基于随机蕨丛和随机投影的在线目标跟踪方法
【技术领域】
[0001] 本发明属于计算机视觉领域，特别涉及一种视觉跟踪方法，可用于在精度和要求 高的嵌入式系统的视觉跟踪中。
【背景技术】
[0002] 在视觉跟踪中，Avidan促使探测跟踪得到更多的运用，从此跟踪问题更多的是关 注区分前景和背景的分类问题。探测跟踪中所用的分类器被反复离线训练，与此同时很多 的近期方法用即将到来的帧训练分类器，从而在跟踪之前并且在没有目标训练样本的需求 的如提下能够跟踪到任意的对象。
[0003] 针对分类器在线训练方法，Grabner等人对Boosting方法进行改造，使其能够 适应在线方法并且提出了在线的Boosting跟踪器。其主要思想是，在第一帧图像中，用 Boosting框架把特定边界框中的图像小块作为正样本，把边界框周围的图像小块当作负样 本来训练分类器。这种方法容易累积分类错误，从而导致漂移问题甚至目标丢失问题。
[0004] 后来，Grabner又提出了在线半监督Boosting方法，这种方法能够有效的处理视 觉跟踪中的漂移问题。其改进的思想在于先标记第一帧中的训练样本，然后用后续帧中未 标注的样本和已标注的样本来更新分类器。这种方法在目标快速变化的情况下，跟踪性能 会下降。
[0005] 对上述的在线半监督Boosting方法中的的问题，Babenko等人在其方法的基础上 提出用在线多实例学习跟踪算法来解决并取得了显著的成绩。但是，在线多示例学习方法 又存在效率低的问题，造成计算机内存和计算资源的大量消耗。
[0006] 针对在线多示例学习方法存在的问题，Ozuysal等人在目标检测中提出一个非常 简单并且有效的图像描述方法叫做随机蕨丛。他们简单的通过灰度比较随机的选取像素 对，这些像素对能够将图像块哈希到一个二进制数值中，然后从训练样本提取的二进制数 值中分析得到概率分布。根据Bayes准则用后验概率进行样本分类。
[0007] Kalal等人将随机蕨丛用在动态跟踪系统P-N学习策略中并把它作为分类器表现 出很好的效果。但是，使用随机蕨丛仍然存在一些潜在的问题。首先，每个像素对的比较会 产生一个bit的特征值，因此内存需求量和一个蕨中的像素对的数目呈指数关系。其次，每 个像素对的比较产生两个可能的输出〇或1，造成其他的信息丢失，因此需要更多的像素对 来弥补损失。这两个原因造成该方法消耗大量内存。
【发明内容】
[0008] 本发明的目的在于避免上述已有技术的不足，提出一种基于随机蕨丛和随机投影 的在线目标跟踪方法，将随机蕨丛和随机投影结合起来，以在复杂情况下减小内存需求量 和计算资源的消耗，达到实时有效的跟踪效果。
[0009] 实现本发明目的的技术关键是将随机蕨丛和随机映射结合。在随机蕨丛中用实数 特征值来替代二元特征值，使特征值更多的保存两个像素之间灰度值差异的信息，也使内 存需求量减少。并且，用随机投影方法处理实数特征值以减少内存需求量和计算资源的消 耗。其技术步骤包括如：
[0010] (1)将待检测图像中大小为WXh个像素的图像块用特征集F = {fp f2, . . .，fq，. . .，fn}来表示，其中q = 1，2, . . .，η ;把特征集F分为S个子集Fi = {4 4，...，4...，心}，其中」_ = 1，2，...^" = 11/5，每个子集对应一个蕨，蕨内部保 持数据的相关性，蕨与蕨之间是相互独立的；根据蕨的划分将图像块特征表示为：F = (F1, F2,. . . , Fi,. . . , Fj ；
[0011] (2)在图像块内随机选取像素对，通过像素对坐标位置以及灰度值信息建立特征 值表示函数：
[0012] fi；J= I (x ^i, j))-I (x2(i, j)),
[0013] 其中，X1Q, j)和x2(i，j)分别表示第i个蕨中随机产生的的第j个像素对的第 一个像素的坐标和第二个像素的坐标，I(X 1^j))和I(x2(i，j))分别表示图像在坐标 X1 (i，j)和X2 (i，j)处的灰度值，fu表示第i个蕨中第j个像素对的特征值，S表示图像块 中蕨的个数；
[0014] (3)通过特征值表示函数计算出每个蕨中的每个像素对的特征值；
[0015] (4)用随机投影方法对每个蕨中的多个特征值进行映射处理，即将每一个蕨中的 N个像素对特征值化成一个实数值Fk:
【主权项】
