本發(fā)明涉及計算機(jī)視覺領(lǐng)域的目標(biāo)跟蹤技術(shù)。
背景技術(shù)：
：雖然針對人臉、行人等特定物體的跟蹤算法已經(jīng)取得了一系列成功，但是由于對于一個任意物體缺乏足夠的先驗信息，同時物體的外觀在跟蹤過程中會因為形變、旋轉(zhuǎn)或者光照變化而發(fā)生劇烈改變等原因，對一般性物體的目標(biāo)跟蹤算法仍然面臨著諸多挑戰(zhàn)。因為對一般性目標(biāo)的跟蹤算法還不夠可靠，許多基于一般性跟蹤的應(yīng)用場景的發(fā)展受到限制。例如，智能手機(jī)的相機(jī)模塊中的目標(biāo)跟蹤功能，往往需要目標(biāo)具有較明顯的特征，或者只能實現(xiàn)對目標(biāo)的短時間跟蹤。雖然越來越多的研究者認(rèn)為，采用在線更新的分類器對于提升整個跟蹤算法的準(zhǔn)確性有重要意義。但是，卻很少有人關(guān)注如何選擇訓(xùn)練樣本的問題。如果采用傳統(tǒng)的監(jiān)督學(xué)習(xí)方法，需要每個樣本都有明確的類別。有時候斷定一個樣本屬于正樣本還是負(fù)樣本是比較困難的，即有的樣本并不是非正即負(fù)的，比如有的樣本是一種“弱標(biāo)記”樣本，同時包含目標(biāo)和背景的信息，其類別介于正樣本和負(fù)樣本之間。無論是認(rèn)為這些樣本是正的還是負(fù)的，都是不合適的。在目標(biāo)檢測領(lǐng)域，如果采用傳統(tǒng)的監(jiān)督學(xué)習(xí)算法，同樣需要解決弱標(biāo)記樣本問題。已經(jīng)有文獻(xiàn)對mil的相關(guān)應(yīng)用展開了研究，并取得了一定的成功。viola等人將mil用于人臉檢測，以解決訓(xùn)練樣本的類別模糊問題。相比于基于監(jiān)督學(xué)習(xí)來訓(xùn)練分類器的算法，他們的算法在檢測結(jié)果的準(zhǔn)確性上取得了更好的結(jié)果。受viola等人工作的啟發(fā)，2011年，babenko等人基于mil的思想提出了一種miltrack跟蹤算法，提供了一種更新目標(biāo)的外觀模型的新思路。miltrack算法是一種boosting算法。boosting的核心思想是，通過選擇一組弱分類器(weakclassifiers)，構(gòu)成一個強(qiáng)分類器(strongclassifier)。通常，這些最優(yōu)的弱分類器具有最好的分類能力。在mil中，樣本以包(bag)的形式表示，每個包是一個集合，含有多個樣本。為了應(yīng)用mil思想解決boosting問題，可以選擇一組弱分類器，使得關(guān)于包的對數(shù)似然函數(shù)最大。miltrack算法僅僅根據(jù)第一幀給出的目標(biāo)的位置，就可以對任意目標(biāo)進(jìn)行跟蹤，而不需要事先獲取大量的關(guān)于該目標(biāo)的先驗信息。除此之外，miltrack能夠適應(yīng)目標(biāo)外觀的變化，解決目標(biāo)的部分遮擋問題，并且只需要調(diào)節(jié)少量參數(shù)就可以獲得較為理想的效果。但是，該算法的計算量非常大，難以應(yīng)用到實時應(yīng)用中。在babenko等人工作的基礎(chǔ)上，許多研究人員對miltrack算法做出了改進(jìn)，在實時性和準(zhǔn)確性上都取得了更好的成果。zhang等人通過加權(quán)的方式對miltrack進(jìn)行改進(jìn)，提出了一種改進(jìn)的跟蹤算法(wmil)。在計算關(guān)于包的后驗概率時，他們考慮到包中不同的樣本具有不同的重要性，對最終的似然函數(shù)的貢獻(xiàn)也不同，于是根據(jù)樣本距離目標(biāo)中心的遠(yuǎn)近為他們賦予了不同的權(quán)重。wmil算法在跟蹤準(zhǔn)確性上有了明顯提升。