基于支持向量機的魯棒目標跟蹤方法
【專利摘要】基于支持向量機的魯棒目標跟蹤方法，包括樣本選擇和支持向量更新、基于結(jié)構(gòu)化支持向量機的在線目標跟蹤、卡爾曼修正以及目標重定位。本發(fā)明針對視頻場景中由于目標運動交叉、半遮擋或暫時離開畫面時產(chǎn)生誤差累積，從而造成的跟蹤漂移問題提出改進方法。對于目標運動交叉或半遮擋，提出采用幀間目標匹配度波動值決定更新支持向量，并結(jié)合卡爾曼濾波修正跟蹤結(jié)果；對于目標暫時離開畫面，采用停止更新支持向量和更改搜索策略的方法進行目標重定位。本發(fā)明提高了跟蹤的實時性和魯棒性，有效解決了由于誤差累積造成的跟蹤漂移問題。
【專利說明】
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明是視頻目標跟蹤中跟蹤漂移領(lǐng)域，具體涉及視頻圖像處理【技術(shù)領(lǐng)域】。 基于支持向量機的魯棒目標跟蹤方法

【背景技術(shù)】
[0002] 目標跟蹤技術(shù)是智能視頻目標跟蹤系統(tǒng)中的核心技術(shù)之一，它的基本任務(wù)是在序 列圖像中根據(jù)視頻信息在空間和時間上的相關(guān)性，確定目標在每一幀的位置和姿態(tài)。隨著 世界反恐、公共安全和平安城市等的需要，安防成為視頻目標跟蹤應(yīng)用的重要領(lǐng)域，但是目 前視頻監(jiān)控設(shè)施的智能化水平較低，大部分只是進行視頻數(shù)據(jù)記錄，以供事后查詢，而視頻 目標行為分析和跟蹤等功能則不能滿足現(xiàn)實需要。
[0003] 視頻目標跟蹤主要有基于學(xué)習、基于特征和基于區(qū)域的跟蹤方法。目前，由于基于 學(xué)習的跟蹤方法魯棒性和區(qū)分性較好，逐漸引起相關(guān)學(xué)者的關(guān)注?；趯W(xué)習的方法包括兩 類，一個是生成模型類的跟蹤方法，一個是判別模型類的跟蹤方法。生成模型類的跟蹤方法 估計觀測數(shù)據(jù)的聯(lián)合概率分布，生成目標的外觀模型，根據(jù)最大化數(shù)據(jù)似然概率獲得與目 標最匹配的檢索圖像塊并標記出來，從而實現(xiàn)跟蹤。優(yōu)點是能充分利用目標的外觀模型，并 且對光照和顏色變化不敏感；缺點是不能充分利用背景信息，區(qū)分性較差，且在復(fù)雜背景下 易受到干擾。判別模型類的跟蹤方法估計觀測數(shù)據(jù)的條件概率分布，尋找能把目標和背景 分離開的最優(yōu)分類面。由于分類邊界比較靈活，所以這種跟蹤方法的區(qū)分性較好。缺點是 相對于生成模型類的方法來說，判別模型類的方法只能判斷目標是哪一類，而不能描述目 標的外觀，即不能充分反映訓(xùn)練數(shù)據(jù)本身的特性。
[0004] 一個完整的目標跟蹤算法必須能準確的檢測出目標，獲得目標的重要信息，同時 能夠有效的在一定干擾下進行準確跟蹤。當前目標跟蹤技術(shù)主要有以下一些難點問題：
[0005] (1)魯棒性：魯棒性即系統(tǒng)的健壯性，是指跟蹤算法在復(fù)雜環(huán)境條件下能持續(xù)、平 穩(wěn)地跟蹤目標。所謂的復(fù)雜環(huán)境包括光照的變化、目標姿態(tài)改變或者目標不規(guī)則變形等。 傳統(tǒng)的跟蹤算法在特定環(huán)境和角度下跟蹤效果很好，但在上述復(fù)雜環(huán)境下跟蹤效果往往較 差。
[0006] (2)實時性：視頻目標跟蹤算法在實施核心跟蹤算法前需要對每一幀圖像進行大 量運算，包括提取圖像特征、像素點比較等。對于視頻目標跟蹤系統(tǒng)，必須要具備能夠?qū)崟r 處理視頻圖像序列的能力。而實時性和魯棒性又常常是矛盾的，所以尋求折中是技術(shù)的關(guān) 鍵。
[0007] (3)抗遮擋問題：視頻目標在運動過程中會遇到半遮擋或者全遮擋引起的目標暫 時離開畫面，傳統(tǒng)跟蹤算法往往跟蹤不準確，或者跟蹤到別的物體，原因是大多數(shù)跟蹤算法 主要依賴前幀運算得出目標位移變化，如果前幀出現(xiàn)誤差，則在后續(xù)幀中造成誤差累積，從 而產(chǎn)生跟蹤漂移。雖然已經(jīng)有相關(guān)算法可以解決遮擋問題，但算法的精度和速度降低太多。
[0008] 論文《Struck:Structured Output Tracking with Kernels》， Computer Vision (ICCV)，2011IEEE International，提出一種基于支持向量機的在線結(jié)構(gòu)化輸出跟 蹤方法，根據(jù)上一幀預(yù)測目標位置選擇樣本和更新支持向量，并根據(jù)當前幀計算得到的目 標位置預(yù)測下一幀。由于過度依賴上一幀的預(yù)測，且每一幀都更新支持向量，所以當目標遇 到半遮擋或全遮擋時容易造成誤差累積，從而產(chǎn)生跟蹤漂移現(xiàn)象。


