判别训练样本，计算该判别是否正确。indie存放 样本的指示标识，如果弱分类器判断正确，indic =+l;否则indic = -l。样本输入时判别公 式:indic = parp ? sign(W-thrp)。由此每一个样本都会得到一个标识，它指示弱分类判断是 否正确。
[0089] 步骤3.3.4:当indic =+l，即弱分类器判断正确时，该弱分类器的样本分类正确数 :"&'加上权重11119〇1'化]1。6。；；[]1(1；[。= -1，即判断错误，当前弱分类器的样本分类错误数"&.加 上impodancep。第二级训练样本输入时，每个弱分类器都会对训练样本反复判断，《化和 不断累加。
[0090] 步骤3.3.5:计算当前弱分类器的错误率。根据公式：
[0091]
巧）
[0092] 目标有M个图像块，6,,，z'e化2,…，M)。将gp,排序，选择6a较小的值即分类效果较 好的几个弱分类器并记录该弱分类器的序号。
[0093] 求出第二级弱分类器的置信值0，根据公式：
[0094]
巧
[009引步骤3.3.6:更新参数111190^日11。6。，弱分类器判断错误时，根据公式 相应样本 会减小。
[0096] 4、参阅图4,通过分类器检测的目标跟踪
[0097] 4.1目标位置的粗捜索，具体步骤如下：
[0098] 步骤4.1.1:在前一帖图像中目标的上下左右各20像素捜索区域内W4像素点为步 长，依次滑动，得到Nd个目标候选样本0。= h并存放它们的位置坐 标，参阅图5左图。W每一个候选样本为检测样本，取出与其对应的图像块Pcf,，与由第一级 Boosting算法选择出来的滤波器。逐元素相乘并求和得到描述特征/^^。公式为：
[0099]
哉 S
[0100] 其中j的取值是第一级选出来的结果。Nd数量很大，因此在循环中使用了OPENMP的 并行计算W减少时间。
[0101] 步骤4.1.2:将hd与第一级弱分类器的置信值a加权组合得到第二级特征值Wd,其公 式为：
[0102]
㈱
[0103] 其中，n是第一级选出来滤波器的个数。
[0104] 步骤4.1.3:Wd与第二级弱分类器的置信值0加权组合，得到强分类器分类结果 gstnng，根据公式：
[0105]
[0106]
[0107] (12)
[010引公式（10)中，gStT°ng反应了当前样本候选区域含有目标的gStTDM，是由第二级 Boosting算法选出来的m弱分类器的gweak加权组合得到。
[0109] 步骤4.1.4:比较所有候选样本gS心ng。t=max(giSt皿g)，i e (1，2，…，Nd)，序号为t 的区域交给步骤4.2继续处理。
[0110] 4.2目标位置的精细捜索:在上述步骤中得到的跟踪目标周围上下左右5个像素捜 索区域内，Wl像素点为步长滑动产生若干候选位置，参阅图5右图。对每个候选位置，按步 骤4.1.1-4.1.4步骤再次逐一计算gstnng，并得到目标所在的最终区域。
[0111] 4.3 gstnng最大候选样本的作为下一帖的目标区域。重复步骤2到步骤4的过程实 现目标持续跟踪。
【主权项】
1. 利用两层级联的Boost ing分类算法实现视频目标跟踪的方法，其特征在于该方法包 括以下具体步骤： 51、 预处理 在图像序列的第一帧中，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AlexNet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= {fi，f2，…，fN}，N=96; 52、 正负样本的特征提取 以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匕，与对应F中的t分别逐元素即像素相乘并求和得到特征值 hs； 53、 特征选择和权重训练的两层Boo st ing级联算法 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鹤={户/,，》}，其中α 为第一级弱分类器的置信值，Pfmean为第一级正样本均值，nfm_S负样本均值，thrf为分类阈 值，parf为弱分类器符号，为弱分类器分类正确数，乂为弱分类器分类错误数，e f为弱分 类器错误率； 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α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 P^2 - {ppmean 5 ^pmean， ，於}，其中β为第二级弱分类器的置信值，ppm_为第 二级正样本均值，npmean为负样本均值，thrp为分类阈值，parp为弱分类器符号，.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； 54、 分类器检测的目标跟踪 在下一帧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1^，大小和相 对位置与正样本保持一致，P〃，与F中对应的t求得第一级特征值hd;将hd与第一级弱分类器 的置信值α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β加权组合，得到 强分类器分类结果gstl：°ng;最大gstl：°ng值的候选样本作为下一帧的目标区域;重复步骤S2-S4,实现持续目标跟踪。2. 根据权利要求1所述的方法，其特征在于，在步骤S2中，所述的特征值匕求法是图像块 P%与大小等同的fj分别逐元素相乘并求和，其公式为：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。3. 根据权利要求1所述的方法，其特征在于，在步骤S3中，所述第一级弱分类器的置信 值α计算公式为：α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《尤与分类总数 .之比得到；训练过程中，当该弱分类器分类正确时，值累加;分类错误时， 值累加。4. 根据权利要求1所述的方法，其特征在于，在步骤S3中，所述第一级弱分类器的置信 值α与正负样本特征值hs的加权结果Wi的计算公式为：j=\ 其中，第一级ai,^hs加权的结果;Μ是图像块的个数，N是滤波器的个数;η是第一级 Boosting训练出来错误率ef较小的弱分类器的个数。5. 根据权利要求1所述的方法，其特征在于在步骤S3中，所述第二级弱分类器的置信值 β计算公式：β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，值累加;分类错误时，《I 值累加。6. 根据权利要求1所述的方法，其特征在于，在步骤S4中，所述第二级特征值Wd的计算公 式： i=i 'Wd由第一级aij与hd加权的结果;其中，特征值hd的计算公式：是由候选样本中选择出来的图像块以和滤波器t相乘得到的特征值。7. 根据权利要求1所述的方法，其特征在于，在步骤S4中，所述强分类器分类结果gste°ng 的计算：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训练出来错误率办较小的弱分 类器的个数;候选区域含有目标的€^~是111个g TOak的累加;其中： gTOak作为第二级弱分类器的分类值其计算公式为： gweak = parP · sign(ffd-thrP) (11) 其中，第二级分类阈值thrP和分类器符号parP是由正负样本特征值均值ppm_，n pm_决 定。
【专利摘要】本发明公开了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：图像的预处理，获取目标样本与目标区域中的图像块；通过滤波器提取特征，得到正负样本的特征值；包含在线特征选择和权重训练的两层Boosting级联算法；分类器检测的目标跟踪等步骤。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Haar特征构造模板单一，丢失图像色彩和纹理细节的问题；另外，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，使所选择的特征更加适用于跟踪任务。
【IPC分类】G06K9/62, G06T7/00
【公开号】CN105719292
【申请号】CN201610037690
【发明人】瞿恺, 孙力, 徐姗姗
【申请人】华东师范大学
【公开日】2016年6月29日
【申请日】2016年1月20日