zhu等人指出，單個分類器在進(jìn)行更新時，訓(xùn)練樣本的類別無法確定。因此他們通過采用灰度特征和lbp特征分別構(gòu)建了hg和hl兩個分類器，用這兩個分類器對訓(xùn)練樣本進(jìn)行分類。然后用一個分類器的分類結(jié)果來更新另一個分類器，實現(xiàn)了分類器的聯(lián)合更新，避免了由于訓(xùn)練樣本類別的不準(zhǔn)確造成的分類器錯誤更新。在評估樣本的似然性時，他們將這兩個分類器的分類評分加權(quán)求和，構(gòu)成了一個聯(lián)合的強(qiáng)分類器。另外，在基于mil思想選擇最具分類能力的弱分類器時，他們利用泰勒展開來近似關(guān)于包的對數(shù)似然函數(shù)，大大提高了算法的運(yùn)行效率。為了優(yōu)化miltrack算法的特征選擇方案，zhang等人提出了odfs算法。他們選擇了一組最優(yōu)特征，使得對數(shù)似然函數(shù)相對于正樣本最速上升，同時相對于負(fù)樣本最速下降。由于每個特征對應(yīng)一個弱分類器，所以前面提到的算法的主要工作實際上是進(jìn)行特征的選擇。雖然有許多文獻(xiàn)討論了mil在目標(biāo)跟蹤中的應(yīng)用，但是大多數(shù)的重點(diǎn)在于如何通過篩選弱分類器，最終組成一個強(qiáng)分類器。在訓(xùn)練樣本的選擇問題上，他們的做法仍然是用采集到的全部正樣本去訓(xùn)練分類器，更新分類器中關(guān)于正樣本的信息，然后再基于更新了的分類器進(jìn)行下一步處理。真正涉及到如何基于mil的思想合理地選擇訓(xùn)練樣本的文獻(xiàn)很少，因此本發(fā)明重點(diǎn)關(guān)注在正樣本所屬類別無法確定的情況下，如何利用訓(xùn)練樣本對分類器進(jìn)行訓(xùn)練的問題。技術(shù)實現(xiàn)要素：本發(fā)明是為了解決目標(biāo)跟蹤中傳統(tǒng)監(jiān)督學(xué)習(xí)算法面臨的“弱標(biāo)記”樣本的缺陷，導(dǎo)致無法保證準(zhǔn)確對樣本進(jìn)行標(biāo)記的問題，從而提供一種目標(biāo)跟蹤中基于多示例學(xué)習(xí)思想的訓(xùn)練樣本選擇方法。目標(biāo)跟蹤中基于多示例學(xué)習(xí)思想的訓(xùn)練樣本選擇方法，它包括以下步驟：步驟一、在目標(biāo)跟蹤過程中，在當(dāng)前幀的跟蹤目標(biāo)的周圍設(shè)定區(qū)域內(nèi)采集圖像塊，并提取每個圖像塊的haar-like特征，作為正負(fù)樣本；并將所有的正樣本放入到一個正樣本集合中，將每個負(fù)樣本分別放入一個負(fù)樣本集合中，最終得到樣本集合x，x＝{x1，...，xn}；其中，x1＝{x11，...，x1m}是一個正樣本包，{x2，...，xn}是負(fù)樣本包；步驟二、將x＝{x1，...，xn}＝{x1，...，xm}作為訓(xùn)練集，對訓(xùn)練集中的每個樣本進(jìn)行檢測，得到特征向量集合{v1，...，vm}，其中m表示正負(fù)樣本的總個數(shù)；在傳統(tǒng)監(jiān)督學(xué)習(xí)中，給每個樣本xi分配一個類別標(biāo)簽yi，yi的取值集合為{0，1}，yi＝0表示樣本xi為負(fù)樣本，即：背景；yi＝1表示樣本xi為正樣本，即：目標(biāo)；在多示例學(xué)習(xí)中，類別標(biāo)簽yi表示的是一個包的類別；則整個訓(xùn)練集表示為：{(x1，y1)，...，(xn，yn)}，此時n表示包的個數(shù)；步驟三、采用負(fù)樣本包{(x2，y2)，...，(xn，yn)}訓(xùn)練樸素貝葉斯分類器，更新y＝0時的特征的均值和方差步驟四、迭代步驟，每次迭代從正樣本包中移除最差的樣本，直到正樣本包中剩余k個樣本，k＜m；完成標(biāo)跟蹤中基于多示例學(xué)習(xí)思想的訓(xùn)練樣本選擇。