一种基于类相似性测量的实时目标跟踪算法
【专利摘要】本发明公开了一种基于类相似性测量的实时目标跟踪算法，目标跟踪对实时性要求非常高，在目前主流的基于检测跟踪的框架下，根据测试样本与目标类和背景类的相似度比较来确定目标在新帧中的目标位置。本方法首先在当前帧采集目标类和背景类集合，计算出它们的统计特征，并在下一帧采集测试样本集合。本方法定义了一种计算测试样本与类之间相似度的量化标准，通过找出与目标类相似以及和背景类不相似的测试样本来确定目标位置。本方法明显提高了跟踪的实时性以及跟踪精度。
【专利说明】一种基于类相似性测量的实时目标跟踪算法
【技术领域】
[0001]本发明属于目标跟踪【技术领域】，涉及一种基于类相似性测量的实时目标跟踪算法。
【背景技术】
[0002]目标跟踪在计算机视觉中一个重要领域，在军事，医疗，监控以及人机交互中有着重要的应用。最近几年来有许多算法用于解决目标跟踪的问题，但是由于目标的形变，光照的变化，以及目标被遮挡等原因，目标跟踪仍然是一个难点。
[0003]目前主流的实时跟踪算法都是具有自适应性的。一般来说跟踪算法可以分为两类:生成算法和判别算法。生成算法能够学习目标的特征模型，然后搜索目标可能所在的区域，使用已学习的模型以最小误差重建的区域即为目标所在位置。为了解决目标形变问题，WSL和IVT算法先后被提出。最近，稀疏表示方法用来解决目标被部分遮挡的问题。但是这些生成模型都没有利用目标周围的背景信息，这些背景信息能够在检测目标时更好地将目标与背景分离出来。
[0004]判别模型将目标跟踪看做一种将目标与背景分离出来的检测问题。在判别模型中，使用区分能力较好的特征能够有效的提高跟踪精度。使用多个弱分类器组成强分类器的boosting算法目前得到了广泛的应用。但是，许多boosting算法只利用了目标本身的信息，并没有利用目标背景的信息，所以当目标没有被精确的检测到之后，就会影响以后目标跟踪的精度，最终导致跟踪失败。
【发明内容】
[0005]为了克服上述现有技术的不足，本发明提供了一种基于类相似度检测的实时目标跟踪算法。
[0006]本发明所采用的技术方案是:一种基于类相似性测量的实时目标跟踪算法，其特征在于，包括以下步骤:
[0007]步骤1:对于获取的包括N帧的视频序列，从t = I帧开始，确定第t帧的目标X:，它的位置为/CO，其中/CO是一个矩形框，框内是需要跟踪的目标；/(<)包含四个参数:目标在该巾贞中的行坐标row(X:)、列坐标、宽度width和高度height ;初始化参数
μ:、<、μ,(为ο，这四个参数分别表示目标类的均值、方差和背景类的均值、方差，其中上标“+”表示目标类，表示背景类，下标i表示从样本提取出的第i个特征；
[0008]步骤2:在/(λ()周围半径4个像素内采集目标类样本集
x+=Ki ||/(^) K )| }，这里Xt表示第t帧目标类中的样本，I (xt)表示样本xt所在的位置；在/(,;周围半径rin、rm像素之间采集背景类样本集=沐I rm < ||/⑷-/(χ:.U，
这里Xt表示第t帧背景类中的样本，I (xt)表示样本Xt所在的位置；其中rp，rin，rm是经验参数，单位为像素；
[0009]步骤3:对目标类和背景类中的每个样本提取nf个类哈尔特征
f(x2) = [f1(x1)f2(x1)...fn(x1 )；
[0010]步骤4:计算目标类和背景类在第t帧的统计特征μ;，σ-；toon] 步骤5:根据学习率λ更新参数<，<，μ:, σ「，其中学习率是经验参数；
[0012]步骤6:在第t+l帧的/(.<)周围半径rs个像素内采集测试样本
ΖΗ1 ={χ?+1，并根据步骤3中的方法提取出它们的类哈尔特征；
[0013]步骤7:定义样本与类之间的距离为d(x，X)，计算每个测试样本与目标类在第i个特征上的距离Cli (χ，X+)，以及每个测试样本与背景类在第i个特征上的距离di(x，X _)，将它们的和作为样本与目标类和背景类之间的距离，即:
【权利要求】
