利用两层级联的Boosting分类算法实现视频目标跟踪的方法
【技术领域】
[0001] 本发明属于图像处理技术领域，设及一种利用两层级联的Boosting分类算法实现 视频目标跟踪的方法。
【背景技术】
[0002] 基于视频的目标跟踪技术是计算机视觉和图像处理领域众多学者关注的一个经 典问题。随着计算机存储、网络通信W及图像处理等技术飞速发展，视频跟踪技术也有了长 足的进步。
[0003] 设计稳定高效的目标跟踪算法是极具挑战性的，困难主要来源于应用中背景复 杂、目标遮挡、W及目标变形与旋转等因素的影响。目前流行的算法主要分为生成和判别两 大类方法。生成方法W跟踪目标作为特征来构造一个模板，不同算法的构造过程各有差异， 在跟踪过程中匹配候选样本，匹配程度最高的区域即为目标区域。判别方法通过训练分类 器来判别候选样本为正样本的概率，概率最高的区域即目标。
[0004] l、Zhang,K.,L.Zhang,and M.-H.Yang,Real-time compressive tracking,in Computer Vision-ECCV 2012.2012,Springer.p.864-877.
[0005] CT(Compressive lYacker)跟踪算法，选用化ar特征（仅对矩形区域做灰度值积 分)作为提取特征的方法。同时它使用正负样本来训练贝叶斯分类器并用该分类器判别候 选样本。
[0006] 2、Grabner,H.and H.Bischof.On-1ine boosting and vision. in Computer Vision and Pattern Recognition,2006IEEE Computer Society Conference on.2006.I邸E.
[0007] 0AB(0nline Adaptive Boosting)跟踪算法，同样选用了Haar特征作为提取特征 的方法。同时它使用正负样本训练多个弱分类器，W弱分类器的分类效果为参考选择合适 的若干个图像块所对应的弱分类器，线性组合成一个强分类器，并用该强分类器来判别候 选样本。但是该算法只是在图像块的维度上作了 Boosting。
[0008] 3、Krizhevsky A,Sutskever I,Hinton G E.ImageNet Classification with Deep Convolutional Neural Networks[J].Advances in Neural Information Processing Systems,2012,25:2012.
[0009] 基于深度卷积神经网络的图像分类算法，通过构造多层级联的神经网络，实现对 图像内容的1000分类。深度卷积神经网络的第一层卷积核大小为11x11，通过大量标注图片 训练得到，反应了图像中的基本结构。
【发明内容】
[0010] 本发明的目的是提供一种利用两层级联的Boosting分类算法实现视频目标跟踪 的方法，该方法用当前帖目标区域内不同位置的图像块在不同类型滤波器(f)作用下的特 征值作为分类特征;利用两层级联的Boosting算法分别对图像块位置和它的描述滤波器进 行选择;最后在捜索区域内，对每个候选位置进行检测，从而得到目标的位置，用矩形框表 示。每个特征都可W单独地构造弱分类器来对候选位置进行判断;采用两级特征选择的结 构，使得两层中被选到的很多弱分类器加权组合构造出一个强分类器，该强分类器再对候 选位置进行判断。与传统方法相比，本发明使用多个滤波器对图像块提取特征，更为精细地 表达出图像块的特征，解决了使用类化ar特征构造模板单一，丢失图像色彩和纹理细节的 问题;另外，所提出的跟踪方法使用两层级联的结构，对滤波器类型和图像块位置分别进行 选择，尽可能使所选择的特征适用于跟踪任务。
[0011] 实现本发明目的的具体技术方案是：
[0012] 一种利用两层级联的Boosting分类算法实现视频目标跟踪的方法，该方法包括 W下具体步骤：
[001引 S1、预处理