步驟一中，正負(fù)樣本集合的形成過程具體為：按照訓(xùn)練樣本距離跟蹤目標(biāo)中心的距離的遠(yuǎn)近將樣本分類，假設(shè)x表示一個圖像塊，l(x)表示圖像塊x所處的位置，表示第t幀圖像中跟蹤目標(biāo)的位置；則在每一幀圖像t中，以當(dāng)前目標(biāo)所在的位置為中心，以p個像素點(diǎn)為搜索半徑，在形成的圓形的區(qū)域內(nèi)采集一組樣本組成正樣本集合即：以當(dāng)前目標(biāo)所在的位置為中心，在內(nèi)徑為r、外徑為s的圓環(huán)形區(qū)域內(nèi)采集一組樣本組成負(fù)樣本集合即：步驟三中樸素貝葉斯分類器為：其中，假設(shè)特征空間vn中的一個特征的先驗分布是獨(dú)立高斯分布的，即：和都屬于高斯分布，先驗概率p(y＝1)和p(y＝0)相等；是y＝1時v中各個特征的均值和方差的集合，是y＝0時的均值和方差的集合。步驟四中，每次迭代從正樣本包中移除最差的樣本，直到正樣本包中剩余k個樣本，具體為：步驟四一、令最優(yōu)正樣本集合用訓(xùn)練樸素貝葉斯分類器，更新y＝1時的分類器參數(shù)步驟四二、迭代過程，每次的迭代過程為：步驟四二一、計算正樣本集合中每個樣本的似然函數(shù)并找到最大值將最大值對應(yīng)的樣本加入集合r；如果集合r為空集，將步驟四二一中找到的樣本加入集合r，作為r1，計數(shù)值c加1；如果集合r為非空集，則以為正樣本包，{x2，...，xn}為負(fù)樣本包，計算似然函數(shù)然后用rc替換步驟四二一中找到的樣本，重新計算似然函數(shù)比較和的大小，如果將rc從集合r中移除，然后步驟四二一中找到的樣本添加到r中，作為rc；否則，將rc從中移除，將步驟四二一中找到的樣本添加到r中，作為rc+1；步驟四三、完成迭代后，得到最優(yōu)正樣本集合計算正樣本集合中每個樣本的似然函數(shù)，是通過公式：實現(xiàn)的；wj表示權(quán)重，表達(dá)式為：式中：τ為系數(shù)；h(vij)是樣本xij的評分，hmax是包中似然性最大的樣本的評分；當(dāng)hmax-h(vij)很小時，wj≈1；當(dāng)hmax-h(vij)很大時，wj≈0；p(yi＝1|xij)為后驗概率，采用公式：式中：α的值為1。本發(fā)明具有以下特點(diǎn)和顯著進(jìn)步：在跟蹤算法中，如果當(dāng)前跟蹤的位置產(chǎn)生了偏差，那么在其周圍采集到的正負(fù)樣本本身的類別信息就不準(zhǔn)確。但是可以合理地假設(shè)所有正樣本中一定包含一個最準(zhǔn)確的正樣本。同時假設(shè)跟蹤位置的偏差是輕微的，那么由于這些正樣本距離目標(biāo)中心較近，所以大部分正樣本的類別標(biāo)簽是準(zhǔn)確的。當(dāng)然，如果跟蹤的偏差很大，假設(shè)就不成立。但是這時跟蹤已經(jīng)失敗，很難再縮小偏差，因此沒有繼續(xù)跟蹤下去的必要了。負(fù)樣本因為距離目標(biāo)中心較遠(yuǎn)，所以都是典型的負(fù)樣本。本發(fā)明采用了一種簡單有效的方式來排除樣本集合中較差的樣本，不需要調(diào)節(jié)大量的參數(shù)，避免了由于樣本類別的不準(zhǔn)確導(dǎo)致的目標(biāo)漂移，提高了跟蹤準(zhǔn)確性。