一種基于簇相似的多尺度目標(biāo)跟蹤方法
【專利摘要】本發(fā)明提出了一種基于簇相似的多尺度目標(biāo)跟蹤方法，本方法的外觀模型使用改進(jìn)的類哈爾特征表示，可以適應(yīng)目標(biāo)尺度變化.首先對(duì)目標(biāo)周圍進(jìn)行滑動(dòng)窗口稠密采樣，依據(jù)采樣半徑將樣本劃分為目標(biāo)簇和背景簇，定義了一種粒子與簇之間的距離度量，并定義它們之間的相似度與距離成反比.當(dāng)新幀到來時(shí)，粒子通過運(yùn)動(dòng)模型運(yùn)動(dòng)，根據(jù)粒子與目標(biāo)簇和背景簇的相似度對(duì)粒子評(píng)分，評(píng)分最高的粒子作為目標(biāo)在該幀的位置；為了適應(yīng)跟蹤過程中目標(biāo)和背景的變化，設(shè)計(jì)動(dòng)態(tài)更新機(jī)制對(duì)目標(biāo)簇和背景簇的統(tǒng)計(jì)特征更新.在每幀跟蹤結(jié)束時(shí)，根據(jù)粒子的評(píng)分值賦予粒子新的權(quán)值，并根據(jù)該權(quán)值進(jìn)行粒子重采樣以防止粒子退化，本方法能夠在復(fù)雜條件下實(shí)現(xiàn)對(duì)目標(biāo)的魯棒跟蹤。
【專利說明】一種基于簇相似的多尺度目標(biāo)跟蹤方法

【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于目標(biāo)跟蹤【技術(shù)領(lǐng)域】，涉及一種基于簇相似的多尺度目標(biāo)跟蹤方法。

【背景技術(shù)】
[0002] 目標(biāo)跟蹤在計(jì)算機(jī)視覺中一個(gè)重要領(lǐng)域，在軍事，醫(yī)療，監(jiān)控以及人機(jī)交互中有著 重要的應(yīng)用。最近幾年來有許多算法用于解決目標(biāo)跟蹤的問題，但是由于目標(biāo)的形變，光照 的變化，以及目標(biāo)被遮擋等原因，目標(biāo)跟蹤仍然是一個(gè)難點(diǎn)。
[0003] 目前主流的實(shí)時(shí)跟蹤算法都是具有自適應(yīng)性的。一般來說跟蹤算法可以分為兩 類：生成算法和判別算法。生成算法能夠?qū)W習(xí)目標(biāo)的特征模型，然后搜索目標(biāo)可能所在的區(qū) 域，使用已學(xué)習(xí)的模型以最小誤差重建的區(qū)域即為目標(biāo)所在位置。為了解決目標(biāo)形變問題， WSL和IVT算法先后被提出。最近，稀疏表示方法用來解決目標(biāo)被部分遮擋的問題。但是這 些生成模型都沒有利用目標(biāo)周圍的背景信息，這些背景信息能夠在檢測目標(biāo)時(shí)更好地將目 標(biāo)與背景分離出來。
[0004] 判別模型將目標(biāo)跟蹤看做一種將目標(biāo)與背景分離出來的檢測問題。在判別模型 中，使用區(qū)分能力較好的特征能夠有效的提高跟蹤精度。使用多個(gè)弱分類器組成強(qiáng)分類器 的boosting算法目前得到了廣泛的應(yīng)用。但是，許多boosting算法只利用了目標(biāo)本身的 信息，并沒有利用目標(biāo)背景的信息，所以當(dāng)目標(biāo)沒有被精確的檢測到之后，就會(huì)影響以后目 標(biāo)跟蹤的精度，最終導(dǎo)致跟蹤失敗。


【發(fā)明內(nèi)容】

[0005] 為了克服上述現(xiàn)有技術(shù)的不足，本發(fā)明提供了一種基于簇相似的多尺度目標(biāo)跟蹤 方法。
[0006] 本發(fā)明所采用的技術(shù)方案是：一種基于簇相似的多尺度目標(biāo)跟蹤方法，包括以下 步驟：
[0007] 步驟1:獲取包括N幀的視頻序列；
[0008] 步驟2:從t = 1幀開始，確定第t幀的目標(biāo)<，它的位置為/(:〇，其中/(<)是一個(gè) 矩形框，框內(nèi)是需要跟蹤的目標(biāo)；1?)包含四個(gè)參數(shù)，目標(biāo)在該幀中的行坐標(biāo):raHtY；). 列坐標(biāo)《?/(<)、寬度width和高度height ;初始化參數(shù)/i/、<τ/、//,、σ,為0,參數(shù) σ,是％維的向量，這四個(gè)參數(shù)分別表示系統(tǒng)維持的全局目標(biāo)簇X +的均值、 方差和全局背景簇X _的均值、方差，其中上標(biāo)" + "表示目標(biāo)簇，表示背景簇，下標(biāo)i表 示從樣本提取出的第i個(gè)類哈爾特征；
[0009] 步驟3:在t = 1巾貞時(shí)初始化粒子集4 = 其中每個(gè)粒子up表示一 個(gè)測試樣本，每個(gè)測試樣本表示一種目標(biāo)可能的狀態(tài).粒子--Ρ的狀態(tài)向量定義為

