[发明专利]基于学习和加速鲁棒SURF特征的目标跟踪方法

权利要求书

1.一种基于学习和加速鲁棒SURF特征的目标跟踪方法，包括以下步骤：

(1)输入一段视频中的第一帧，并人工标记出待跟踪目标，同时将标记的目标作为目标模板；

(2)通过跟踪-在线学习-检测模型，对目标进行跟踪：

2a)用视频的第一帧对跟踪-在线学习-检测模型进行初始化；

2b)将步骤(1)标记出的跟踪目标作为正样本，在正样本附近取100个图像块作为负样本，并用这些正负样本训练随机森林检测器；

2c)从输入视频的第二帧开始，对待跟踪目标进行跟踪与检测；

(3)判定跟踪与检测目标的结果：

3a)设定置信阈值Tc＝0.7，如果跟踪结果的置信值大于Tc，则认为是有效跟踪，即跟踪到了目标，同时用跟踪结果更新随机森林检测器，执行步骤(6)；

3b)如果跟踪结果的置信值小于Tc，则认为是跟踪失败，执行步骤(4)；

(4)提取目标模板和视频当前帧的加速鲁棒SURF特征：

4a)计算目标模板的积分图像值I_1∑：

I1Σ=Σi=0i≤xΣj=0j≤yI(i,j),]]>

其中，I(i,j)表示目标模板中点(i,j)处的像素值，(x,y)表示目标模板中某一点的坐标；

4b)计算视频当前帧的积分图像值I_2∑：

I2Σ=Σp=0p≤aΣq=0q≤bI(p,q),]]>

其中，I(p,q)表示当前帧中点(p,q)处的像素值，(a,b)表示当前帧中某一点的坐标；

4c)采用不同尺度的箱式滤波器建立适应目标变换的尺度空间，即将各个箱式滤波器按照尺度大小的不同组成一个空间塔状结构，其中每个尺度上包含x、y和xy三个方向上的箱式滤波器；

4d)根据步骤4a)得出的积分图像值和步骤4c)采用的箱式滤波器，求出目标模板中每一点的特征矩阵H1(σ)=D1xxωD1xyωD1xyD1yy,]]>并计算H₁(σ)对应行列式的值detH₁：

detH₁＝D_1xxD_1yy-(ωD_1xy)²，

其中，D_1xx表示由步骤4a)得到的积分图像值与步骤4c)中x方向上箱式滤波器相乘求和的结果，D_1xy表示由步骤4a)得到的积分图像值与步骤4c)中xy方向上箱式滤波器相乘求和的结果，D_1yy表示由步骤4a)得到的积分图像值与步骤4c)中y方向上箱式滤波器相乘求和的结果，ω是箱式滤波器的误差比例因子，σ表示尺度；

4e)根据步骤4b)得出的积分图像值和步骤4c)采用的箱式滤波器，求出视频当前帧中每一点的特征矩阵H2(σ)=D2xxωD2xyωD2xyD2yy,]]>并计算H₂(σ)对应行列式值detH₂：

detH₂＝D_2xxD_2yy-(ωD_2xy)²，

其中，D_2xx表示由步骤4b)得到的积分图像值与步骤4c)中x方向上箱式滤波器相乘求和的结果，D_2xy表示由步骤4b)得到的积分图像值与步骤4c)中xy方向上箱式滤波器相乘求和的结果，D_2yy表示由步骤4b)得到的积分图像值与步骤4c)中y方向上箱式滤波器相乘求和的结果，ω是箱式滤波器的误差比例因子，σ表示尺度；

4f)将步骤4d)～4e)得到的行列式值中大于零的点定为极值点，以每个极值点为中心取一个半径为6s的圆形区域，其中s表示尺度，计算该圆形区域内点的Haar小波响应，将π/3范围内的响应相加形成新的矢量，遍历整个圆形区域，选择最长矢量的方向作为该极值点的主方向，在主方向上选取边长为20s的正方形区域，用这个区域内的Haar小波响应构成加速鲁棒SURF特征，即分别得到目标模板的加速鲁棒SURF特征和当前帧的加速鲁棒SURF特征；

(5)利用欧氏距离对步骤4f)获得的加速鲁棒SURF特征进行匹配：

对于当前帧中的特征向量(h₁,h₂,…,h_m)和目标模板中的特征向量(s₁,s₂,…,s_n)，分别求(h₁,h₂,…,h_m)中每一个元素h_j与(s₁,s₂,…,s_n)中所有元素之间欧式距离的最小值d_j，如果d_j小于设定的阈值T_d，则认为加速鲁棒SURF特征匹配成功，否则匹配失败，并将匹配成功的结果作为当前帧的目标跟踪结果，其中h_j表示当前帧中第j个加速鲁棒SURF特征点的坐标，j＝1,2,…,m，m表示当前帧中特征点的总个数；s_i表示目标模板中第i个加速鲁棒SURF特征点的坐标，i＝1,2,…,n，n表示目标模板中特征点的总个数；

(6)输出当前帧的目标跟踪结果，并用当前帧跟踪的目标作为更新的目标模板；

(7)循环执行步骤2c)～步骤(6)，直到视频的最后一帧。