基于支持向量机的鲁棒目标跟踪方法
【专利摘要】基于支持向量机的鲁棒目标跟踪方法，包括样本选择和支持向量更新、基于结构化支持向量机的在线目标跟踪、卡尔曼修正以及目标重定位。本发明针对视频场景中由于目标运动交叉、半遮挡或暂时离开画面时产生误差累积，从而造成的跟踪漂移问题提出改进方法。对于目标运动交叉或半遮挡，提出采用帧间目标匹配度波动值决定更新支持向量，并结合卡尔曼滤波修正跟踪结果；对于目标暂时离开画面，采用停止更新支持向量和更改搜索策略的方法进行目标重定位。本发明提高了跟踪的实时性和鲁棒性，有效解决了由于误差累积造成的跟踪漂移问题。
【专利说明】
【技术领域】
[0001] 本发明是视频目标跟踪中跟踪漂移领域，具体涉及视频图像处理【技术领域】。 基于支持向量机的鲁棒目标跟踪方法
【背景技术】
[0002] 目标跟踪技术是智能视频目标跟踪系统中的核心技术之一，它的基本任务是在序 列图像中根据视频信息在空间和时间上的相关性，确定目标在每一帧的位置和姿态。随着 世界反恐、公共安全和平安城市等的需要，安防成为视频目标跟踪应用的重要领域，但是目 前视频监控设施的智能化水平较低，大部分只是进行视频数据记录，以供事后查询，而视频 目标行为分析和跟踪等功能则不能满足现实需要。
[0003] 视频目标跟踪主要有基于学习、基于特征和基于区域的跟踪方法。目前，由于基于 学习的跟踪方法鲁棒性和区分性较好，逐渐引起相关学者的关注。基于学习的方法包括两 类，一个是生成模型类的跟踪方法，一个是判别模型类的跟踪方法。生成模型类的跟踪方法 估计观测数据的联合概率分布，生成目标的外观模型，根据最大化数据似然概率获得与目 标最匹配的检索图像块并标记出来，从而实现跟踪。优点是能充分利用目标的外观模型，并 且对光照和颜色变化不敏感；缺点是不能充分利用背景信息，区分性较差，且在复杂背景下 易受到干扰。判别模型类的跟踪方法估计观测数据的条件概率分布，寻找能把目标和背景 分离开的最优分类面。由于分类边界比较灵活，所以这种跟踪方法的区分性较好。缺点是 相对于生成模型类的方法来说，判别模型类的方法只能判断目标是哪一类，而不能描述目 标的外观，即不能充分反映训练数据本身的特性。
[0004] 一个完整的目标跟踪算法必须能准确的检测出目标，获得目标的重要信息，同时 能够有效的在一定干扰下进行准确跟踪。当前目标跟踪技术主要有以下一些难点问题：
[0005] (1)鲁棒性：鲁棒性即系统的健壮性，是指跟踪算法在复杂环境条件下能持续、平 稳地跟踪目标。所谓的复杂环境包括光照的变化、目标姿态改变或者目标不规则变形等。 传统的跟踪算法在特定环境和角度下跟踪效果很好，但在上述复杂环境下跟踪效果往往较 差。
[0006] (2)实时性：视频目标跟踪算法在实施核心跟踪算法前需要对每一帧图像进行大 量运算，包括提取图像特征、像素点比较等。对于视频目标跟踪系统，必须要具备能够实时 处理视频图像序列的能力。而实时性和鲁棒性又常常是矛盾的，所以寻求折中是技术的关 键。
[0007] (3)抗遮挡问题：视频目标在运动过程中会遇到半遮挡或者全遮挡引起的目标暂 时离开画面，传统跟踪算法往往跟踪不准确，或者跟踪到别的物体，原因是大多数跟踪算法 主要依赖前帧运算得出目标位移变化，如果前帧出现误差，则在后续帧中造成误差累积，从 而产生跟踪漂移。虽然已经有相关算法可以解决遮挡问题，但算法的精度和速度降低太多。
