[发明专利]基于机器学习的粒子滤波目标跟踪方法

说明书

技术领域

本发明属于计算机视觉领域，更进一步涉及数字图像的目标跟踪技术领域中的一种基于机器学习的粒子滤波目标跟踪方法。本发明可用于实现目标的精确跟踪，针对视频序列中的特定目标，将目标模板匹配和粒子滤波器相结合，提高了跟踪效率。

背景技术

基于图像序列的运动目标自动跟踪是图像处理、模式识别和精确制导领域的重要课题，在国防、工业和交通等领域有着广泛的应用。国内外很多文献对目标的表述和跟踪方法进行了研究。但在实际的跟踪中常常还会遇到问题，很难完成长序列视频目标的跟踪。究其原因主要是模型的相对固定不能适应大幅度的光照、背景变化和物体的大范围运动等。

雷云，丁晓青和王生进在论文“嵌入粒子滤波中的Adaboost跟踪器”(《清华大学学报》2007,47(7)：1141-1143)中采用Adaboost分类器和粒子滤波相结合的方法来跟踪目标。首先给定感兴趣的目标类别，训练一组级联的Adaboost分类器，然后将级联Adaboost分类器中的每个弱分类器和每层强分类器嵌入到粒子滤波跟踪算法中。该方法存在的不足是，Adaboost分类器需要大量的训练样本，使得在跟踪过程中实时性不佳，跟踪效率较低。

刘海龙，胡福乔和赵宇明在论文“基于粒子滤波和在线学习的目标跟踪”(《计算机工程》2013,39(10)：232-235)提出一种目标跟踪方法。该方法首先将获取的第一帧图像来训练分类器和初始化粒子滤波器，对于视频后续帧，分类器和粒子滤波器分别对目标进行检测和跟踪，并利用粒子滤波的跟踪结果来提高训练样本库的准确性，改进在线学习算法，并通过反复迭代来提高整体算法的精度。该方法存在的不足是，目标的运动产生的形变及光照变化对跟踪效果的影响较大，目标模型的适应性不好。

发明内容：

本发明的目的在于克服上述现有技术的不足，提出了一种基于机器学习的粒子滤波目标跟踪方法。

实现本发明的目的的基本思路是：首先，利用目标和背景的颜色直方图特征和纹理特征表示目标和背景的信息；其次，利用支持向量机SVM对获得的目标和背景的特征进行训练，获得目标模型；再次，根据训练获得的目标模型，进行目标模板的跟踪，在误差小于0.3的情况下，重新对目标模板进行支持向量机SVM的训练；最后，根据重新训练的目标模型，对目标进行粒子滤波跟踪。

实现本发明目的的具体步骤如下：

(1)提取目标和背景联合特征：

(1a)提取目标和背景的颜色直方图特征；

(1b)提取目标和背景的局部二值模式特征；

(1c)将颜色直方图特征与局部二值模式特征联合，得到目标和背景的联合特征；

(2)训练目标模型：

(2a)用目标和背景的联合特征，标记视频序列中所有的彩色图像，得到初始训练样本；

(2b)利用支持向量机SVM，对初始训练样本进行训练，得到目标样本分类器；

(2c)利用目标样本分类器，从初始训练样本中分离出目标模型；

(3)目标的模板匹配跟踪：

(3a)框出目标在视频序列的第一帧图像中的位置，获得搜索模板；

(3b)将前一帧图像中目标的位置作为当前帧中目标的初始位置，得到当前帧的目标图像，采用去均值归一化互相关算法，计算搜索模板与目标图像的相似性度量矩阵中的所有元素值；

(3c)判断相似性度量矩阵中的所有元素中最大值是否大于0.8，若是，执行步骤(3d)，否则，执行步骤(3b)；

(3d)采用绝对误差计算公式，计算目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差；

(4)判断目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差是否大于0.3，若是，执行步骤(5)；否则，将当前帧的目标图像加入支持向量机的训练样本中，执行步骤(2)；

(5)粒子滤波的目标跟踪：

(5a)在当前帧目标图像中，按高斯分布初始化100个与当前帧目标图像相同的粒子；

(5b)使用目标样本分类器，对当前帧目标图像中的所有粒子进行分类，得到目标样本分类器的输出概率；

(5c)利用粒子位置计算公式，计算当前帧目标的位置，得到当前帧目标的特征值；

(5d)将当前帧目标的特征值输入到目标样本分类器，得到目标样本分类器的输出概率；

(5e)判断目标样本分类器的输出概率是否小于0.5，若是，则执行步骤(5a)，否则，执行步骤(6)；