附圖說明圖1至圖5為本發(fā)明的實驗中目標(biāo)經(jīng)歷形變與姿態(tài)變化時的部分幀的跟蹤結(jié)果截圖；圖6至圖10為本發(fā)明的實驗中目標(biāo)經(jīng)歷平面內(nèi)旋轉(zhuǎn)與三維旋轉(zhuǎn)時的部分幀的跟蹤結(jié)果截圖；具體實施方式具體實施方式一、目標(biāo)跟蹤中基于多示例學(xué)習(xí)思想的訓(xùn)練樣本選擇方法，本發(fā)明提出了一種用于目標(biāo)跟蹤的基于多示例學(xué)習(xí)(multipleinstancelearning，mil)思想選擇訓(xùn)練樣本的方法，該算法的主要思路為：將所有正樣本放入一個正樣本包中，將對關(guān)于包的對數(shù)似然函數(shù)貢獻(xiàn)較小的樣本視為較差的樣本。采用迭代的方式，每次迭代從正樣本包中移除最差的樣本，直到正樣本包中剩余足夠數(shù)量的樣本。該發(fā)明的具體步驟為：輸入：訓(xùn)練集{(x1，y1)，...，(xn，yn)}，其中，x1＝{x11，...，x1m}是第1個樣本包，也是一個正樣本包，{x2，...，xn}是負(fù)樣本包，yi∈{0，1}是包的標(biāo)簽；1：利用數(shù)據(jù)集{(x2，y2)，...，(xn，yn)}訓(xùn)練分類器，更新y＝0時的特征的均值和方差2：初始化最優(yōu)正樣本集合n表示中樣本的個數(shù)，n＝m，移除的正樣本添加到集合r中，移除的正樣本的個數(shù)為c，c＝0；3：循環(huán)條件：i＝1到m-k；4：利用數(shù)據(jù)集訓(xùn)練分類器，更新y＝1時的特征的均值和方差5：對于中的所有樣本由公式(3)計算其分類評分h(v)；6：循環(huán)條件：j＝1到n；7：以樣本集合x＝{x11，...，x1(j-1)，x1(j+1)，...x1n}作為一個正樣本包，{x2，...，xn}為負(fù)樣本包，利用公式(4)-(6)計算似然函數(shù)8：結(jié)束對j的循環(huán)；9：找出中的最大值10：如果r為空集，將中的樣本x1k移除，同時將x1k添加到r中，作為r1，計數(shù)值c加1；11：如果r為非空，以為正樣本包，{x2，...，xn}為負(fù)樣本包，計算似然函數(shù)然后用rc替換中的樣本x1k，重新計算似然函數(shù)比較和的大小，如果將rc從r中移除，然后將x1k添加到r中，作為rc，計數(shù)值c保持不變；否則，將rc從由移除，將x1k添加到r中，作為rc+1，計數(shù)值c加1；12：結(jié)束對i的循環(huán)：13：中剩余的樣本就是準(zhǔn)確的正樣本，利用數(shù)據(jù)集訓(xùn)練分類器，更新y＝1時的特征的均值和方差輸出：分類器h的參數(shù)以及最優(yōu)正樣本集合步驟a、采集正負(fù)樣本，組成包。在該步驟中，在當(dāng)前幀的跟蹤目標(biāo)周圍采集圖像塊，提取這些圖像塊的haar-like特征，作為正負(fù)樣本。然后，將所有的正樣本放入到一個正樣本包中，而將每個負(fù)樣本放入一個負(fù)樣本包中，最終得到樣本包的集合x，x＝{x1，...，xn}。該階段具體步驟為：步驟a1、在目標(biāo)跟蹤中，通常按照訓(xùn)練樣本距離目標(biāo)中心的距離的遠(yuǎn)近將樣本分類。假設(shè)x表示一個圖像塊，l(x)表示圖像塊x所處的位置，表示第t幀圖像中跟蹤目標(biāo)的位置。那么在每一幀圖像t中，可以以當(dāng)前目標(biāo)所在的位置為中心，以p個像素點(diǎn)為搜索半徑，在一個圓形的區(qū)域內(nèi)采集一組樣本組成正樣本集合即：如果p＝1，那么正樣本集合的元素個數(shù)就是1，這個正樣本就是跟蹤目標(biāo)；如果p＞1，那么正樣本集合由跟蹤目標(biāo)及其鄰近區(qū)域內(nèi)多個圖像塊組成。對于負(fù)樣本，可以在距離目標(biāo)中心稍遠(yuǎn)的位置進(jìn)行樣本采集。通常，在一個內(nèi)徑為r，外徑為s的環(huán)形區(qū)域內(nèi)采集一組樣本組成負(fù)樣本集合即：步驟a2、得到訓(xùn)練集之后，進(jìn)行特征檢測得到這些樣本的特征向量集合{v1，...