基于結(jié)構(gòu)化支持向量機的自適應尺度目標跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，具體涉及視頻目標跟蹤方法，可用于實現(xiàn)目標的 精確跟蹤。
【背景技術(shù)】
[0002] 基于圖像視頻序列的目標自動跟蹤是圖像處理、模式識別領(lǐng)域的重要內(nèi)容，在工 業(yè)，交通等領(lǐng)域有著廣泛的應用，目前國內(nèi)外對目標的跟蹤進行了大量的研究，但是在實際 的圖像視頻序列跟蹤中建立的跟蹤模型還是不能完全克服光照強度改變，背景變化，遮擋， 魯棒性等問題。
[0003]SamHare等人在論文"Struck:StructuredOutputTrackingwith Kernels'，(IEEEInternationalConferenceonComputerVision, 2011, 263-270)中提出 采樣結(jié)構(gòu)化輸出支持向量機進行視頻序列目標跟蹤。該方法首先利用第一幀圖像初始化分 類器，然后直接利用分類器預測目標位置的相對平移，最后用更新的分類器為下一次預測 目標位置做準備。該方法在有遮擋時及魯棒性方面取得了較好的效果；但是該方法仍存在 以下不足：一是視頻跟蹤時無法做到自適應尺度跟蹤，即當目標遠離鏡頭和靠近鏡頭時跟 蹤框不能自適應調(diào)整；二是在進行目標位置預測時沒有進行粗略位置估計，導致搜索范圍 過大，從而對存儲和計算帶來較大影響，影響實時性效果。

【發(fā)明內(nèi)容】

[0004] 本發(fā)明的目的在于提出一種基于結(jié)構(gòu)化支持向量機的自適應尺度目標跟蹤方法， 以克服上述現(xiàn)有技術(shù)的不足，提高跟蹤的實時性效果。
[0005] 實現(xiàn)本發(fā)明的基本思路是：通過建立結(jié)構(gòu)化支持向量機模型，將結(jié)構(gòu)化支持向量 機模型的輸出修改為目標的平移變換和尺度變換的組合；通過采用確定的目標視頻幀更新 分類器，把目標跟蹤分為粗跟蹤和精跟蹤，并通過粗跟蹤確定目標大致位置，通過精跟蹤在 粗跟蹤的基礎(chǔ)上進一步確定目標的尺度和精確位置。
[0006] 根據(jù)上述思路，本發(fā)明的實現(xiàn)方案如下：
[0007] (1)建立結(jié)構(gòu)化支持向量機模型：
'其中（Y，S)表示y和 s組成的輸出變量的組合，X表示目標的位置，y表示目標的平移，s表述目標的尺度變化，F(xiàn)(X，y,s)代表判定函數(shù)；
[0008] (2)將視頻序列V中所有圖像幀裁剪為統(tǒng)一大小，得到視頻序列V°，將該視頻序 列乂°中的第i幀圖像表示為Fpl彡i$N，N*V°中圖像的總幀數(shù)；
[0009] (3)令i= 1，讀入V。的第一幀圖像匕及其目標的位置Xl，得到第一幀圖像目標 的特征向量Φ(Xdy,s)，初始化結(jié)構(gòu)化支持向量機和向量集合SV;
[0010](4)更新結(jié)構(gòu)化支持向量機：
[0011] (4a)假設(shè)第i幀圖像的目標位置為Xl，以目標位置\為中心對F進行采樣，得到 一個米樣集合sli;
[0012] (4b)對SH中所有采樣樣本分別進行樣本特征提取，得到樣本特征向量集合Fll;
[0013] (4c)定義度量函數(shù)g= -Δ(y,s%Si)-F(x,y,s)，將FH中特征向量分別帶入g 中，選擇使g最小的特征向量作為負支持向量svh，選擇^位置處的樣本為正的支持樣本 svPi，將svnjpsvpi添加到支持向量集合SV，其中Δ(y,S;yi,Si)表示損失函數(shù)；
[0014] (4d)定義判定函數(shù)為：F(x，y,s) = <w,Φ(x，y,s)>，其中Φ(x，y,s)表示目標的 特征向量，其中w為判定函數(shù)的參數(shù)向量，〈，> 表示內(nèi)積運算；