【發(fā)明內(nèi)容】

[0009] 技術(shù)問題：本發(fā)明的目的是提供一種基于支持向量機的魯棒跟蹤方法，來解決視 頻跟蹤中由于目標運動交叉、半遮擋或暫時離開畫面造成的跟蹤漂移問題。
[0010] 技術(shù)方案：本發(fā)明的方法是一種策略性的方法，通過引入匹配度波動值樣本更新 與卡爾曼預(yù)測修正相結(jié)合的檢測跟蹤方法達到自適應(yīng)跟蹤。
[0011] A1、預(yù)處理：
[0012] 采用手動方式在幀圖像中框選跟蹤目標，并將跟蹤目標設(shè)置在跟蹤框內(nèi)，記錄目 標的坐標以及跟蹤框長度和寬度；
[0013] 卡爾曼濾波器初始化并讀取目標初始位置；
[0014] A2、特征提?。河嬎隳繕藚^(qū)域中圖像塊的特征向量，建立特征樣本群，初始化支持 向量池，用于計算樣本匹配值；
[0015] A3、支持向量更新：與傳統(tǒng)直接采用最高匹配值的樣本為基樣本更新支持向量不 同，本發(fā)明根據(jù)前后幀樣本最高匹配度波動值更新支持向量，能及時捕捉目標形變或遮擋 造成的變化，避免將背景或障礙物作為目標更新支持向量。若波動值符合閾值?\，則更新支 持向量，并將此匹配值最高的樣本坐標傳到下一幀作為預(yù)測目標，若不符合，則此幀不更新 支持向量；
[0016] Α4、基于支持向量機的在線目標跟蹤：以預(yù)測的目標位置為起點，基于在線結(jié)構(gòu)化 支持向量機，結(jié)合卡爾曼濾波器，建立運動模型，對目標在線跟蹤和位置預(yù)測，計算支持向 量機預(yù)測坐標與卡爾曼預(yù)測坐標的歐氏距離；
[0017] Α5、卡爾曼濾波修正：現(xiàn)有技術(shù)僅根據(jù)在線支持向量跟蹤定位目標，遇到遮擋往往 造成跟蹤漂移，本發(fā)明考慮目標運動的方向和速度，結(jié)合卡爾曼濾波修正，對于匹配度波動 值符合閾值?\的目標位置，提取樣本和更新支持向量，用svm的預(yù)測值更新濾波器；對于不 符合閾值?\的目標位置，使用卡爾曼濾波算法對跟蹤的方位進行預(yù)測和糾正，同時根據(jù)支 持向量機預(yù)測坐標與卡爾曼預(yù)測坐標的歐氏距離決定更新支持向量的方法；
[0018] Α6、支持向量池溢出限制：當支持向量個數(shù)超過限定閾值，并且在不斷增加，刪除 貢獻最小的支持向量；
[0019] Α7、目標重定位：當判定目標離開畫面，停止更新支持向量，更改搜索策略，直至重 新定位目標。由于在線目標跟蹤時不斷更新支持向量，保存了目標特征，當目標重新出現(xiàn)在 畫面，可以及時且精確定位。
[0020] 進一步地，所述閾值范圍匹配度波動值?\為0. 25, svm預(yù)測坐標與卡爾曼預(yù)測坐 標歐氏距離T2為8。
[0021] 有益效果：本發(fā)明是針對視頻目標跟蹤中跟蹤漂移的解決方案。結(jié)合幀間目標匹 配度波動值樣本更新與卡爾曼濾波修正相結(jié)合的檢測跟蹤算法，考慮目標運動的方向和速 度，對場景中發(fā)生的目標運動交叉、遮擋現(xiàn)象以及目標暫時離開畫面具有較好的實時性和 魯棒性，有效解決了由于誤差累積造成的跟蹤漂移問題。