，vn}，其中n表示正負(fù)樣本的總個數(shù)。訓(xùn)練樣本可以用其特征向量vi(1≤i≤n)來表示。每個樣本xi分配一個類別標(biāo)簽yi，yi具有有限數(shù)量個取值，每個取值代表一種類別。在二分類問題中，yi的取值集合為{0，1}，yi＝0表示樣本xi為負(fù)樣本，即背景；yi＝1表示樣本xi為正樣本，即目標(biāo)。為了將多示例學(xué)習(xí)用于目標(biāo)跟蹤，可以將每個樣本作為一個示例xij，每個示例xij屬于一個包xi。每個包xi是一個示例的集合，xi＝{xi1，...，xim}，有一個類別標(biāo)簽yi。這樣，整個訓(xùn)練集可以表示為{(x1，y1)，...，(xn，yn)}，此時n表示包的個數(shù)。將這些樣本放入一個正樣本包x1和n-1個負(fù)樣本包{x2，...，xn}中，注意負(fù)樣本的個數(shù)也是n-1。步驟a3、分類器采用樸素貝葉斯分類器模型：其中，假設(shè)特征空間vn中的一個特征的先驗分布是獨(dú)立高斯分布的，即和都屬于高斯分布，而且，先驗概率p(y＝1)和p(y＝0)是相等的。為了表達(dá)特征向量的先驗分布，需要知道分布的均值和方差是y＝1時v中各個特征的均值和方差的集合，是y＝0時的均值和方差的集合。先驗分布的參數(shù)可以由訓(xùn)練集{(xij，yij)，...}的均值和方差估計得到。但是估計分布參數(shù)是一個監(jiān)督學(xué)習(xí)的過程，訓(xùn)練集中的類別標(biāo)簽yij是一個樣本的標(biāo)簽，而不是包的標(biāo)簽。所以，用包的類別yi來代替樣本的類別yij。因為負(fù)樣本包中樣本的類別標(biāo)簽都是準(zhǔn)確的，所以可以直接用這些負(fù)樣本訓(xùn)練分類器，更新y＝0時的分類器參數(shù)步驟b、迭代移除最差的樣本。在該步驟中，需要確定最優(yōu)正樣本集合都包含哪些樣本。采用迭代的方式，每次迭代從正樣本包中移除最差的樣本，直到正樣本包中剩余k(k＜m)個樣本。該階段具體步驟為：步驟b1、首先，令最優(yōu)正樣本集合然后，用訓(xùn)練分類器，更新y＝1時的分類器參數(shù)步驟b2、得到的分類器參數(shù)可能是不準(zhǔn)確的，但是因為中大部分樣本的類別是準(zhǔn)確的，所以該參數(shù)與最佳參數(shù)的差距不是很大。接著，每次從中移除一個樣本x1j，以剩下的n-1個樣本作為一個集合，計算對數(shù)似然函數(shù)似然函數(shù)的一般表達(dá)式為：其中，權(quán)重wj的表達(dá)式為：其中，系數(shù)τ用于控制公式(5)的變化率，令τ＝0.5。h(vij)是包中任意一個樣本的評分，hmax是包中似然性最大的樣本的評分。當(dāng)hmax-h(vij)很小時，wj≈1；當(dāng)hmax-h(vij)很大時，wj≈0。要想計算需要知道p(yi|xi)的大小，即樣本包xi的類別為yi的后驗概率。由于包是由樣本組成的，所以這個概率可以用xi中樣本xij的后驗概率p(yij|xij)來表示。為了表示p(yij|xij)，需要為每個樣本xij分配一個類別標(biāo)簽yij。但是，對于正樣本包，無法確定每個樣本xij的類別yij，所以用包的類別yi來代替yij，于是得到等式y(tǒng)ij＝y(tǒng)i＝1?？梢杂胔(v)來表示一個樣本為正樣本的后驗概率：公式(6)是一個s型函數(shù)。h(v)前面的系數(shù)α用來調(diào)節(jié)s型函數(shù)的變化率，但是為了簡化算法，直接將α設(shè)為1。對于正樣本包中的任意一個樣本xij，可以由公式(6)計算其后驗概率p(yi＝1|xij)。注意，每次移除的樣本是不同的。如果某個樣本x1k受背景干擾比較嚴(yán)重，那么其后驗概率p(y1＝1|x1k)應(yīng)該比較低，其對整個包的概率p(y1＝1|x1)的影響也就比較小，對應(yīng)的似然函數(shù)值就是最大的。