一种基于簇相似的多尺度目标跟踪方法
【专利摘要】本发明提出了一种基于簇相似的多尺度目标跟踪方法，本方法的外观模型使用改进的类哈尔特征表示，可以适应目标尺度变化.首先对目标周围进行滑动窗口稠密采样，依据采样半径将样本划分为目标簇和背景簇，定义了一种粒子与簇之间的距离度量，并定义它们之间的相似度与距离成反比.当新帧到来时，粒子通过运动模型运动，根据粒子与目标簇和背景簇的相似度对粒子评分，评分最高的粒子作为目标在该帧的位置；为了适应跟踪过程中目标和背景的变化，设计动态更新机制对目标簇和背景簇的统计特征更新.在每帧跟踪结束时，根据粒子的评分值赋予粒子新的权值，并根据该权值进行粒子重采样以防止粒子退化，本方法能够在复杂条件下实现对目标的鲁棒跟踪。
【专利说明】一种基于簇相似的多尺度目标跟踪方法
【技术领域】
[0001] 本发明属于目标跟踪【技术领域】，涉及一种基于簇相似的多尺度目标跟踪方法。
【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簇相似的多尺度目标跟踪 方法。
[0006] 本发明所采用的技术方案是：一种基于簇相似的多尺度目标跟踪方法，包括以下 步骤：
[0007] 步骤1:获取包括N帧的视频序列；
[0008] 步骤2:从t = 1帧开始，确定第t帧的目标<，它的位置为/(:〇，其中/(<)是一个 矩形框，框内是需要跟踪的目标；1?)包含四个参数，目标在该帧中的行坐标:raHtY；). 列坐标《?/(<)、宽度width和高度height ;初始化参数/i/、<τ/、//,、σ,为0,参数 σ,是％维的向量，这四个参数分别表示系统维持的全局目标簇X +的均值、 方差和全局背景簇X _的均值、方差，其中上标" + "表示目标簇，表示背景簇，下标i表 示从样本提取出的第i个类哈尔特征；
[0009] 步骤3:在t = 1巾贞时初始化粒子集4 = 其中每个粒子up表示一 个测试样本，每个测试样本表示一种目标可能的状态.粒子--Ρ的状态向量定义为
【权利要求】
1. 一种基于簇相似的多尺度目标跟踪方法，其特征在于，包括以下步骤： 步骤1:获取包括N帧的视频序列； 步骤2:从t= 1帧开始，确定第t帧的目标<，它的位置为/(.〇,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、宽度width和高度height;初始化参数of、<、（为0,参数 //,'，A+，σ,_是&维的向量，这四个参数分别表示系统维持的全局目标簇X+的均值、 方差和全局背景簇X_的均值、方差，其中上标" + "表示目标簇，表示背景簇，下标i表 示从样本提取出的第i个类哈尔特征； 步骤3:在t= 1帧时初始化粒子集4 =WPlii;其中每个粒子表示一个测试样本， 每个测试样本表示一种目标可能的状态.粒子的状态向量定义为= 这里xp,yp表示粒子所表示的样本在图像中的列坐标与行坐标，Sp表示样本的尺度； 步骤4 :在第t帧，在/(.<)周围半径rp个像素内采集目标簇样本集 X= {X,丨|/(λ))-/(<)||Srj，这里Xt表示第t帧目标簇中的样本，I(Xt)表示样本Xt所在的 坐标位置，||/(χ,)-/(.<)||表示样本Xt和<之间的距离，< 表示第t帧的目标簇；在/?)周 围半径rin、像素之间采集背景簇样本集Z=WS ·Ut这里Xt表示第 t帧背景簇中的样本，I(Xt)表示样本Xt所在的位置，Jf「表示第t帧的背景簇； 步骤5 :对目标簇和背景簇中的每个样本X,e//U/,提取％个类哈尔特征； 步骤6:计算目标簇和背景簇在第i个类哈尔特征和第t帧的统计特征/心，A〕，％)，其中ie{l，...，nf}，对于第t帧的目标簇Λ+和背景簇根据其中样本 的特征计算均值和标准差；
