[发明专利]基于简化直推式学习法的在线目标跟踪方法

说明书

技术领域

本发明涉及一种在线目标跟踪方法，特别是涉及一种基于简化直推式学习法的在线目标跟踪方法。

背景技术

目标跟踪是计算机视觉中非常重要的研究方向，其应用领域包括视频监控，人机交互，车辆自主导航等。然而，在实际应用中，有时事先不知道需要跟踪的目标类型，缺少目标的先验信息，并且目标外观及运动模式变化过程不可预测，因此很难实现精确的目标跟踪。

在缺少先验信息的情况下，基于先检测后跟踪的半监督学习方法，是最流行的目标跟踪方法之一，并且取得了很好的效果。Grabner等人提出了在线Boosting与特征选择的目标跟踪方法，可以有效的避免跟踪过程中的漂移现象，但不能适应目标外观的较大变化。MIL方法在一幅图像目标周围邻近区域，将多个样本认定为正样本，使用多个正样本进行分类器训练，提高了目标检测的成功率。但是在分类器的更新过程，很难得到准确的训练样本，分类器的性能在跟踪过程中不断下降。

为了得到更准确的训练样本，实现长时跟踪。Kalal等人提出了P-N学习的在线目标跟踪方法。该方法利用空间约束，将距离目标较近的样本认定为正样本，远离目标的区域认定为负样本；此外，该方法认为目标在相邻两帧的位置变化是连续的，使用光流计算的运动信息抑制负样本。Steven等将self-paced学习方法应用到目标跟踪过程中，根据关键帧学习分类器，可以处理长时间的目标遮挡，出视场等情况。

近年，结构化SVM在目标跟踪中有着越来越多的应用，Hare等通过给训练样本分配不同的权值，提出的Struck算法得到了更精确的目标位置。Zhang等利用图像中的结构约束与目标之间的关联约束，实现了多目标跟踪算法。

此外，无标签的样本对于分类器的学习有非常重要的作用，基于直接式SVM的机器学习方法，利用无标签的数据，得到了更为精确的分类器训练结果。

发明内容

为了克服现有在线目标跟踪方法应用受局限的不足，本发明提供一种基于简化直推式学习法的在线目标跟踪方法。该方法使用一个矩形框表示目标，并在目标周围提取训练样本。距离目标较近的样本认定为正样本，较远的认定为负样本。提取样本的HOG特征，将其作为目标表示，然后利用LibSVM训练分类器，得到初始的目标检测器。在下一帧图像中，生成候选目标样本并提取HOG特征。利用利用已训练好的分类器评价各样本，并将局部最大值作为目标位置输出。分类器在每一帧图像上单独训练。若候选目标样本的评价结果为正样本，则将距离目标较近的样本认定为正样本，距离较远的作为负样本，重新训练分类器；若候选目标的评价结果为负样本，则跳过。给定一个分类器的最大空间尺度，如果分类器的大小没有超过最大空间尺度，则直接将当前训练结果加入到分类器集合中；否则删除最早训练的分类器结果，然后将训练好的当前结果加入到分类器集合中。本发明通过图像的空间结构约束，在目标跟踪过程中生成准确的训练样本标签，提高了分类器的性能。此外，在每帧图像上单独训练分类器，并且使用加权平均结果作为目标检测器。与背景技术相比较，本发明的结果在所测试的13组视频总体上优于现有的其他方法，应用范围更广。

本发明解决其技术问题所采用的技术方案是：一种基于简化直推式学习法的在线目标跟踪方法，其特点是包括以下步骤：

步骤一、在图像上选定一个矩形标识框，框内的区域为目标区域。若该样本区域与目标的重叠率大于给定阈值，刚认定为正样本，否则为负样本。重叠率的定义为：

S=γt∩γαγt∪γα]]>

其中，γ_t为目标区域所在的矩形框位置，γ_α为样本位置。如果s＞0.5,刚该样本为正样本，否则为负样本。再提取样本的HOG特征，利用该特征向量用来训练分类器。

步骤二、生成测试样本，检测目标所在位置。采用训练样本的平均值评价测试样本，定义如下：