縮感知特征選擇的實時檢測圍半徑I 13像素之間采集負樣本集
【權利要求】
1.一種基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法，其特征在于:包括下述步驟: 步驟1，初始化參數(shù)，確定第t幀的目標X:，所述的目標位置是一個矩形框，框內(nèi)是需要跟蹤的目標；X:包含四個參數(shù):目標在該幀中的行坐標row{xt)列坐標co/(<)寬度width 和高度 height ； 步驟2，令1 (X) = {row (X)，col (X)}表示樣本X的位置，包括樣本中心的行坐標和列坐標，在X;周圍半徑S個像素內(nèi)采集正樣本集
2.根據(jù)權利要求1所述的一種基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法，其特征在于:所述的步驟2中s = 4，r的取值范圍為6~10，β的取值范圍為15~30。
3.根據(jù)權利要求1所述的一種基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法，其特征在于:所述的步驟3中還包括以下步驟: 3.1設有模板集合T = IhijIi = ^j = U，其中元素定義為:
4.根據(jù)權利要求3所述的一種基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法，其特征在于:所述的步驟3.2中,表示稀疏度經(jīng)驗參數(shù)ζ = 4。
5.根據(jù)權利要求1所述的一種基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法，其特征在于:所述的步驟4還包括以下步驟: .4.1假設正樣本和負樣本的特征符合正態(tài)分布，即正樣本服從樣本特征均值為μ工，樣本特征標準差為。:的正態(tài)分布Wy1, O1),記為P (f (X) I y = I)~ν( μ O1),負樣本服從樣本特征均值為μ O，樣本特征標準差為σ ^的正態(tài)分布Ν( μ (!，O 0),記為p (f (χ) y = O)~Ν(μ ο, σ 0);利用正負樣本求出參數(shù)μ ρ σ ρ μ 和α 0 ； 正樣本的參數(shù)更新方式為:μ] = M1-! + (1-
6.根據(jù)權利要求5所述的一種基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法，其特征在于:所述的步驟4.1和4.2中的學習率λ取0.85。
7.根據(jù)權利要求1所述的一種基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法，其特征在于:所述的步驟5中包括以下步驟:.5.1定義
8.根據(jù)權利要求1所述的一種基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法，其特征在于:所述的步驟7中包括以下步驟: . 7.?在t+i幀的/周圍半徑λ個像素內(nèi)采集測試樣本= h+11||/(Am)-/(x；)|<i^
? ，. 7.2求出每個樣本的分類結果
9.根據(jù)權利要求1所述的一種基于壓縮感知特征選擇的實時檢測跟蹤框架與跟蹤方法，其特征在于:所述的步驟2中，取到的負樣本的數(shù)量為正樣集數(shù)量的1.5倍。
【文檔編號】G06T7/00GK103839273SQ201410113641
【公開日】2014年6月4日 申請日期:2014年3月25日 優(yōu)先權日:2014年3月25日
【發(fā)明者】何發(fā)智, 李康 申請人:武漢大學