[0015] (4e)將判定函數(shù)F(x，y，s) = <w，?(x，y，s)>轉(zhuǎn)化為以下形式，
[0017] 其中η為當前支持向量集合SV中支持向量的個數(shù)，C代表松弛因子，ε;代表松弛 變量；
[0018] (4f)利用支持向量集合SV中的支持向量求解式《1》，得到判定函數(shù)的參數(shù)向量w， 求出判定函數(shù)F(x,y,s)，得到結(jié)構(gòu)化支持向量機的輸出變量y和s，把（y,s)添加到輸出變
[0019] (5)讀入V。的第i+Ι幀圖像F1+1;
[0020] (6)對第i+1幀圖像F1+1中的目標進行粗跟蹤：
[0021] (6a)以\為中心對F1+1進行采樣，得到一個采樣集合S21;
[0022] (6b)對S2i中每一個樣本分別進行樣本特征提取，得到一個特征向量的集合F2i;
[0023] (6c)將F2i中的每一個特征向量分別帶入判定函數(shù)F(x,y,s) = <w,Φ(X，y,s)>，
得到使F(x,y,s)最大的特征向量Φ(Xi,y'，s')對應的平 移和尺度變換向量（V，s< );
[0024] (6d)根據(jù)第i幀圖像的目標位置^和（6c)中得到的平移和尺度變換向量 (y'，S')，得到Fi+1中目標粗略位置：xi+1' =Xi〇 / 〇s'，其中。表示向量之間的相 加運算；
[0025](7)對第i+Ι幀圖像F1+1中目標的進行精跟蹤：
[0026] (7a)以x1+1'為中心對F1+1進行采樣，得到一個采樣集合S3l;
[0027] (7b)對S3i中每一個樣本分別進行樣本特征提取，得到一個特征向量的集合F3i;
[0028] (7c)將F3i中的每一個特征向量分別帶入判定函數(shù)F(x,y,s) = <w,Φ(X，y,s)>，
4導到使F(x,y,s)最大的特征向量Φ(xi+1'，y"，s")對應的 平移和尺度變換向量（y"，s");
[0029] (7d)根據(jù)（6d)中得到的目標粗略位置x1+1'和（7c)中得到的平移和尺度變換向 量（y〃，S")，得到Fi+1中目標精確位置：xi+1=Xi+1' 〇y" 〇s";
[0030] (8)判斷F1+1是否為最后一幀圖像，若是，則結(jié)束；否則，令i=i+1，返回步驟⑷。
[0031] 本發(fā)明與現(xiàn)有技術(shù)相比，具有以下優(yōu)點：
[0032] 第一，本發(fā)明通過在結(jié)構(gòu)化支持向量機模型的輸出變量中添加尺度信息，使得視 頻目標跟蹤時可以自適應尺度目標跟蹤；
[0033] 第二，本發(fā)明將目標跟蹤分為粗跟蹤和精跟蹤兩部分，通過粗跟蹤粗略估計目標 位置，可以縮小目標的搜索范圍；在粗跟蹤的基礎(chǔ)上進行精跟蹤計算目標的精確位置和尺 度改變，可以減小計算過程中的存儲消耗和計算量，提高了實時性效果。
【附圖說明】
[0034] 圖1為本發(fā)明的流程圖。
【具體實施方式】
[0035] 下面結(jié)合附圖1對本發(fā)明的步驟作進一步的詳細說明。
[0036]步驟1，建立結(jié)構(gòu)化輸出支持向量機模型。
[0037] 1. 1)定義判定函數(shù)：F(x，y,s)=<w,Φ(x，y,s)>，其中X表示目標的位置，y表示 目標的平移，s表述目標的尺度變化，Φ(X，y，s)表示目標的特征向量，其中w為判定函數(shù)的 參數(shù)向量，〈，> 表示內(nèi)積；判定函數(shù)可用于對輸入Φ(X，y，s)進行分類；
[0038] 1. 2)定義結(jié)構(gòu)化輸出預測函數(shù)
'其中（Y，S)表示目標平 移變量y和目標尺度改變s組成的輸出變量的結(jié)構(gòu)；預測函數(shù)用于預測輸入的視頻圖像幀 中目標的位置和尺度；
[0039] 1. 3)根據(jù)間隔最大化方法將求解判定函數(shù)轉(zhuǎn)換為求解下式：