雖然此時由得到的分類器參數(shù)不是十分準(zhǔn)確，但是在迭代的最初階段，那些較差的樣本對似然函數(shù)值的貢獻(xiàn)比較小，還是比較容易被識別出來的。由于每個樣本x只需要計算一次似然性h(v)，所以尋找最大的的過程計算量并不大。步驟b3、不能直接將樣本x1k從中移除，需要保證每次移除的x1k都是中最差的，同時是已經(jīng)被移除的樣本組成的集合r中最好的。所以需要比較上一次迭代過程中，添加到r中的樣本rc，和x1k相比，哪個更好。通過比較這兩個樣本對包的似然函數(shù)的貢獻(xiàn)來判斷他們的好壞，如果含有rc而不含x1k的樣本包具有更大的似然函數(shù)值，那么rc要好于x1k，將rc添加到中，x1k放入r中，和r的樣本個數(shù)都保持不變；否則，x1k要好于rc，將x1k從中移除并放入r中。如果r是空的，直接跳過比較過程，將x1k從中移除并放入r中。一次循環(huán)結(jié)束，可以開始下一次循環(huán)。隨著循環(huán)次數(shù)的增加，由估計的分類器參數(shù)逐漸趨近于最佳參數(shù)。當(dāng)整個迭代過程結(jié)束時，就得到了最優(yōu)正樣本集合分類器的參數(shù)也得到了更新。表1為實驗中用到的10個測試序列的詳細(xì)情況，包括視頻的名稱，幀數(shù)以及影響跟蹤算法結(jié)果的因素。這些視頻序列一共有6523幀，最長的序列有1997幀，最短的序列有71幀。這些測試數(shù)據(jù)主要涉及目標(biāo)跟蹤在輕微的尺度變化、輕微的光照變化、非剛性形變、旋轉(zhuǎn)等方面面臨的挑戰(zhàn)。表1測試視頻序列視頻序列幀數(shù)描述dancer2150非剛性形變，平面內(nèi)旋轉(zhuǎn)，三維旋轉(zhuǎn)david471光照變化，尺度變化，非剛性形變david2537平面內(nèi)旋轉(zhuǎn)，三維旋轉(zhuǎn)deer71運(yùn)動模糊，平面內(nèi)旋轉(zhuǎn)，背景混淆dog127尺度變化，非剛性形變，三維旋轉(zhuǎn)lemming1336三維旋轉(zhuǎn)，尺度變化，遮擋rubik1997尺度變化，遮擋，平面內(nèi)旋轉(zhuǎn)，三維旋轉(zhuǎn)sylvester1345光照變化，平面內(nèi)旋轉(zhuǎn)，三維旋轉(zhuǎn)tiger2365光照變化，平面內(nèi)旋轉(zhuǎn)，三維旋轉(zhuǎn)，trans124光照變化，尺度變化，非剛性形變表2為本發(fā)明的實驗中所有算法的fps的測試結(jié)果。為了公平比較算法的性能，所有的算法的硬件環(huán)境相同：i5-4300y1.6ghz處理器，8gb內(nèi)存。所有的c/c++代碼都在msvisualstudio2013中運(yùn)行，matlab代碼都在matlab2015b中運(yùn)行。提出的算法的平均幀率為62.63，具有較好的執(zhí)行效率，滿足實時性的要求。類似于fct算法，稀疏表示的應(yīng)用使得特征向量的維度大大減少。同時，由于正樣本包中絕大多數(shù)樣本是準(zhǔn)確的，所以在移除樣本時，只需要進(jìn)行較少次數(shù)的循環(huán)。每次循環(huán)中，每個樣本的概率也只需要計算一次。表2幀率(fps)表3為本發(fā)明的實驗中中心定位偏差的測試結(jié)果。cle是一幀圖像中，算法輸出的目標(biāo)中心位置與目標(biāo)的實際中心位置的歐式距離，可以用兩者之間的像素點(diǎn)的個數(shù)來表示。因為某一幀的cle不具有太大意義，所以通常記錄視頻中各個幀的cle，然后計算他們的平均值，即得到平均中心定位偏差，用該平均值來評估算法在視頻中的性能。