专利名称：用于鲁棒跟踪的自适应多特征融合的方法
技术领域：
本发明涉及视频监控与模式识别领域，特别涉及一种用于鲁棒跟踪的自适应多特征融合的方法。
背景技术：
智能视频监控(IVS Jntelligent Video Surveillance)是计算机视觉领域中近几年来新兴起的一个应用方向。它是利用计算机视觉技术对视频信号进行处理、分析和理解，并对视频监控系统进行控制，从而提高视频监控系统智能化水平。智能视频监控系统在民用和军事领域中都有极大的应用前景。目前虽然在银行、商店、车站、港口等一些重要的公共场合所普遍设了监控摄像机，但实际的监控任务仍需要较多的人工工作来完成。很多情况下，目前的视频监控系统所提供的信息是没有经过任何分析的视频裸数据，这就不能充分发挥视频监控系统应有的实时主动的监控作用。另一方面，为了防止和阻止犯罪，对无人值守的视频监控系统的需求量日益上升，这类系统的主要目标是减少对繁琐人工的依赖，自动完成对复杂环境中人和车辆等进行实时观测以及对感兴趣的对象行为进行分析和描述。要完成这些任务，需要涉及到智能视频监控中许多核心技术，如:背景分析、对象提取、对象描述、对象跟踪、对象识别和对象行为分析。对象跟踪技术作为智能视频监控技术中的关键技术之一，成为研究热点。近些年来学者们把研究重点放在解决跟踪技术中的表观变化、遮挡、复杂背景和光照变化等问题上，不少方法已经提出。如自适应模型的方法(Z.Kalal, K.Mikolajczyk, and J.Matas,“Tracking-learning-detection, ^ ΡΑΜΙ, vol.34(7), July2012 ；Η.Grabner, C.Leistner, and
H.Bischof, “Sem1-supervised on-line boosting for robust tracking,，，ECCV, 2008),但是这些更新模型的方法都假设上一帧图像的检测以及跟踪是正确的，显然这样的更新方法难以保证跟踪的准确性；另外 还有多特征结合的方法(J.Kwon and K.Μ.Lee, “Trackingby sampling track-ers, ^ICCV,2011 ；G.Shu,A.Dehghan,0.0reifej,E.Hand,and M.Shah,“Part-based multiple-person tracking with partial occlu-sion handling,，，CVPR,2012)。多特征融合的方法虽然比单特征在跟踪中表现好，但多特征如何去融合，如何决定哪种特征在跟踪中起着重要作用成为了大问题。因此一种自适应多特征融合的方法急需提出。
发明内容
本发明的目的是发明一种用于鲁棒跟踪的自适应多特征融合的方法。为了实现上述目的，一种用于鲁棒跟踪的自适应多特征融合的方法包括步骤:特征结构初始化；分别计算梯度直方图HOG特征、局部二值模式LBP特征、颜色直方图特征；利用增量式主成分分析IPCA算法计算特征的主分量，并得到特征的稳定性表征；更新子特征权重；
根据粒子滤波的跟踪结果，计算子特征的更新率。本发明目标特征用梯度信息，纹理信息和颜色信息共同表达，复杂场景下提高了特征的描述能力。根据不同子特征在跟踪中不同的稳定性，实时更新其权重，提高融合后的特征的稳定性。本发明计算量小，可以满足实时性要求。
图1是本发明技术方案流程图；图2是特征不变性表征的计算流程图。
具体实施例方式本发明的思想要点是:1)多特征融合方法，提升特征的描述能力，增强算法对场景的变化的适应性。2)利用个子特征的稳定性，实时更新各个特征的权重，得到稳定的融合特征。3)根据目标跟踪结果，调整子特征权重的更新率。本发明的整个技术方案流程图如附图1所示。下面对发明中所涉及到的技术细节予以说明。1.特征结构初始化我们通过融合HOG特征、LBP特征和颜色直方图特征，来完成对目标特征的描述。目标特征用式(I)表示:F = {η I Wjfi, i = I,...., η} (I) 其中η指特征个数为3, Wi为第i个特征的权重
权利要求
1.一种用于鲁棒跟踪的自适应多特征融合的方法，包括步骤: 特征结构初始化； 分别计算梯度直方图HOG特征、局部二值模式LBP特征、颜色直方图特征； 利用增量式主成分分析IPCA算法计算特征的主分量，并得到特征的稳定性表征； 更新子特征权重； 根据粒子滤波的跟踪结果，计算子特征的更新率。
2.根据权利I所述的方法，其特征在于所述特征结构由以下公式决定: F = {η I Wjfi, i = I,..., η} 其中η指特征个数为3, Wi为第i个特征的权重
3.根据权利I所述的方法，其特征在于所述计算特征的稳定性表征包括步骤: 初始化特征向量矩阵； 利用IPCA计算特征向量； 计算特征值和特征值相对应的特征向量； 计算特征不变性表征，最后获得特征的稳定性表征。
4.根据权利3所述的方法，其特征在于利用IPCA计算特征向量，由以下公式决定:
5.根据权利3所述的方法，其特征在于筛选计算特征值，由以下公式决定:
6.根据权利5所述的方法，其特征在于筛选计算与特征值相对应的特征向量，由以下公式决定: V = (Mi,-.., )c Rd d ο
7.根据权利3所述的方法，其特征在于计算特征的稳定性表征，由以下公式决定:
8.根据权利I所述方法，其特征在于更新子特征权重，由以下公式决定:
9.根据权利I所述方法，其特征在于所述根据粒子滤波的跟踪结果计算子特征的更新率由以下公式决定:
全文摘要
一种用于鲁棒跟踪的自适应多特征融合的方法，包括步骤特征结构初始化；分别计算梯度直方图HOG特征、局部二值模式LBP特征、颜色直方图特征；利用增量式主成分分析IPCA算法计算特征的主分量，并得到特征的稳定性表征；更新子特征权重；根据粒子滤波的跟踪结果，计算子特征的更新率。本发明目标特征用梯度信息，纹理信息和颜色信息共同表达，复杂场景下提高了特征的描述能力。根据不同子特征在跟踪中不同的稳定性，实时更新其权重，提高融合后的特征的稳定性。本发明计算量小，可以满足实时性要求。
文档编号G06T7/40GK103237197SQ20131012351
公开日2013年8月7日 申请日期2013年4月10日 优先权日2013年4月10日
发明者黄凯奇, 曹黎俊, 谭铁牛 申请人:中国科学院自动化研究所