【權(quán)利要求】
1. 一種基于簇相似的多尺度目標(biāo)跟蹤方法，其特征在于，包括以下步驟： 步驟1:獲取包括N幀的視頻序列； 步驟2:從t= 1幀開始，確定第t幀的目標(biāo)<，它的位置為/(.〇,其中/(.<)是一個(gè) 矩形框，框內(nèi)是需要跟蹤的目標(biāo)；包含四個(gè)參數(shù)，目標(biāo)在該幀中的行坐標(biāo)、 列坐標(biāo)、寬度width和高度height;初始化參數(shù)of、<、（為0,參數(shù) //,'，A+，σ,_是&維的向量，這四個(gè)參數(shù)分別表示系統(tǒng)維持的全局目標(biāo)簇X+的均值、 方差和全局背景簇X_的均值、方差，其中上標(biāo)" + "表示目標(biāo)簇，表示背景簇，下標(biāo)i表 示從樣本提取出的第i個(gè)類哈爾特征； 步驟3:在t= 1幀時(shí)初始化粒子集4 =WPlii;其中每個(gè)粒子表示一個(gè)測試樣本， 每個(gè)測試樣本表示一種目標(biāo)可能的狀態(tài).粒子的狀態(tài)向量定義為= 這里xp,yp表示粒子所表示的樣本在圖像中的列坐標(biāo)與行坐標(biāo)，Sp表示樣本的尺度； 步驟4 :在第t幀，在/(.<)周圍半徑rp個(gè)像素內(nèi)采集目標(biāo)簇樣本集 X= {X,丨|/(λ))-/(<)||Srj，這里Xt表示第t幀目標(biāo)簇中的樣本，I(Xt)表示樣本Xt所在的 坐標(biāo)位置，||/(χ,)-/(.<)||表示樣本Xt和<之間的距離，< 表示第t幀的目標(biāo)簇；在/?)周 圍半徑rin、像素之間采集背景簇樣本集Z=WS ·Ut這里Xt表示第 t幀背景簇中的樣本，I(Xt)表示樣本Xt所在的位置，Jf「表示第t幀的背景簇； 步驟5 :對(duì)目標(biāo)簇和背景簇中的每個(gè)樣本X,e//U/,提?。€(gè)類哈爾特征； 步驟6:計(jì)算目標(biāo)簇和背景簇在第i個(gè)類哈爾特征和第t幀的統(tǒng)計(jì)特征/心，A〕，％)，其中ie{l，...，nf}，對(duì)于第t幀的目標(biāo)簇Λ+和背景簇根據(jù)其中樣本 的特征計(jì)算均值和標(biāo)準(zhǔn)差；
其中，其中ηρ為目標(biāo)簇;T/中樣本的個(gè)數(shù)；ηη為背景簇;^中樣本的個(gè)數(shù)，下標(biāo)i表示是 針對(duì)第i個(gè)類哈爾特征求出的統(tǒng)計(jì)特征，fi(X)表示從樣本X中提取出的第i個(gè)類哈爾特 征； 步驟7:根據(jù)求得的Λ)，A%，A)，，使用學(xué)習(xí)率λ更新系統(tǒng)維持的目標(biāo)簇和背 景簇的參數(shù) 步驟8 :粒子集At在第t+Ι幀時(shí)使用2階自回歸模型?_) = 2?)-.?) + $進(jìn)行 移動(dòng)，移動(dòng)后的粒子集為At+1，根據(jù)步驟5中的方法提取出這些粒子的類哈爾特征，其中Wt 是與目標(biāo)狀態(tài)相互獨(dú)立并且其各維度之間相互獨(dú)立的白噪聲，，S(O1)表示第t+Ι幀第i個(gè) 粒子的狀態(tài)向量； 步驟9 :在第t+Ι幀，根據(jù)步驟8得到的移動(dòng)后的粒子集At+1，其中每個(gè)粒 子表示一個(gè)測試樣本，定義測試樣本《以與系統(tǒng)維持的全局目標(biāo)簇X+之間 的距離為> =J+h其中i表示根據(jù)第i個(gè)特征計(jì)算出的距離 酬整:!_1;其中X+表示全局目標(biāo)簇，，表示目標(biāo)簇X+對(duì)應(yīng)的第i個(gè)特 -σ! μ； 征的均值，<表示全局目標(biāo)簇x+對(duì)應(yīng)的第i個(gè)特征的標(biāo)準(zhǔn)差；定義第t+1幀，測試樣本 與系統(tǒng)維持的全局背景簇）T之間的距離為以"3，義^ = h為所有樣本特 征的距離之和，其中i表示根據(jù)第i個(gè)特征計(jì)算出的距離) = 其中 σ,' X^表示全局背景簇，，表示背景簇>^對(duì)應(yīng)的第i個(gè)特征的均值，σ「表示全局背景簇X_對(duì)應(yīng)的第i個(gè)特征的標(biāo)準(zhǔn)差； 步驟10 :根據(jù)步驟9得到的距離，定義第t+l幀測試樣本#與全局目標(biāo)簇簇X+之 間的相似度為*SX?iii4+) =exp(-rf(?i^2+));定義第t+Ι幀測試樣本4丨丨與全局背景簇簇 f之間的相似度為丨，f) =exP(-丨i丨)); 步驟11 :根據(jù)步驟10得到的相似度，定義目標(biāo)函數(shù)選擇測試樣本中與 全局目標(biāo)簇相似且與全局背景簇不相似的樣本作為目標(biāo)在t+ι幀的位置；目標(biāo)函數(shù) ./(?