表3平均中心定位偏差(平均cle)(像素數(shù))注：加粗字體表示最優(yōu)結(jié)果，加粗傾斜字體表示次優(yōu)結(jié)果表4為本發(fā)明的實驗中第二個評價指標(biāo)成功率的測試結(jié)果。按照如下準(zhǔn)則定義對一幀圖像的跟蹤結(jié)果的重疊評分：其中，roit表示跟蹤到的目標(biāo)所在的圖像塊，roig表示實際的目標(biāo)所在的圖像塊，∩和∪分別表示兩個圖像塊的交集和并集，area(·)表示某個圖像塊內(nèi)的像素點(diǎn)的個數(shù)。以上公式計算了目標(biāo)的圖像塊和實際圖像塊的重疊區(qū)域的大小。設(shè)置一個重疊閾值τo，如果score大于該閾值，則認(rèn)為對當(dāng)前幀的跟蹤是成功的，否則，跟蹤失敗。對一個視頻序列，選擇閾值為0.5，統(tǒng)計其中跟蹤成功的圖像幀的比例，就得到了跟蹤成功率sr。cle側(cè)重衡量跟蹤位置的準(zhǔn)確性，而sr更注重跟蹤結(jié)果的重疊面積。因此，sr更適合評價算法在尺度變化方面的性能，是測試多尺度跟蹤算法的準(zhǔn)確性時需要考慮的重要指標(biāo)。表4成功率(sr)(％)注：加粗字體表示最優(yōu)結(jié)果，加粗傾斜字體表示次優(yōu)結(jié)果由表3和表4的測試結(jié)果可以看出，對于所有視頻序列，無論是sr還是平均cle，提出的算法都具有最優(yōu)或次優(yōu)的結(jié)果。另外，提出的算法在平均cle和sr方面的性能都優(yōu)于fct算法，說明了多示例學(xué)習(xí)有助于提升算法的準(zhǔn)確性。相比于其他算法，提出的算法在評價指標(biāo)的平均值方面具有最好的結(jié)果。圖1和圖2分別為本發(fā)明的實驗中，目標(biāo)經(jīng)歷形變與姿態(tài)變化時和目標(biāo)經(jīng)歷平面內(nèi)旋轉(zhuǎn)與三維旋轉(zhuǎn)時的部分幀的跟蹤結(jié)果截圖。具體結(jié)果分析如下：形變與姿態(tài)變化：在視頻序列“david”(見圖1)中，當(dāng)人在室內(nèi)走動時，背景光照發(fā)生了從暗到亮的變化(#100，#150)，同時，人的表情也有輕微的改變(#300)。提出的算法、fct和kcf在這個視頻序列中有著較好的結(jié)果。fct算法表現(xiàn)出了較好的性能，因為fct采用了haar-like特征來表示圖像塊，而haar-like特征已經(jīng)證明在人臉檢測中十分有效。然而，mil算法在#200之后開始出現(xiàn)明顯的目標(biāo)偏移。mil算法雖然也采用了haar-like特征，但是當(dāng)背景光照強(qiáng)烈變化引起目標(biāo)外觀發(fā)生改變時，算法無法有效地組合弱分類器形成一個強(qiáng)分類器。對于視頻序列“deer”(見圖2)，隨著鹿在視野中跑動，其外觀逐漸發(fā)生改變。同時，目標(biāo)周圍的鹿群由于具有相似的毛發(fā)，加劇了跟蹤過程的難度。該視頻序列包含了快速運(yùn)動(運(yùn)動模糊，#10)，背景混淆(#25，#55)，平面內(nèi)旋轉(zhuǎn)(#25，#35)等多種挑戰(zhàn)，只有提出的算法和wmil有較高的跟蹤準(zhǔn)確性。在快速跑動過程中，目標(biāo)外觀及其周圍的環(huán)境會發(fā)生快速改變，很難從背景中準(zhǔn)確分離出目標(biāo)，當(dāng)某一幀跟蹤結(jié)果產(chǎn)生較大偏差，偏差便會逐漸累積，導(dǎo)致嚴(yán)重的漂移。fct、mil和odfs算法在完成前幾幀圖像的跟蹤之后，就逐漸偏移了正確的目標(biāo)。在視頻序列“trans”(見圖3)中，目標(biāo)主要經(jīng)歷了嚴(yán)重的非剛性形變。相比于其他算法，只有提出的算法在中心定位偏差和成功率上具有較好的性能。