视频中的目标跟踪方法
【专利摘要】本发明提供了一种视频中的目标跟踪方法，该方法包括：预先设定视频中的当前帧的目标位置，初始化稀疏矩阵；获取目标位置周围样本的高维特征向量，并使用稀疏矩阵将该高维向量投影到低维向量；更新分类器参数，得到用于下一帧的新的分类器，选择分类值最大的样本位置作为下一帧的目标位置。本发明提高了目标跟踪方法的速度。
【专利说明】视频中的目标跟踪方法
【技术领域】
[0001] 本发明涉及图像处理，特别涉及一种视频目标跟踪方法。
【背景技术】
[0002] 运动跟踪是智能交通系统的核心组成部分，用于从拍摄的车辆图像中全自动化定 位车辆信息，包括车牌图像，车型识别，事故鉴定，使得车辆的电脑化监控和管理成为现实。 近年来，很多技术基于视觉特征模板，即先离线学习一个视觉模型来描述目标，然后使用该 模型在图像区域进行搜索，寻找与视觉模型最相似的目标。但物体外观容易因为受到光照、 姿态、遮挡和运动等的影响而改变。现有技术没有考虑背景信息，而这些被丢弃的背景信息 很可能提高跟踪的稳定性和准确性。因此，针对相关技术中所存在的上述问题，目前尚未提 出有效的解决方案。
【发明内容】
[0003] 为解决上述现有技术所存在的问题，本发明提出了一种视频中的目标跟踪方法， 包括：
[0004] 步骤一，预先设定视频中的当前帧的目标位置，初始化稀疏矩阵；
[0005] 步骤二，获取目标位置周围样本的高维特征向量，并使用稀疏矩阵将该高维向量 投影到低维向量；
[0006] 步骤三，更新分类器参数，得到用于下一帧的新的分类器，选择分类值最大的样本 位置作为下一帧的目标位置。
[0007] 优选地，若当前帧为第t帧，则所述当前帧的目标位置由第t帧的目标位置L的左 上角坐标（x，y)和目标的宽度w以及高度h组成。
[0008] 所述初始化稀疏矩阵进一步包括：
[0009] 给定跟踪目标后，按照下式定义稀疏矩阵RfoXm)，其中n和m分别是该矩阵的行数 和列数，并且m为4的倍数：
[0010]
【权利要求】
1. 一种视频中的目标跟踪方法，其特征在于，包括： 步骤一，预先设定视频中的当前帧的目标位置，初始化稀疏矩阵； 步骤二，获取目标位置周围样本的高维特征向量，并使用稀疏矩阵将该高维向量投影 到低维向量； 步骤三，更新分类器参数，得到用于下一帧的新的分类器，选择分类值最大的样本位置 作为下一巾贞的目标位置。
2. 根据权利要求1所述的方法，其特征在于，若当前帧为第t帧，则所述当前帧的目标 位置由第t帧的目标位置L的左上角坐标（X，y)和目标的宽度w以及高度h组成。
3. 根据权利要求2所述的方法，其特征在于，所述初始化稀疏矩阵进一步包括： 给定跟踪目标后，按照下式定义稀疏矩阵R(nXm)，其中η和m分别是该矩阵的行数和列 数,并且m为4的倍数：
其中，ru是矩阵R中第i行第i列的元素，且只有占Ι/s比例的元素是非零的，并且设 置s=m/4,矩阵R生成后始终保持不变。
4. 根据权利要求3所述的方法，其特征在于，所述步骤二进一步包括： 在与第t帧的目标位置L相距α的区域内取正样本，在与L的距离在ζ，β之间的区 域内取负样本；其中α，ζ，β为预定义距离范围阈值；对提取的正负样本用不同尺度的矩 形滤波器进行卷积得到每个样本的高维特征向量X，然后使用稀疏矩阵将高维向量投影到 低维向量V，其中： V=RX 利用矩阵R对正负样本直接提取低维特征向量V。
5. 根据权利要求4所述的方法，其特征在于，所述更新分类器参数进一步包括： 在计算出所有样本的低维特征向量V后，使用如下Bayes分类器更新分类器参数，得到 第t帧新的分类器t:
其中P(y=I) =P(y= 〇)，ye {〇, 1}是样本标签，分别表示负样本和正样本，其中：P(Vi|y= 1)符合正态分布N( ///,4 )，均值和标准差^参数分别使用以下公 式来更新：
其中，λ>〇是学习参数；μ\ 〇 1分别为在当前帧中提取的正样本的第i个特征的均值 和标准差，分别计算如下：
6.根据权利要求5所述的方法，其特征在于，在第t帧的处理完成后，在第t+Ι帧中，在 第t帧目标位置周边提取目标样本，用分类器t对第t+Ι帧得到的样本特征向量进行分类， 找到H(V)值最大的样本位置作为第t+Ι帧的新的目标位置。
【文档编号】G06K9/62GK104318590SQ201410628571
【公开日】2015年1月28日 申请日期:2014年11月10日 优先权日:2014年11月10日
【发明者】王鑫, 艾力, 张璇, 付蝶, 谢国锦 申请人:成都信升斯科技有限公司