1.一种基于类相似性测量的实时目标跟踪算法，其特征在于，包括以下步骤: 步骤1:对于获取的包括N帧的视频序列，从t = I帧开始，确定第t帧的目标<，它的位置为/OO，其中/(<)是一个矩形框，框内是需要跟踪的目标；/(<)包含四个参数:目标在该帧中的行坐标、列坐标C0/(X;)、宽度width和高度height ;初始化参数μ:、<、Li (为0，这四个参数分别表示目标类的均值、方差和背景类的均值、方差，其中上标“+”表示目标类，表示背景类，下标i表示从样本提取的第i个特征；步骤2:在…)周围半径rp个像素内采集目标类样本集Z+ = W ||狀)-/(<)|々》}，这里Xt表示第t帧目标类中的样本，I(Xt)表示样本Xt所在的位置；在/(I )周围半径rin、rm像素之间采集背景类样本集f = K I rh, < ||/(x,)-/(x；)|| < /；?!，这里xt表示第t帧背景类中的样本，I (xt)表示样本xt所在的位置；其中rp，rin, ron是经验参数，单位为像素； 步骤3:对目标类和背景类中的每个样本\提取nf个类哈尔特征fU,) = {./; (-V, )，./;(X, ),...，./? (X,)!; 步骤4:计算目标类和背景类在第t帧的统计特征μ:’ σ'-; 步骤5:根据学习率λ更新参数<，(K，(，其中学习率是经验参数； 步骤6:在第t+l帧的/(.<)周围半径rs个像素内采集测试样本JC1 = {xi+11 ||/(χ;+1 )-/(χ；)||</^ = {X:;； Ki1，并根据步骤3中的方法提取出它们的类哈尔特征； 步骤7:定义样本与类之间的距离为d(x，X)，计算每个测试样本Xe尤+1与目标类在第i个特征上的距离屯匕x+),以及每个测试样本与背景类在第i个特征上的距离cMx，X _)，将它们的和作为样本与目标类和背景类之间的距离，即:
步骤8:定义样本与类之间的相似度为S(x，X);分别计算测试样本与目标类之间的相似度S(x, X+) = exp(-d(x, X+)),以及测试样本与背景类之间的相似度S(x, xl =exp (-d(x, xO)； 步骤9:定义目标函数J(x)，选择测试样本中与目标类相似且与背景类不相似的样本作为目标在t+l帧的位置； 步骤10:判断，t+l帧是不是最后一帧； 若t+l帧不是最后一帧，则令t = t+i，回转执行所述的步骤I ; 若t+ι帧是最后一帧，则本算法结束。
2.根据权利要求1所述的基于类相似性测量的实时目标跟踪算法，其特征在于:步骤I中所给出的目标位置使用矩形框将目标标出，其所标矩形框需要准确的给出目标所在位置，并且保证精确，矩形框中背景所占的像素不得超过矩形框总像素的10%。
3.根据权利要求1所述的基于类相似性测量的实时目标跟踪算法，其特征在于:步骤I中参数Y , <，U <是1^维的向量。
4.根据权利要求1所述的基于类相似性测量的实时目标跟踪算法，其特征在于:步骤2中rp取值为4，rin取值为6，ron取值范围是9~15。
5.根据权利要求1所述的基于类相似性测量的实时目标跟踪算法，其特征在于:步骤3中提取nf个类哈尔特征的方法是对于样本xt，随机在其中选取nf个矩形框，使用每个矩形框中像素和的平均值作为特征。
6.根据权利要求1所述的基于类相似性测量的实时目标跟踪算法，其特征在于:步骤4中所述的计算目标类和背景类在第t帧的统计特征，Ki，，其具体实现过程是对于第t帧的目标袭Z根据其中样本的特征计算均值和标准差；
，其中np为目标类中样本的个数；
，其中πη为背景类 < 中样本的个数；
7.根据权利要求1所述的基于类相似性测量的实时目标跟踪算法，其特征在于:步骤5中所述的根据学习率λ更新参数#，<，// , <，其具体实现过程为:若当前中贞 t = I,则 μ: = μ，cr+ = ’ μ] =μ =σ 否则 1.ζ -λμ: +(1-Λ)//^, ’< =λσ^ + (1-λ)σ:, ， μ: = λμ: +(1-?.)μ:, ，( = }ισ~ + (I — Λ)σ~，其中入取值范围是0.7~I。
8.根据权利要求1所述的基于类相似性测量的实时目标跟踪算法，其特征在于:步骤5中所述的λ = 0.9。
9.根据权利要求1所述的基于类相似性测量的实时目标跟踪算法，其特征在于:步骤6中匕的取值范围为9~15。
10.根据权利要求1所述的基于类相似性测量的实时目标跟踪算法，其特征在于:步骤7中所述的
，即为所有样本特征的距离之和，其中i表示根据第i个特征
计算出的距离，
11.根据权利要求1所述的基于类相似性测量的实时目标跟踪算法，其特征在于:步骤.8 中所述的 S(x, X ) = exp (-d(x, x ))。
12.根据权利要求1所述的基于类相似性测量的实时目标跟踪算法，其特征在于:步骤9中所述的目标函数
’目标在t+Ι帧所在位置为
，其中S(x, x+)表示测试样本与目标类之间的相似度，S(x, χ-)表示测试样本与背景类之间的相似度。
【文档编号】G06T7/20GK104200493SQ201410453726
【公开日】2014年12月10日 申请日期:2014年9月5日 优先权日:2014年9月5日
【发明者】何发智, 李康, 陈晓 申请人:武汉大学