1.一种基于空间耦合关系和历史模型的目标跟踪方法,其特征在于包括以下步骤:
步骤1、采用多示例学习跟踪算法对跟踪目标建立MIL模型,并在跟踪的过程中,不断更新该MIL模型;
步骤2、利用跟踪目标的历史状态,记录表达各个不同历史状态的目标模型,构成一个目标模型池;
步骤3、对每个模型分配一权重因子,针对当前帧选择最佳的目标模型并估计目标位置;
步骤4、检测目标周边区域的关键点,找出与跟踪目标有强耦合关系的物体,利用空间相关信息预测目标位置;
步骤5、融合利用最佳模型估计出的目标位置和利用空间相关信息预测出的目标位置,得到最终的目标位置。
2.根据权利要求1所述的基于空间耦合关系和历史模型的目标跟踪方法,其特征在于:所述步骤1的实现方法包括以下步骤:
(1)构建Haar特征集F={f1,...,fd},该特征集包含有d个特征,选择出一组图像块:并计算每个图像块的特征值,得到MIL模型;
(2)利用构建的MIL模型估计目标位置概率p(y=1|x),更新目标位置该MIL模型包含一组高斯分类器,采用在线Boost算法构建强分类器;
(3)根据目标的新位置,选择一组正样本图像块和一组负样本图像块,计算样本的特征值,更新高斯分类器的均值、方差参数,从而更新MIL模型。
3.根据权利要求1所述的基于空间耦合关系和历史模型的目标跟踪方法,其特征在于:所述步骤2的实现方法包括以下步骤:
(1)MIL跟踪算法利用多个弱分类器构建目标模型,每个弱分类器利用高斯分布构建,包含4个重要的参数,分别是正负样本的均值和方差,参数矩阵m被用来表示目标,如下式所示:
其中d表示弱分类器的数量,μ*p,μ*n,σ*p,σ*n分别表示正负样本的均值和方差,以此构建出目标模型池M={m1,...,mn};
(2)每一帧目标模型更新后,得到一个新的参数矩阵模型表示,矩阵余弦相似度被用来衡量两个模型的相似度,并根据相似度的大小,判断是否需要保存该模型,该矩阵余弦相似度定义如下:
其中||m1||F表示矩阵m1的F范数,对于模型mt-1,若ρ(mt-1,m)<θ,则将模型mt-1保存到模型池中,其中θ是设置的固定的阈值,判断模型的相似程度。
4.根据权利要求1所述的基于空间耦合关系和历史模型的目标跟踪方法,其特征在于:所述步骤3的实现方法包括以下步骤:
(1)、判断目标模型池的大小,若超过了限定值,则删除目标模型池中最相似两个模型的后者;
(2)、对于第t帧,从构建的模型池中选出与当前帧最匹配的外观模型,如下式所示:
其中ci(x)是利用模型mi计算得到的概率置信图,N是模型池中模型的数量,||||∞表示无穷范数。
5.根据权利要求1所述的基于空间耦合关系和历史模型的目标跟踪方法,其特征在于:所述步骤4的实现方法包括以下步骤:
(1)SURF特征被用来检测目标周边区域的关键点,将检测关键点的区域限制在宽αw和高αh的矩形范围内且不包括目标区域,其中α表示缩放因子,w和h表示目标区域的宽和高,第t帧上检测关键点按如下公式得到:
其中是关键点的位置,fit是对关键点对应的描述子,rit是关键点与目标中心位置的相对距离,
是指该关键点连续存在的帧数,初始化rit和
为0;
(2)得到第t帧的一组关键点后,将该组关键点与t-1帧的关键点进行匹配,如果满足下式,则认为匹配成功:
其中,和
分别表示关键点
在第t帧中最相似和次相似的关键点;
(3)关键点匹配完成得到一组匹配成功的关键点,对于成功匹配的关键点,更新这些点的相对距离和匹配次数如下:
rit=rjt-1
(4)利用所有匹配次数的点预测目标位置,认为在连续十帧中都出现的关键点,与目标有很强的运动关联性,预测目标位置的公式如下:
其中是满足条件所有关键点的个数。
6.根据权利要求1所述的基于空间耦合关系和历史模型的目标跟踪方法,其特征在于:所述步骤5采用如下融合公式得到最终的目标位置:
其中L是一组候选目标位置的集合。