1. 一种基于随机蕨丛和随机投影的在线目标跟踪方法，包括如下步骤： (1) 将待检测图像中大小为WXh个像素的图像块用特征集F = {f\，f2,...，f,，...，fn} 来表示，其中q = 1，2, . . .，η ;把特征集F分为S个子集Fi= {f p f2, . . .，fj，. . .，fN}，其中 j = 1，2,. . .，N, N = n/S，每个子集对应一个蕨，蕨内部保持数据的相关性，蕨与蕨之间是相 互独立的；根据蕨的划分将图像块特征表示为：F =的，F2,. . .，Fi,. . .，Fs}; (2) 在图像块内随机选取像素对，通过像素对坐标位置以及灰度值信息建立特征值表 示函数： fi；J= I (x 1 (i, j))-I (x2(i, j)), 其中，X1 (i，j)和X2 (i，j)分别表示第i个蕨中随机产生的的第j个像素对的第一个像 素的坐标和第二个像素的坐标，I (X1Q, j))和I(x2(i，j))分别表示图像在坐标X1 (i，j)和 x2(i，j)处的灰度值，fu表示第i个蕨中第j个像素对的特征值，S表示图像块中蕨的个 数； (3) 通过特征值表示函数计算出每个蕨中的每个像素对的特征值； (4) 用随机投影方法对每个蕨中的多个特征值进行映射处理，即将每一个蕨中的N个 像素对特征值化成一个实数值Fk:
其中，表示第k个蕨的第t个像素对的特征值，w t是根据高斯分布随机产生的实数 值； (5) 根据图像块中所有蕨经映射处理得到的S个Fk，用半朴素贝叶斯分类器得到图像 块的随机蕨分类器：
其中c表示类的随机变量，H表示图像的前景和背景的集合，
P(c)是假设的均匀概率分布，？坑，^...，&)是一个与类别无关的数，p (Fk |c)是被模 拟为高斯分布的类条件下的特征值概率，P (c)和p (F1, F2, ...，Fs)均为确定的常数； (6) 将每个随机蕨分类器检测器，对下一帧图像中的图像块分类，得到目标在下一帧的 几个位置； (7) 对视频序列的首帧通过手动确定目标所在位置，用矩形框表示目标位置，在矩形 框内初始化一些光流点，用中值流跟踪器跟踪这些点，在下一帧图像中获得目标的一个位 置； (8) 将步骤（6)中检测器得到的目标位置和步骤（7)中跟踪器得到的目标位置进行融 合，确定出最终的目标位置； (9) 在最终目标位置周围采集样本获得训练数据集，通过标准随机蕨丛方法中的IIR 滤波器在线更新随机蕨分类器，以对下一帧待检测图像进行检测分类。
2. 根据权利要求1所述的视觉跟踪方法，其特征在于步骤（7)所述的用中值流跟踪器 跟踪光流点获得目标位置，按如下步骤进行： (7a)设图像序列A = {It，It+1，. . .，ItJ，1,为t时刻图像，X ,为t时刻特征点， 以\为初始点，采用L-K光流法跟踪特征点，得到t到t+m时刻前向跟踪的轨迹为 IT = ，…，xf+m；[;再以Xt+m为初始点，得到相应的 t+m到t时刻的后向跟踪轨迹 Γ ，其中其中？ t为后向跟踪轨迹中第t时刻特征点，？ t+m= X t+m； (7b)用欧式距离计算前向和后向两次跟踪的误差值Μ):
(7c)将t+m个跟踪点的误差值⑷从大到小排列，去除前50%的误差值 FZ?￡(77|/i)的跟踪点，用余下50%误差值的跟踪点估计目标的位置，并用一个矩形框标识 该目标位置。
3. 根据权利要求1所述的视觉跟踪方法，其特征在于步骤（9)所述的通过标准随机蕨 丛方法中的IIR滤波器更新检测器，按如下步骤进行： (9a)根据当前帧图像中所有样本的第k个蕨的类条件下特征值Fk的平均数/4和方差 <，对下一帧待检测图像中的第k个蕨的A和进行加权参数更新，即：
其中，λ是学习率，和<·"?分别是通过下一帧待检测图像中训练样本计算出来的 新的平均值和标准差，//1和σ?分别表示加权更新后的平均值和标准差； (9b)计算出第k个蕨的加权更新后的平均值和方差σ?,得到新的高斯分布函数； (9c)用新的高斯分布函数更新随机蕨分类器。
【专利摘要】本发明公开了一种基于随机蕨丛和随机投影的在线目标跟踪方法。主要解决在线跟踪方法中计算量大及跟踪结果不准确的问题。其实现步骤是：首先采用随机蕨丛检测器检测图像中的目标位置；然后利用中值流跟踪器跟踪目标的大致位置；再用检测器和跟踪器的结果相互融合得到最终的目标位置；最后用IIR滤波器在线更新检测器，以对下一帧待检测图像进行检测分类。本发明具有跟踪效率高、跟踪结果准确、内存资源和计算资源消耗少的优点，可用于嵌入式系统的视觉跟踪中。
【IPC分类】G06K9-66
【公开号】CN104680194
【申请号】CN201510112837
【发明人】刘凯, 张劲, 张勉, 程飞
【申请人】西安电子科技大学
【公开日】2015年6月3日
【申请日】2015年3月15日