[0041] 其中η代表SV中支持向量的個數(shù)，C代表松弛因子，~代表松弛變量， s.t.表示約束條件，訴表示i是視頻序列中的任意一幀圖像，可以取得[1，Ν]之間 的任意值，表不j是視頻序列中的任意一幀圖像，可以取得[1，N]之間的任意值，
代表損失函數(shù)，表示圖像塊T(Xi,y;，s_j)與 T(Xl，y，s)之間的相似度，計算時使用兩個圖像塊每個像素灰度值的集合；
[0042] 1. 4)定義梯度函數(shù)g=-Δ(y，s;yj，s)-F(X，y，s)。
[0043] 步驟2,對視頻序列進行預處理。
[0044] 2. 1)讀入原始視頻序列V中所有圖像，按照V中原始順序?qū)⑵涿恳粠瑘D像裁剪為 統(tǒng)一大小的圖像幀存入裁剪后的視頻序列V°;裁剪圖像幀為統(tǒng)一大小，一方面可降低圖像 的分辨率從而減小計算量，加快處理速度，另一方面可以將不同圖像幀統(tǒng)一為同一坐標系 從而統(tǒng)一參考標準；
[0045] 2. 2)設(shè)置支持向量結(jié)合SV，并將其初始化為空集合；
[0046] 2. 3)將入裁剪后的視頻序列￥°中第i幀圖像表示為Fyl彡i彡N，N表示V°中 圖像的總幀數(shù)；讀入v°中第1幀圖像Fi及其目標位置Xl，并令i= 1。
[0047] 步驟3,更新結(jié)構(gòu)化支持向量機。
[0048] 3. 1)在第i幀圖像F#，以第i幀圖片的目標位置Xl為中心，設(shè)置第i幀圖片中 目標面積的nA倍為采樣區(qū)域AH，本實例取nA為9~25;
[0049] 3. 2)在采樣區(qū)域&i中，以X#在位置為圓心，等間隔設(shè)置nC個采樣圓，在每個采 樣圓上等間隔設(shè)置nK個采樣點，本實例取nC為3~5,取nK為8~12 ;將采樣點相對于Xl 的平移設(shè)為'…芯…乃H，設(shè)置采樣框尺度Sl, - 為相同的尺度大小，其中1為采 樣框的總個數(shù)，1 <j< 1，由此可得一組采樣位置集合：
[0050] 0-,5) = i
[0051] 3. 3)按照（Yu，S)中給出的采樣位置對第i幀圖像R中對應位置的圖像塊進行采 樣，得到采樣集合& =
[0052] 3. 4)對采樣集合SH中所有采樣樣本按照已有的特征提取方法例如哈爾特征、灰 度特征等分別進行樣本特征提取，本實例使用了哈爾特征，把特征向量存儲到特征向量集 合FH中對應的位置；
[0053]3. 5)將特征向量集合FH中的特征向量分別帶入梯度函數(shù)g中計算，選擇使g最 小的特征向量作為負支持向量SV&，選擇Xl位置處的樣本對應的特征向量作為正的支持向 量svPi，并將該svnjpsvpi添加到支持向量集合SV;
[0054] 3. 6)利用支持向量集合SV，按照已有求解凸二次優(yōu)化方法例如SM0方法、梯度下 降法、切平面法等求解1. 3)中轉(zhuǎn)換后的判定函數(shù)，本實例使用梯度下降法，求出判定函數(shù) 的參數(shù)向量w，將該參數(shù)向量w代入公式：F(X，y,s) = <w,Φ(X，y,s) >，獲得重新求解的判 定函數(shù)F(x,y,s);
[0055] 3.7)利用重新求解的判定函數(shù)F(x，y，s)重新計算結(jié)構(gòu)化輸出預測函數(shù)：
'得到結(jié)構(gòu)化支持向量機的輸出變量（y,s)，y表示目標的平移，s表 示目標的尺度變換，把（y，s)添加到輸出變量的組合（Y，S)中，完成對輸出變量組合（Y，S) 的更新；
[0056] 3. 8)用重新求解的判定函數(shù)F(X，y,s重）新計算梯度函數(shù)：g=- Δ(y,s; y_j,s_j)-F(x,y,s)，選擇使g最小的特征向量作為負支持向量svnj，選擇xjit置處的樣本所 對應的特征向量作為正的支持向量svp_j，再將svnj和svp添加到支持向量集合SV，完成對 支持向量集合SV的更新。
[0057]步驟4，對目標進行粗跟蹤。
[0