058] 4. 1)從裁剪后的視頻序列V。中讀入第i+Ι幀圖像F1+1，為預測第i+Ι幀圖像F1+1 目標位置做準備。
[0059] 4. 2)在第i+Ι幀圖像F1+1中，以在位置為中心，設置第i幀圖像中目標面積 的nA<倍的區(qū)域為采樣區(qū)域A2l，本實例取nA<為25~49;
[0060] 4.3)在采樣區(qū)域A2l中，以^所在位置為圓心，等間隔設置nC'個采樣圓，將采樣 框尺度spivs, ~Sni設置為第i幀圖像Fi中目標的尺度大小，在每個采樣圓上等間隔設 置nK'個采樣點，采樣點相對于Xl的平移設置為···<，其中m為采樣的總個數(shù)， 1彡j彡m，由此得到一組采樣位置集合(丨7、幻=…(j;.s·,,)… 取nC'為4~8,取nK'為12~16;
[0061] 4. 4)按照位置集合（Γ，S)中給出的采樣位置對第i+Ι幀圖像F1+1中對應位置圖 像塊采樣，得到采樣集合：心 ={(~夂4)，(~.％，七)~(々，<，\)-(~乂，~)};
[0062] 4. 5)對采樣集合S2l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F2l中對應的位置；
[0063] 4. 6)將特征向量集合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) >，根據(jù)
?導到使F(x,y,s)最大的特征向量 ?(Xl，y')對應的平移和尺度變換向量（y');
[0064] 4. 7)根據(jù)第i幀圖像的目標位置^和4. 6)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。
[0065]步驟5，對目標進行精跟蹤。
[0066] 5. 1)在第i+Ι幀圖像F1+1中，以第i幀圖像目標位置Xl為中心，設置第i幀圖像 中目標面積的nA"倍的區(qū)域為采樣區(qū)域A3l，本實例取nA"為9~25;
[0067] 5. 2)在采樣區(qū)域A3l中，設81的大小為x1+/，以81的大小為中心，以一個像素的間 隔設置k個尺度的采樣框Sl，如…S/··sk，k表示設置的尺度的總個數(shù)，1 <p<k，k取值為 10~20 ;在采樣區(qū)域A3l中對每種尺度sp的采樣框每次平移一個像素，得到一組平移位置： ，其中m表示同一種跟蹤框大小下不同位置的跟蹤框的個數(shù)，1 <q<m，m >> 1，由此可得一組位置集合：
[0069] 5. 3)按照位置集合（Γ，S)集合給出的位置在第i+Ι幀圖像F1+1對應位置上進行 采樣，得到采樣集合：
[0070]
[0071] 其中m表示每一種尺度大小的跟蹤框的個數(shù)，1 <q<m，m>> 1 ;
[0072] 5. 4)對采樣區(qū)域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F3l 中對應的位置；
[0073] 5. 5)將特征向量集合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) >，根據(jù)
4導到使F(x,y,s)最大的特征向量 Φ(χ1+1'，y"，s")對應的平移和尺度變換向量（y"，s");
[0074] 5.6)根據(jù)4. 7)中得到的目標粗略位置x1+1'和5.5)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"。
[0075] 步驟6:結(jié)束判斷
[0076] 6. 1)判斷i+1是否等于視頻幀數(shù)N，即判斷第i+1幀圖像是否為裁剪后的視頻序 列V中最后一幀圖像，若是，則結(jié)束；否則，令i=i+Ι，并返回步驟3。
[0077] 以上描述僅是本發(fā)明的一個具體實例，并不構(gòu)成對本發(fā)明的任何限制。顯然對于 本領(lǐng)域的專業(yè)人員來說，在了解了本
【發(fā)明內(nèi)容】
和原理后，都可能在不背離本發(fā)明原理、結(jié)構(gòu) 的情況下，進行形式和細節(jié)上的各種修正和改變，但是這些基于本發(fā)明思想的修正和改變 仍在本發(fā)明的權(quán)利要求保護范圍之內(nèi)。
【主權(quán)項】
1. 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，包括W下步驟： (1) 建立結(jié)構(gòu)化支持向量機模型：= 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)； (2) 將視頻序列V中所有圖像帖裁剪為統(tǒng)一大小，得到視頻序列V°，將該視頻序列V° 中的第i帖圖像表示為Fi，1《i《N，N為V°中圖像的總帖數(shù)； (3) 令i= 1，讀入V。的第一帖圖像Fi及其目標的位置XI，得到第一帖圖像目標的特 征向量Φ(Xi,y,S)，初始化結(jié)構(gòu)化支持向量機和向量集合SV; (4) 更新結(jié)構(gòu)化支持向量機： (4a)假設第i帖圖像的目標位置為W目標位置為中屯、對F1進行采樣，得到一個 采樣集合Sii; (4b)對Sii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F11; (4c)定義度量函數(shù)g= -Δ(y,S巧;，Si)-F(X，y,S)，將Fi沖特征向量分別帶入g中，選 擇使g最小的特征向量作為負支持向量svni，選擇位置處的樣本為正的支持樣本SVP1， 將svrii和svpi添加到支持向量集合SV，其中Δ(y,S;yi,Si)表示損失函數(shù)； (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； (4e)將判定函數(shù)F(x，y，s)=<巧，〇^，7,3)〉轉(zhuǎn)化為^下形式，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，ε1代表松弛變 