[0014] 在图像序列的第一帖中，首先标出跟踪的目标区域并在目标区域中随机产生出若 干大小和相对位置的图像块;使用Alex化t深度神经网络中第一层中卷积层的卷积核组作 为基滤波器库Fb，并对Fb做归一化处理;缩放Fb，使得Fb中的每个滤波器与目标区域中的图 像块宽高大小一致，缩放结果作为滤波器库F= {f 1，f2，…，fN}，N=96;
[0015] S2、正负样本的特征提取
[0016] W目标区域作为正样本，目标区域周边四个同样大小区域作为负样本，在正负样 本中同样的相对位置取出图像块私'与对应F中的。分别逐元素即像素相乘并求和得到特 征值hs;
[0017] S3、特征选择和权重训练的两层Boosting级联算法
[0018] 第一级Boosting算法是对滤波器作选择，使用步骤S2求得的特征值hs训练第一级 Boosting的弱分类器并获得第一级参数拘={罗挪6。》，"脚e。,,，泌f/，公W/，％，％，6/，货}，其中曰 为第一级弱分类器的置信值，Pfmean为第一级正样本均值，nfmean为负样本均值，th打为分类阔 值，pan为弱分类器符号，％为弱分类器分类正确数，"Zr为弱分类器分类错误数，Gf为弱分 类器错误率；
[0019] 第二级Boosting算法是对图像块作选择，使用第一级弱分类器的置信值a与正负 样本特征值hs的加权结果W作为特征值输入第二级，并获得第二级Boosting弱分类器参数 =城卿e。。，编V饼,?.,?，巧，其中0为第二级弱分类器的置信值，Ppmean为第 二级正样本均值，npmean为负样本均值，thrp为分类阔值，parp为弱分类器符号，《化为弱分类 器分类正确数，为弱分类器分类错误数，ep为弱分类器错误率；
[0020] S4、分类器检测的目标跟踪
[0021] 在下一帖图像中的设定范围内设置候选样本，在候选样本中取出图像块Pd,，大 小和相对位置与正样本保持一致，Pa:与F中对应的求得第一级特征值hd;将hd与第一级弱 分类器的置信值Ct加权组合得到第二级特征值Wd, Wd再与第二级弱分类器的置信值扣J日权组 合，得到强分类器分类结果gStnng ;最大gStnng值的候选样本作为下一帖的目标区域;重复步 骤S2-S4，实现持续目标跟踪。
[0022] 在步骤S2中，所述的特征值hs求法是图像块Ps,与大小等同的。分别逐元素相乘并 求和，其公式为：
[0023]
城
[0024] \,是由正负样本中第i个图像块与第j个滤波器相乘得到的特征值。
[0025] 在步骤S3中，所述第一级弱分类器的置信值a计算公式为：
[0026] 货）
[0027] (4)
[0028] a由该弱分类器分类的错误率ef确定，ef由弱分类器分类错误数与分类总数 W/。+%之比得到；训练过程中，当该弱分类器分类正确时，W/。值累加;分类错误时，^ 值累加。
[0029] 在步骤S3中，所述第一级弱分类器的置信值a与正负样本特征值hs的加权结果Wi的 计算公式为：
[0030]
結）
[0031] 其中，Wi由第一级QiJ与hs加权的结果;M是图像块的个数，N是滤波器的个数;n是第 一级Boosting训练出来错误率ef较小的弱分类器的个数。
[0032] 在步骤S3中，所述第二级弱分类器的置信值的十算公式：
[0033] (6j
[0034] (7)
[0035] 0由该弱分类器分类的错误率ep确定，ep由弱分类器分类错误数与分类总数 ^ 之比得到；训练过程中，当该弱分类器分类正确时卢A值累加;分类错误时， 值累加。
[0036] 在步骤S4中，所述第二级特征值Wd的计算公式：
[0037]
(谷)
[003引 W油第一级Qi,J与hd加权的结果;其中，特征值hd的计算公式：
[0039]
(8)
[0040] 堤由候选样本中选择出来的图像块Pd,和滤波器村目乘得到的特征值。
[0041 ]在步骤S4中，所述强分类器分类结果gstnng的计算：
[00 创
（10)
[0043] 其中，gweak为弱分类器分类值，其取值为+ 1或-1，+ 1表示该弱分类器判别样本为正 样本;-1表示弱分类器判别样本为负样本;m是第二级Boosting训练出来错误率ep较小的弱 分类器的个数;候选区域含有目标的gStnng是m个gwak的累加;其中：