一种基于多通道Haar-like特征的鲁棒目标跟踪方法
【专利摘要】本发明公开了一种基于多通道Haar-like特征的鲁棒目标跟踪方法，包括以下步骤：在目标跟踪的过程中，先获得多通道Haar-like特征的特征值，然后根据各多通道Haar-like特征训练出相应的候选弱分类器；再在所有M个候选弱分类器中选出响应最大的K个弱分类器构造响应为p(y＝1|x)的强分类器，并更换其中判别力最弱的N个弱分类器；然后根据所述强分类器更新目标的外观模型及目标的位置，循环往复，从而得到各帧中目标的位置及外观模型。本发明可以满足彩色图像的跟踪，同时满足跟踪过程中目标本身及外界条件的实时变化。
【专利说明】-种基于多通道HaarH i ke特征的鲁棒目标跟踪方法
【技术领域】
[0001] 本发明属于模式识别和计算机视觉领域，涉及一种基于多通道Haar-like特征的 鲁棒目标跟踪方法。
【背景技术】
[0002] 作为计算机视觉领域的重要研究方向，目标跟踪问题近年来持续受到人们的关 注。运动目标跟踪技术在机器人导航、视频内容分析、安全监控等领域具有广泛应用前景。 虽然国内外学者经过大量研究提出多种目标跟踪方法，但是由于其固有的复杂性，包括目 标的形变、旋转、遮挡、光照变化、运动模糊等，如何构造一个准确、鲁棒和实时的目标跟踪 系统一直是个值得深入研究的问题。
[0003] 外观模型在一个鲁棒的跟踪算法中具有关键性的作用。目前提出的跟踪算法根据 他们外观模型的不同可以划分为生成式模型和判别式模型两类。生成式模型首先学习一个 外观模型来表示目标，然后在各帧中搜索与该外观模型最相似的区域。由于没有考虑背景， 生成式模型在跟踪过程中丢失了很多有用的信息。判别式模型即基于检测的跟踪，它将跟 踪作为一个二元分类问题，运用分类器将目标从背景中分离出来。作为基于检测跟踪的最 近的代表性算法，多示例学习跟踪算法在目标跟踪领域取得了巨大成功。
[0004] 使用Haar-like特征进行目标表示是多示例学习跟踪算法取得良好性能的重要 因素。2001年，Viola等首先将基于Haar-like小波的AdaBoost算法引入到人脸检测中。 由于将积分图像的思想应用到Haar-like小波特征的计算中，极大地提高了特征的获取速 度。受此启发，2011年Babenko等通过在线多示例学习训练分类器的方法，利用Haar-like 特征对目标和背景训练一个判别式模型实现了跟踪。与传统的基于统计的直方图目标表示 不同，Haar-like特征是基于结构的特征，对颜色和纹理等信息不敏感。因此，原始多示例 学习算法对彩色视频跟踪时通常采用RGB图像的某一单通道信息或将其转化为灰度图像 进行跟踪。显然，无论是采用单通道信息或将其简单融合成灰度图像，都会对原始彩色图像 造成信息丢失。此外，原始多示例学习算法通过Haar-like特征在正负样本上的响应实时 训练分类器进行跟踪。Haar-like特征在第一帧时随机生成，并在随后各帧中一直使用。由 于跟踪过程中目标和背景的渐进变化，某些判别力较弱的Haar-like特征会失效，在特征 选择过程中将不被使用。Haar-like特征"一次生成，永久使用"，难以满足跟踪过程中目标 本身和外界条件的实时变化要求。
【发明内容】
[0005] 本发明的目的在于克服上述现有技术的缺点，提供了一种基于多通道Haar-like 特征的鲁棒目标跟踪方法，该方法可以满足彩色图像的跟踪，同时满足跟踪过程中目标本 身及外界条件的实时变化。
[0006] 为达到上述目的，本发明所述的基于多通道Haar-like特征的鲁棒目标跟踪方法 包括以下步骤：
[0007] 1)在目标跟踪的过程中，用户在第一帧中标定目标位置，然后在该目标位置对应 的环形区域内采集若干正负样本块，其中，每个正负样本块对应若干个多通道Haar-like 特征，每个多通道Haar-like特征包含若干个矩形块，随机产生每个矩形块的六个参数，所 述六个参数分别为矩形块的左上角横坐标、纵坐标、宽度、高度、权重及通道，并根据各矩形 块所在的通道采用积分图像的方法计算每个矩形块的特征值，再将各通道的所有特征值根 据矩形块的权重进行加权求和，加权求和的结果作为该多通道Haar-like特征的特征值， 然后根据各多通道Haar-like特征训练出相应的Μ个候选弱分类器，再基于Boosting算法 从所有Μ个候选弱分类器中选出K个响应最大的弱分类器，然后通过选出的K个响应最大 的弱分类器构造响应为P (y = 11X)的强分类器，其中，X是图像块的特征值，y是二进制变 量，在时刻t，感兴趣目标位置为/,\设1 (X)表示候选图像块X的位置；
[0008] 2)在下一帧目标周围半径s的区域内截取图像块集
【权利要求】
1. 一种基于多通道Haar-like特征的鲁棒目标跟踪方法，其特征在于，包括以下步骤： 1) 在目标跟踪的过程中，用户在第一帧中标定目标位置，然后在该目标位置对应的环 形区域内采集若干正负样本块，其中，每个正负样本块对应若干个多通道Haar-like特征， 每个多通道Haar-like特征包含若干个矩形块，随机产生每个矩形块的六个参数，所述六 个参数分别为矩形块的左上角横坐标、纵坐标、宽度、高度、权重及通道，并根据各矩形块所 在的通道采用积分图像的方法计算每个矩形块的特征值，再将各通道的所有特征值根据矩 形块的权重进行加权求和，加权求和的结果作为该多通道Haar-like特征的特征值，然后 根据各多通道Haar-like特征训练出相应的Μ个候选弱分类器，再基于Boosting算法从所 有Μ个候选弱分类器中选出K个响应最大的弱分类器，然后通过选出的K个响应最大的弱 分类器构造响应为P (y = 11X)的强分类器，其中，X是图像块的特征值，y是二进制变量，在 时刻t，感兴趣目标位置为（，设1 (X)表示候选图像块X的位置； 2) 在下一帧目标周围半径s的区域内截取图像块集
，并计算 X e Xs范围内所有候选块的p(y|x);然后根据
更新目标位置，同时更 新目标的外观模型； 3) 依次剔除N个弱分类器响应最小的多通道Haar-like特征，再加入随机产生的N个 新的多通道Haar-like特征，然后根据新Μ个多通道Haar-like特征训练出新的Μ个弱分 类器，再从新的Μ各弱分类器中挑选出新的响应最大的Κ个弱分类器，并通过所述新的响应 最大的Κ个弱分类器构构建新的强分类器； 4) 重复步骤2)及步骤3)，得到各帧中目标的位置及外观模型，完成目标的跟踪。
2. 根据权利要求1所述的基于多通道Haar-like特征的鲁棒目标跟踪方法，其特征在 于，所述通道为RGB三通道。
3. 根据权利要求1所述的基于多通道Haar-like特征的鲁棒目标跟踪方法，其特征在 于，每个多通道Haar-like特征包含2-4个矩形块。
【文档编号】G06K9/00GK104050451SQ201410273897
【公开日】2014年9月17日 申请日期:2014年6月18日 优先权日:2014年6月18日
【发明者】赵耀博, 宁纪锋 申请人:西北农林科技大学