【專利附圖】

【附圖說明】
[0022] 圖1更新支持向量階段提取樣本的方法；
[0023] 圖2卡爾曼濾波器工作流程；
[0024] 圖3基于支持向量機的目標跟蹤和卡爾曼修正流程圖。

【具體實施方式】
[0025] 一、體系結(jié)構(gòu)
[0026] 1、圖1所示的是在更新支持向量階段提取樣本的方法，中心點為當前正樣本框的 中心，按照平分半徑和角度的方法構(gòu)建樣本網(wǎng)群，在半徑上交錯取點，這種取點方法可以在 不減少特征數(shù)量的前提下減輕計算量。
[0027] 2、圖2所示的是卡爾曼濾波器的兩個部分，分別是時間更新和測量更新，其中， Λ表示k幀目標的位置，Uh表示k-Ι幀對系統(tǒng)的控制量，本文設(shè)置&為零，Pk為誤差協(xié) 方差，Q和R分別是為過程噪聲和測量噪聲，不隨系統(tǒng)狀態(tài)變化而變化。A為狀態(tài)轉(zhuǎn)移矩陣：

【權(quán)利要求】
1. 基于支持向量機的魯棒目標跟蹤方法，包括樣本選擇和支持向量更新、基于結(jié)構(gòu)化 支持向量機的在線目標跟蹤、卡爾曼修正以及目標重定位；其特征在于，針對目標運動交叉 或半遮擋，提出采用幀間目標匹配度波動值決定更新支持向量，并結(jié)合卡爾曼濾波修正跟 蹤結(jié)果；針對目標暫時離開畫面，采用停止更新支持向量和更改搜索策略的方法進行目標 重定位；具體步驟如下： A1、預(yù)處理： 采用手動方式在幀圖像中框選跟蹤目標，并將跟蹤目標設(shè)置在跟蹤框內(nèi)，記錄目標的 坐標以及跟蹤框長度和寬度； 卡爾曼濾波器初始化并讀取目標初始位置； A2、特征提?。河嬎隳繕藚^(qū)域中圖像塊的特征向量，建立特征樣本群，初始化支持向量 池，用于計算樣本匹配值； A3、支持向量更新：與傳統(tǒng)直接采用最高匹配值的樣本為基樣本更新支持向量不同，本 發(fā)明根據(jù)前后幀樣本最高匹配度波動值更新支持向量，能及時捕捉目標形變或遮擋造成的 變化，避免將背景或障礙物作為目標更新支持向量。若波動值符合閾值?\，則更新支持向 量，并將此匹配值最高的樣本坐標傳到下一幀作為預(yù)測目標，若不符合，則此幀不更新支持 向量； Α4、基于支持向量機的在線目標跟蹤：以預(yù)測的目標位置為起點，基于在線結(jié)構(gòu)化支持 向量機，結(jié)合卡爾曼濾波器，建立運動模型，對目標在線跟蹤和位置預(yù)測，計算支持向量機 預(yù)測坐標與卡爾曼預(yù)測坐標的歐氏距離； Α5、卡爾曼濾波修正：現(xiàn)有技術(shù)僅根據(jù)在線支持向量跟蹤定位目標，遇到遮擋往往造成 跟蹤漂移，本發(fā)明考慮目標運動的方向和速度，結(jié)合卡爾曼濾波修正，對于匹配度波動值符 合閾值?\的目標位置，提取樣本和更新支持向量，用svm的預(yù)測值更新濾波器；對于不符合 閾值?\的目標位置，使用卡爾曼濾波算法對跟蹤的方位進行預(yù)測和糾正，同時根據(jù)支持向 量機預(yù)測坐標與卡爾曼預(yù)測坐標的歐氏距離決定更新支持向量的方法； Α6、支持向量池溢出限制：當支持向量個數(shù)超過限定值，并且在不斷增加，刪除貢獻最 小的支持向量； Α7、目標重定位：當判定目標離開畫面，停止更新支持向量，更改搜索策略，直至重新 定位目標；由于在線目標跟蹤時不斷更新支持向量，保存了目標特征，當目標重新出現(xiàn)在畫 面，可以及時且精確定位。
2. 根據(jù)權(quán)利要求1所述的基于支持向量機的魯棒目標跟蹤方法，其特征在于，所述閾 值范圍匹配度波動值?\為0. 25, svm預(yù)測坐標與卡爾曼預(yù)測坐標歐氏距離Τ2為8。
【文檔編號】G06T5/00GK104091349SQ201410270717
【公開日】2014年10月8日 申請日期:2014年6月17日 優(yōu)先權(quán)日:2014年6月17日
【發(fā)明者】李曉飛, 劉夢, 劉瀏, 吳鵬飛 申請人:南京郵電大學(xué)