[0008] 论文《Struck:Structured Output Tracking with Kernels》， Computer Vision (ICCV)，2011IEEE International，提出一种基于支持向量机的在线结构化输出跟 踪方法，根据上一帧预测目标位置选择样本和更新支持向量，并根据当前帧计算得到的目 标位置预测下一帧。由于过度依赖上一帧的预测，且每一帧都更新支持向量，所以当目标遇 到半遮挡或全遮挡时容易造成误差累积，从而产生跟踪漂移现象。
【发明内容】
[0009] 技术问题：本发明的目的是提供一种基于支持向量机的鲁棒跟踪方法，来解决视 频跟踪中由于目标运动交叉、半遮挡或暂时离开画面造成的跟踪漂移问题。
[0010] 技术方案：本发明的方法是一种策略性的方法，通过引入匹配度波动值样本更新 与卡尔曼预测修正相结合的检测跟踪方法达到自适应跟踪。
[0011] A1、预处理：
[0012] 采用手动方式在帧图像中框选跟踪目标，并将跟踪目标设置在跟踪框内，记录目 标的坐标以及跟踪框长度和宽度；
[0013] 卡尔曼滤波器初始化并读取目标初始位置；
[0014] A2、特征提取：计算目标区域中图像块的特征向量，建立特征样本群，初始化支持 向量池，用于计算样本匹配值；
[0015] A3、支持向量更新：与传统直接采用最高匹配值的样本为基样本更新支持向量不 同，本发明根据前后帧样本最高匹配度波动值更新支持向量，能及时捕捉目标形变或遮挡 造成的变化，避免将背景或障碍物作为目标更新支持向量。若波动值符合阈值?\，则更新支 持向量，并将此匹配值最高的样本坐标传到下一帧作为预测目标，若不符合，则此帧不更新 支持向量；
[0016] Α4、基于支持向量机的在线目标跟踪：以预测的目标位置为起点，基于在线结构化 支持向量机，结合卡尔曼滤波器，建立运动模型，对目标在线跟踪和位置预测，计算支持向 量机预测坐标与卡尔曼预测坐标的欧氏距离；
[0017] Α5、卡尔曼滤波修正：现有技术仅根据在线支持向量跟踪定位目标，遇到遮挡往往 造成跟踪漂移，本发明考虑目标运动的方向和速度，结合卡尔曼滤波修正，对于匹配度波动 值符合阈值?\的目标位置，提取样本和更新支持向量，用svm的预测值更新滤波器；对于不 符合阈值?\的目标位置，使用卡尔曼滤波算法对跟踪的方位进行预测和纠正，同时根据支 持向量机预测坐标与卡尔曼预测坐标的欧氏距离决定更新支持向量的方法；
[0018] Α6、支持向量池溢出限制：当支持向量个数超过限定阈值，并且在不断增加，删除 贡献最小的支持向量；
[0019] Α7、目标重定位：当判定目标离开画面，停止更新支持向量，更改搜索策略，直至重 新定位目标。由于在线目标跟踪时不断更新支持向量，保存了目标特征，当目标重新出现在 画面，可以及时且精确定位。
[0020] 进一步地，所述阈值范围匹配度波动值?\为0. 25, svm预测坐标与卡尔曼预测坐 标欧氏距离T2为8。
[0021] 有益效果：本发明是针对视频目标跟踪中跟踪漂移的解决方案。结合帧间目标匹 配度波动值样本更新与卡尔曼滤波修正相结合的检测跟踪算法，考虑目标运动的方向和速 度，对场景中发生的目标运动交叉、遮挡现象以及目标暂时离开画面具有较好的实时性和 鲁棒性，有效解决了由于误差累积造成的跟踪漂移问题。
【专利附图】
【附图说明】
[0022] 图1更新支持向量阶段提取样本的方法；