雖然目標(biāo)從一個機(jī)器人變形為汽車的過程中形狀發(fā)生了較大的改變，但是主要是機(jī)器人的四肢發(fā)生明顯變化。因此可以通過保留距離目標(biāo)中心較近的正樣本，排除靠近四肢的正樣本來合理選擇樣本，更新分類器以避免目標(biāo)漂移。所以提出的算法的跟蹤偏差遠(yuǎn)低于其他算法。除此之外，在視頻序列“dancer2”(圖4)和“dog”(圖5)中，提出的算法都能夠準(zhǔn)確地跟蹤目標(biāo)。所以，當(dāng)目標(biāo)經(jīng)歷姿態(tài)變化或者非剛性形變時，提出的算法具有良好的跟蹤準(zhǔn)確性。平面內(nèi)旋轉(zhuǎn)與三維旋轉(zhuǎn)：在視頻序列“sylvester”(見圖6)中，目標(biāo)經(jīng)歷了光照變化和大幅度的旋轉(zhuǎn)。提出的算法、fct和kcf具有較低的跟蹤偏差。由于目標(biāo)的姿態(tài)變化是隨機(jī)的，毫無規(guī)律可循，所以難以直接在haar-like特征中選擇一組最優(yōu)的特征。boosting算法(如mil和wmil)最終都丟失了目標(biāo)(#1300)。在視頻序列后半部分(#1200)，提出的算法的跟蹤結(jié)果逐漸優(yōu)于fct。這是因為樣本的選擇過程有效減少了目標(biāo)遭受大尺度旋轉(zhuǎn)場景下的不準(zhǔn)確的樣本的個數(shù)。在視頻序列“tiger2”(見圖7)中，玩具老虎呈現(xiàn)出各種造型，同時經(jīng)歷了不同方向的旋轉(zhuǎn)變化。另外，玩具老虎還常常被樹葉遮擋。當(dāng)目標(biāo)快速移動時，還會變得模糊難以辨認(rèn)。提出的算法、fct、mil、odfs和wmil都能夠準(zhǔn)確地跟蹤目標(biāo)。由于mil、odfs和wmil算法通過選擇最具分類能力的特征來構(gòu)建boosting分類器，而這種boosting分類器往往能夠很好地解決遮擋問題，所以他們具有較好的跟蹤效果。在視頻序列“rubik”(見圖8)中，背景顏色與目標(biāo)的差別較明顯，因而很容易通過檢測目標(biāo)的顏色來識別目標(biāo)。但是由于大多數(shù)跟蹤算法采用灰度圖作為輸入，所以要想準(zhǔn)確跟蹤目標(biāo)仍然具有一定的挑戰(zhàn)性。提出的算法和kcf都具有較好的性能。因為kcf采用了基于脊回歸的強(qiáng)分類器，所以當(dāng)其他算法無法從灰度圖中準(zhǔn)確地識別目標(biāo)時，kcf仍具有很好的分辨能力。在視頻序列“david2”(見圖9)和“l(fā)emming”(見圖10)中，提出的算法同樣能夠穩(wěn)定地跟蹤目標(biāo)。這說明了算法對于旋轉(zhuǎn)造成的目標(biāo)外觀的變化具有魯棒性。本發(fā)明具有以下特點(diǎn)和顯著進(jìn)步：在跟蹤算法中，如果當(dāng)前跟蹤的位置產(chǎn)生了偏差，那么在其周圍采集到的正負(fù)樣本本身的類別信息就不準(zhǔn)確。但是可以合理地假設(shè)所有正樣本中一定包含一個最準(zhǔn)確的正樣本。同時假設(shè)跟蹤位置的偏差是輕微的，那么由于這些正樣本距離目標(biāo)中心較近，所以大部分正樣本的類別標(biāo)簽是準(zhǔn)確的。當(dāng)然，如果跟蹤的偏差很大，假設(shè)就不成立。但是這時跟蹤已經(jīng)失敗，很難再縮小偏差，因此沒有繼續(xù)跟蹤下去的必要了。負(fù)樣本因為距離目標(biāo)中心較遠(yuǎn)，所以都是典型的負(fù)樣本。本發(fā)明采用了一種簡單有效的方式來排除樣本集合中較差的樣本，不需要調(diào)節(jié)大量的參數(shù)，避免了由于樣本類別的不準(zhǔn)確導(dǎo)致的目標(biāo)漂移，提高了跟蹤準(zhǔn)確性。當(dāng)前第1頁12