；：；) = ......:,目標(biāo)在t+ι幀所在位置為（=^maxJ(W); i(?",，/ ) -4, 4'. 步驟12:對(duì)于第t+Ι幀粒子集中At+1的每個(gè)粒子# 作為其權(quán)值，并對(duì)這些 權(quán)值進(jìn)行歸一化； 步驟13:根據(jù)粒子的權(quán)值對(duì)粒子進(jìn)行重采樣； 步驟14 :若t+Ι幀是最后一幀，則本算法結(jié)束； 若t+Ι幀不是最后一幀，則令t=t+Ι，回轉(zhuǎn)執(zhí)行所述的步驟4。
2. 根據(jù)權(quán)利要求1所述的一種基于簇相似的多尺度目標(biāo)跟蹤方法，其特征在于：所述 的矩形框中背景所占的像素不得超過矩形框總像素的10%。
3. 根據(jù)權(quán)利要求1所述的一種基于簇相似的多尺度目標(biāo)跟蹤方法，其特征在于：所述 的步驟3中，在t= 1幀時(shí)，所有粒子的位置初始化為：X,, =〇?/(<)，八其中 co/(<)表示樣本< 的列坐標(biāo)，row(<)表示樣本：^的行坐標(biāo).初始尺度sp = 1，粒子的個(gè)數(shù)N的取值為200。
4. 根據(jù)權(quán)利要求1所述的一種基于簇相似的多尺度目標(biāo)跟蹤方法，其特征在于：所述 的步驟4中，rp取值為4,rin取值為6, !^取值范圍9?15,單位為像素。
5. 根據(jù)權(quán)利要求1所述的一種基于簇相似的多尺度目標(biāo)跟蹤方法，其特征在 于：所述的步驟5中，提?。€(gè)類哈爾特征的方法是對(duì)于任何樣本z，隨機(jī)在樣本所 表示的矩形框中選取nf個(gè)小矩形框，使用每個(gè)小矩形框中像素和的平均值作為特征 f(z}=Ifi(Z),J2(Z),..,,f(z)} j ο
6. 根據(jù)權(quán)利要求5所述的一種基于簇相似的多尺度目標(biāo)跟蹤方法，其特征在于，所述 的步驟5中，當(dāng)粒子的尺度變化時(shí)，根據(jù)粒子尺度等比例縮放每個(gè)小矩形框計(jì)算像素平均 值。
7. 根據(jù)權(quán)利要求1所述的一種基于簇相似的多尺度目標(biāo)跟蹤方法，其特征在于，所述 的步驟7中，更新過程為：若當(dāng)前幀t= 1，則M1 * A=Ctu.，否則 /1； =Ift+ +(1^ ? < =^+(I-1)^j?μ：=Ιμ：+ (I-Χ}μ；·,σ； =λσ：+ (1 -1)^；- ； 中λ=0.9, σ/，//,，（是系統(tǒng)維持的目標(biāo)簇和背景簇的全局統(tǒng)計(jì)特征變量。下標(biāo) i表示的是第i個(gè)類哈爾特征，上標(biāo)"+"表示目標(biāo)簇，上標(biāo)表示背景簇.全局統(tǒng)計(jì)特 征描述了目標(biāo)簇和背景簇當(dāng)前時(shí)刻的狀態(tài)。
8. 根據(jù)權(quán)利要求1所述的一種基于簇相似的多尺度目標(biāo)跟蹤方法，其特征在于：所述 的步驟8中白噪聲Wt符合高斯分布，并且均值為0,方差為0. 2。
9. 根據(jù)權(quán)利要求1所述的一種基于簇相似的多尺度目標(biāo)跟蹤方法，其特征在于：所述 的步驟13中對(duì)粒子的重采樣是將權(quán)值較小的粒子舍棄，并將權(quán)值較大的粒子的值賦值給 權(quán)值較小的粒子。
【文檔編號(hào)】G06T7/20GK104463912SQ201410785162
【公開日】2015年3月25日 申請(qǐng)日期:2014年12月16日 優(yōu)先權(quán)日:2014年12月16日
【發(fā)明者】何發(fā)智, 李康, 潘一騰 申請(qǐng)人:武漢大學(xué)