[0023] 图2卡尔曼滤波器工作流程；
[0024] 图3基于支持向量机的目标跟踪和卡尔曼修正流程图。
【具体实施方式】
[0025] 一、体系结构
[0026] 1、图1所示的是在更新支持向量阶段提取样本的方法，中心点为当前正样本框的 中心，按照平分半径和角度的方法构建样本网群，在半径上交错取点，这种取点方法可以在 不减少特征数量的前提下减轻计算量。
[0027] 2、图2所示的是卡尔曼滤波器的两个部分，分别是时间更新和测量更新，其中， Λ表示k帧目标的位置，Uh表示k-Ι帧对系统的控制量，本文设置&为零，Pk为误差协 方差，Q和R分别是为过程噪声和测量噪声，不随系统状态变化而变化。A为状态转移矩阵：
【权利要求】
1. 基于支持向量机的鲁棒目标跟踪方法，包括样本选择和支持向量更新、基于结构化 支持向量机的在线目标跟踪、卡尔曼修正以及目标重定位；其特征在于，针对目标运动交叉 或半遮挡，提出采用帧间目标匹配度波动值决定更新支持向量，并结合卡尔曼滤波修正跟 踪结果；针对目标暂时离开画面，采用停止更新支持向量和更改搜索策略的方法进行目标 重定位；具体步骤如下： A1、预处理： 采用手动方式在帧图像中框选跟踪目标，并将跟踪目标设置在跟踪框内，记录目标的 坐标以及跟踪框长度和宽度； 卡尔曼滤波器初始化并读取目标初始位置； A2、特征提取：计算目标区域中图像块的特征向量，建立特征样本群，初始化支持向量 池，用于计算样本匹配值； A3、支持向量更新：与传统直接采用最高匹配值的样本为基样本更新支持向量不同，本 发明根据前后帧样本最高匹配度波动值更新支持向量，能及时捕捉目标形变或遮挡造成的 变化，避免将背景或障碍物作为目标更新支持向量。若波动值符合阈值?\，则更新支持向 量，并将此匹配值最高的样本坐标传到下一帧作为预测目标，若不符合，则此帧不更新支持 向量； Α4、基于支持向量机的在线目标跟踪：以预测的目标位置为起点，基于在线结构化支持 向量机，结合卡尔曼滤波器，建立运动模型，对目标在线跟踪和位置预测，计算支持向量机 预测坐标与卡尔曼预测坐标的欧氏距离； Α5、卡尔曼滤波修正：现有技术仅根据在线支持向量跟踪定位目标，遇到遮挡往往造成 跟踪漂移，本发明考虑目标运动的方向和速度，结合卡尔曼滤波修正，对于匹配度波动值符 合阈值?\的目标位置，提取样本和更新支持向量，用svm的预测值更新滤波器；对于不符合 阈值?\的目标位置，使用卡尔曼滤波算法对跟踪的方位进行预测和纠正，同时根据支持向 量机预测坐标与卡尔曼预测坐标的欧氏距离决定更新支持向量的方法； Α6、支持向量池溢出限制：当支持向量个数超过限定值，并且在不断增加，删除贡献最 小的支持向量； Α7、目标重定位：当判定目标离开画面，停止更新支持向量，更改搜索策略，直至重新 定位目标；由于在线目标跟踪时不断更新支持向量，保存了目标特征，当目标重新出现在画 面，可以及时且精确定位。
2. 根据权利要求1所述的基于支持向量机的鲁棒目标跟踪方法，其特征在于，所述阈 值范围匹配度波动值?\为0. 25, svm预测坐标与卡尔曼预测坐标欧氏距离Τ2为8。
【文档编号】G06T5/00GK104091349SQ201410270717
【公开日】2014年10月8日 申请日期:2014年6月17日 优先权日:2014年6月17日
【发明者】李晓飞, 刘梦, 刘浏, 吴鹏飞 申请人:南京邮电大学