量； (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)添加到輸出變量的 組合化巧中，其4妨讀入V°的第i+1帖圖像Fw; (6)預測Fw中目標的大致位置： 化a)W為中屯、對FW進行采樣，得到一個采樣集合S21; 化b)對S21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F21; 化C)將F21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)〉，根據(jù)'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（y'，s'); 化d)根據(jù)第i帖圖像的目標位置和化c)中得到的平移和尺度變換向量（y'，s')， 得到Fw中目標粗略位置：xw' =Xiοy'οs'，其中ο表示向量之間的相加運算； (7)預測第i+1帖圖像Fw中目標的精確位置： 仍）WXw'為中屯、對Fw進行采樣，得到一個采樣集合S31; (7b)對S31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F31; (7c)將Fsi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)〉，根據(jù)，得到使F(x，y，s)最大的特征向量Φ(Χμ'，y"，s")對應的平 移和尺度變換向量（y"，s"); (7d)根據(jù)化d)中得到的目標粗略位置xw'和（7c)中得到的平移和尺度變換向量 (y"，S")，得到Fw中目標精確位置：Xw=Xw'oy"os"; 做判斷Fw是否為最后一帖圖像，若是，則結(jié)束；否則，令i=i+1，返回步驟（4)。2. 根據(jù)權(quán)利要求1所述的方法，其中步驟（la)中建立結(jié)構(gòu)化支持向量機模型，按如下 步驟進行： (lal)定義判定函數(shù)F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，W為判定函數(shù)的參數(shù)向量，<，〉表示內(nèi)積運算； (1曰2)定義結(jié)構(gòu)化輸出預測函數(shù)：其中化巧表示y和S組 成的輸出變量的組合。3. 根據(jù)權(quán)利要求1所述的方法，其中步驟（4a)中W目標位置X1為中屯、對第i張圖像 Fi進行采樣，得到一個采樣集合S11，按如下步驟進行： (4al)在第i張圖像Fi中，W目標位置為圓屯、，等間隔設置一組采樣圓，將采樣 框Si，S2…S,…Si的尺度全部設置為相同大小，在每個采樣圓上等間隔設置一組采樣位置 (r，S) =似;?，(興J:)...的A)...切，5冷，其中1為采樣框的總個數(shù)，1《j《1，於代表相 對于位置的平移向量，S,為第j個采樣框； (43?按照設置的采樣位置燈"，巧對第i張圖像F沖對應的位置圖像塊采樣，得到采 樣集合馬'={柄.，.巧掉，巧，…(和，.巧巧。4. 根據(jù)權(quán)利要求1所述的方法，其中步驟化a)所述的WX1為中屯、對第i+1帖圖像FW 進行采樣，得到一個采樣集合S21按如下步驟進行： (4al)在第i+1張圖像Fw中，W 所在位置為圓屯、，等間隔設置一組采樣圓，將采樣 框Si，S2…S,…Si的尺度全部設置為相同大小，在每個采樣圓上等間隔設置一組采樣位置評''，巧={(成51)，(;';'，52)..心';，《/.)...〇/;'，&)}，其中1為采樣框的總個數(shù)，1《^'《1，）';代表相 對于位置的平移向量，S,為第j個采樣框； (4a2)按照上述（擴，巧中給出的采樣位置對第i+1張圖像Fw中對應位置圖像塊采樣， 得到采樣集合私=似,.，片，A)，(x,.，>';，A)...(A.，y;A)·.·知A)}。5. 根據(jù)權(quán)利要求1所述的方法，其中步驟（7a)所述的WXW'為中屯、對第i+1張圖像 Fw進行采樣，得到一個采樣集合S31，按如下步驟進行： 仍1)在第i+1張圖像Fw中，WXW'為參考，設置一組采樣框si，S2···V··Sk，采樣框 的尺度設置為不同大??；Wxw'所在位置為中屯、，對每一種尺度Sp的采樣框設置一組平移 位置吃…戊....吃,;，得一組位置集合：其中，k表示設置的尺度的總個數(shù)，1《p《k，m表示同采樣框大小下不同位置的采樣 框的個數(shù)，1《q《m，m〉〉l; (7a2)按照燈3,巧集合給出的位置在第i+1張圖像Fw對應位置上進行采樣，得到采 樣集合
【專利摘要】本發(fā)明公開了一種基于結(jié)構(gòu)化支持向量機的自適應尺度目標跟蹤方法，主要解決現(xiàn)有基于結(jié)構(gòu)化支持向量機的視頻目標跟蹤中自適應尺度和跟蹤時計算量大的問題。其實現(xiàn)步驟是：首先建立結(jié)構(gòu)化輸出支持向量機模型，在模型的輸出中添加尺度變量；然后利用已經(jīng)確定目標的圖像幀更新判定函數(shù)；最后將目標跟蹤分解為粗跟蹤和精跟蹤，通過粗跟蹤從少量候選樣本中估計目標位置進而縮小目標搜索范圍，通過精跟蹤在粗跟蹤基礎上再進行目標的位置和尺度的確定。本發(fā)明實現(xiàn)了自適應尺度目標跟蹤，減小了跟蹤過程中的計算量，提高了實時性效果，可用于視頻監(jiān)控中確定目標的精確位置和實時尺度。
【IPC分類】G06K9/62, G06T7/20
【公開號】CN105405152
【申請?zhí)枴緾N201510716947
【發(fā)明人】馮冬竹, 余航, 何曉川, 劉清華, 許錄平, 曾吉
【申請人】西安電子科技大學
【公開日】2016年3月16日
【申請日】2015年10月29日