其中，其中ηρ为目标簇;T/中样本的个数；ηη为背景簇;^中样本的个数，下标i表示是 针对第i个类哈尔特征求出的统计特征，fi(X)表示从样本X中提取出的第i个类哈尔特 征； 步骤7:根据求得的Λ)，A%，A)，，使用学习率λ更新系统维持的目标簇和背 景簇的参数 步骤8 :粒子集At在第t+Ι帧时使用2阶自回归模型?_) = 2?)-.?) + $进行 移动，移动后的粒子集为At+1，根据步骤5中的方法提取出这些粒子的类哈尔特征，其中Wt 是与目标状态相互独立并且其各维度之间相互独立的白噪声，，S(O1)表示第t+Ι帧第i个 粒子的状态向量； 步骤9 :在第t+Ι帧，根据步骤8得到的移动后的粒子集At+1，其中每个粒 子表示一个测试样本，定义测试样本《以与系统维持的全局目标簇X+之间 的距离为> =J+h其中i表示根据第i个特征计算出的距离 酬整:!_1;其中X+表示全局目标簇，，表示目标簇X+对应的第i个特 -σ! μ； 征的均值，<表示全局目标簇x+对应的第i个特征的标准差；定义第t+1帧，测试样本 与系统维持的全局背景簇）T之间的距离为以"3，义^ = h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) = 其中 σ,' X^表示全局背景簇，，表示背景簇>^对应的第i个特征的均值，σ「表示全局背景簇X_对应的第i个特征的标准差； 步骤10 :根据步骤9得到的距离，定义第t+l帧测试样本#与全局目标簇簇X+之 间的相似度为*SX?iii4+) =exp(-rf(?i^2+));定义第t+Ι帧测试样本4丨丨与全局背景簇簇 f之间的相似度为丨，f) =exP(-丨i丨)); 步骤11 :根据步骤10得到的相似度，定义目标函数选择测试样本中与 全局目标簇相似且与全局背景簇不相似的样本作为目标在t+ι帧的位置；目标函数 ./(?；：；) = ......:,目标在t+ι帧所在位置为（=^maxJ(W); i(?",，/ ) -4, 4'. 步骤12:对于第t+Ι帧粒子集中At+1的每个粒子# 作为其权值，并对这些 权值进行归一化； 步骤13:根据粒子的权值对粒子进行重采样； 步骤14 :若t+Ι帧是最后一帧，则本算法结束； 若t+Ι帧不是最后一帧，则令t=t+Ι，回转执行所述的步骤4。
2. 根据权利要求1所述的一种基于簇相似的多尺度目标跟踪方法，其特征在于：所述 的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所述的一种基于簇相似的多尺度目标跟踪方法，其特征在于：所述 的步骤3中，在t= 1帧时，所有粒子的位置初始化为：X,, =〇?/(<)，八其中 co/(<)表示样本< 的列坐标，row(<)表示样本：^的行坐标.初始尺度sp = 1，粒子的个数N的取值为200。
4. 根据权利要求1所述的一种基于簇相似的多尺度目标跟踪方法，其特征在于：所述 的步骤4中，rp取值为4,rin取值为6, !^取值范围9?15,单位为像素。
5. 根据权利要求1所述的一种基于簇相似的多尺度目标跟踪方法，其特征在 于：所述的步骤5中，提取％个类哈尔特征的方法是对于任何样本z，随机在样本所 表示的矩形框中选取nf个小矩形框，使用每个小矩形框中像素和的平均值作为特征 f(z}=Ifi(Z),J2(Z),..,,f(z)} j ο
6. 根据权利要求5所述的一种基于簇相似的多尺度目标跟踪方法，其特征在于，所述 的步骤5中，当粒子的尺度变化时，根据粒子尺度等比例缩放每个小矩形框计算像素平均 值。
7. 根据权利要求1所述的一种基于簇相似的多尺度目标跟踪方法，其特征在于，所述 的步骤7中，更新过程为：若当前帧t= 1，则M1 * A=Ctu.，否则 /1； =Ift+ +(1^ ? < =^+(I-1)^j?μ：=Ιμ：+ (I-Χ}μ；·,σ； =λσ：+ (1 -1)^；- ； 中λ=0.9, σ/，//,，（是系统维持的目标簇和背景簇的全局统计特征变量。下标 i表示的是第i个类哈尔特征，上标"+"表示目标簇，上标表示背景簇.全局统计特 征描述了目标簇和背景簇当前时刻的状态。
8. 根据权利要求1所述的一种基于簇相似的多尺度目标跟踪方法，其特征在于：所述 的步骤8中白噪声Wt符合高斯分布，并且均值为0,方差为0. 2。
9. 根据权利要求1所述的一种基于簇相似的多尺度目标跟踪方法，其特征在于：所述 的步骤13中对粒子的重采样是将权值较小的粒子舍弃，并将权值较大的粒子的值赋值给 权值较小的粒子。
【文档编号】G06T7/20GK104463912SQ201410785162
【公开日】2015年3月25日 申请日期:2014年12月16日 优先权日:2014年12月16日
【发明者】何发智, 李康, 潘一腾 申请人:武汉大学