[发明专利]基于纹理特征的暗环境视频目标实时跟踪方法

说明书

技术领域

本发明涉及一种基于纹理特征的暗环境视频目标实时跟踪方法，属于图像模式识别技术领域。

背景技术

计算机视觉目标跟踪领域普遍采用检测式跟踪架构，该架构通过生成少量的正负样本在线训练分类器，将跟踪任务转化为检测任务。这是因为目标检测领域取得了重大进展，分类器技术也被大量研究并不断取得进步，有效保证了跟踪的成功率。检测任务需要对采集到的样本进行特征提取，以反映样本的特点，便能够进行样本分类和判别，传统的特征提取方法需要依赖经验进行构造，K.H.Zhang等提出一种基于压缩感知的特征提取方法(Compressive Tracking)，通过将广义Haar特征与一系列多尺度滤波器卷积以保证特征的多尺度性质，再利用随机稀疏高斯矩阵对特征进行降维以保证跟踪的实时效果。但广义Haar特征存在对光照亮度、目标旋转敏感的特性，本发明使用旋转不变模式ULBP算子改进特征提取的流程，在保证实时性和稳定性的基础上，令目标跟踪算法能够适应低照度、目标旋转、光照变化等各类容易引起目标丢失的场景。

发明内容

为了克服现有跟踪算法不能处理极端照度场景中目标跟踪的问题。本发明提出了一种适合井下、夜间等特殊环境的基于纹理特征的目标实时跟踪方法，该方法利用旋转不变模式ULBP算子进行纹理特征提取，使提取后的特征包含了丰富的样本的纹理信息，利用纹理信息对光照不敏感的特性，使跟踪系统能够在昏暗环境中达到较高跟踪成功率。

本发明公开了一种基于纹理特征的暗环境视频目标实时跟踪方法，包括初始化阶段和目标跟踪阶段，所述初始化阶段包括以下步骤：

1)在初始化时计算稀疏采样矩阵Θ：

a)计算信号采样矩阵Φ；

b)计算稀疏感知矩阵Ψ；

c)计算稀疏采样矩阵Θ，其中Θ＝Ψ·Φ；

2)创建一个由50个贝叶斯分类器级联而成的二分类朴素贝叶斯分类器H(x)，每一个弱分类器h_c(x_c)都是基于表示正标签y＝0和负标签y＝1的两个正态分布其中(μ_y，c，σ_y，c)表示标签为y的第c维特征对应的弱分类器的正态判别曲线的参数值；

所述目标跟踪阶段包括以下步骤：

1)对视频的第k帧的目标探测

a)以第k-1帧跟踪到的目标O_k-1为中心进行候选样本采集，在第k帧内采集到n_y个欧氏距离满足的候选样本；

b)计算包含全部候选样本的最小矩形区域∪z(z∈z_y)，对该矩形区域图像片依次进行灰度化、旋转不变模式ULBP编码、向量积分，最终得到向量积分图I；

c)以稀疏采样矩阵Θ中的非零元素的对角线为标尺，用对角线减法从向量积分图I中提取每个候选样本的压缩编码特征值z→x(z∈z_y)；

d)将各个候选样本的压缩编码特征值x_r输入第k-1帧训练好的分类器计算分类得分分类得分最大的x_r对应的第r个样本即使第k帧跟踪到的目标O_k；

2)第k帧的分类器更新

a)以第k帧跟踪到的目标O_k为中心进行正负样本采集，在第k帧内采集到n₁个欧氏距离满足的正样本，在第k帧内采集到n₀个欧氏距离满足的负样本；

b)计算包含全部正负样本的最小矩形区域∪z(z∈z₁∪z₀)，对该矩形区域图像片依次进行灰度化、旋转不变模式ULBP编码、向量积分，最终得到向量积分图I；

c)以稀疏采样矩阵Θ中的非零元素的对角线为标尺，用对角线减法从向量积分图I中提取每个正负样本的压缩编码特征值z→x(z∈z₁∪z₀)；

d)对分类器进行更新

其中和分别是为正样本(y＝1)和负样本(y＝0)的均值和方差。

本发明进一步公开了所述目标跟踪阶段由灰度图I_gray到均匀模式ULBP编码图I_RULBP编码方法包括以下步骤：