[发明专利]一种基于在线学习的实时目标跟踪方法

权利要求书

1.一种基于在线学习的实时目标跟踪方法，其特征在于具体步骤为：

第一步 构建基于在线学习的实时目标跟踪系统

基于在线学习的实时目标跟踪系统，包括：视频采集模块、ELM分类器初始化训练模块、目标跟踪模块、分类器更新模块和视频存储模块；

视频采集模块的功能为：读取硬盘中多种格式的视频，读取USB接口摄像头实时视频数据；

ELM分类器初始化训练模块的功能为：完成初始训练样本的生成与特征提取，利用最小二乘法进行网络参数计算，构建ELM分类器；

目标跟踪模块的功能为：依据粒子滤波采样原理生成候选目标，利用ELM分类器确定候选目标的置信度，按照粒子滤波后验概率分布定位目标；

分类器更新模块的功能为：新样本的生成与特征提取，按照在线学习方式更新ELM分类器；

视频存储模块的功能为：采用视频压缩算法实现摄像头实时视频的压缩与存储；

第二步 视频采集模块读取图像数据

视频采集模块从摄像头或者硬盘中存取的视频中获取视频流数据，并将视频流分解为一帧一帧的图像；初始化阶段，由人工指定目标；

第三步 ELM分类器初始化训练模块形成初始ELM分类器

ELM分类器初始化训练模块在指定得到目标周围采集征服训练样本，同时提取样本特征，依据单隐层神经网络的训练方式计算ELM分类器的网络参数，形成初始ELM分类器；

即获得的训练集为：Ω₀＝{(x_i,y_i)},1≤i≤N_p+N_n，其中N_p代表正样本的数量，N_n代表负样本的数量(N_p≈N_n)；然后根据ELM的训练过程完成ELM网络的训练，即计算输出层的输出权重β，形成初始ELM分类器；用公式(1)表示：

$\begin{array}{cc}\underset{l=1}{\overset{L}{\Σ}}{\mathrm{\β}}_{l}G(w_l,b_l,x_i)=y_i& 1\≤i\≤N\end{array}---\left(1\right)$

其中，N为样本数，x_i＝[x_i1,x_i2,...,x_id]^T∈R^d表示第i个训练样本，y_i＝[y_i1,y_i2,...,y_im]^T∈R^m表示第i个训练样本对应的期望值；L为隐层节点数，w_l∈R^d表示输入层和第l个隐层节点的连接权重向量，β_l∈R^m表示第l个隐层节点和输出层的连接输出向量，b_l是第l个隐层节点的偏置；g(x_i)＝G(w_l,b_l,x_i)表示关于输入x_i的第l个隐层节点的输出；

第四步 目标跟踪模块对目标进行跟踪定位

目标跟踪模块在跟踪过程中持续运行，不间断的在当前帧图像中确定前一帧图像中目标的位置，并在其周围采用粒子滤波算法生成候选目标；利用ELM分类器确定候选目标的置信度，然后按照粒子滤波后验概率分布定位目标；

利用ELM分类器获取候选样本的置信度，记为P(y＝1|x)，即候选样本是目标的概率；定义：

$P(y=1|x)=\frac{o_1-o_2}{2}---\left(2\right)$

{o₁,o₂}-1＜o₁＜1,-1＜o₂＜1表示ELM分类器的输出节点，当o₁＞o₂时，候选目标x被分为目标，即y＝1；将其归一化，使p(y＝1|x)∈[0,1]得到：

$P(y=1|x)=0.5+\frac{o_1-o_2}{4}---\left(3\right)$

其中o₁、o₂由公式(1)确定：

$\[o_1,o_2\]=f\left(x\right)=\underset{l=1}{\overset{L}{\Σ}}{\mathrm{\β}}_{l}G(w_l,b_l,x)---\left(4\right)$

第五步ELM分类器更新模块更新ELM分类器

ELM分类器更新模块利用定位结果在目标周围采样新的正负样本，生成新的训练数据，并进行特征提取，然后按照在线学习方式更新ELM分类器，使得ELM分类器更适合下一帧图像的目标跟踪，直到跟踪结束；

设获得N_t个新的正负样本，对应的期望值为Y_t、隐层输出矩阵为H_t；在线更新ELM分类器的目的是确定ELM分类器在添加新样本后的输出权重β_t，通过最小二乘法，确定添加新样本后输出层的输出权重；

${\mathrm{\β}}_t={\mathrm{\β}}_{t-1}+{\mathrm{\ψ}}_t^{-1}{H}_t^T\[Y_t-H_t{\mathrm{\β}}_{t-1}\]---\left(5\right)$

其中

${\mathrm{\ψ}}_t={\left[\begin{array}{c}{H}_{t-1}\\ H_t\end{array}\right]}^T\left[\begin{array}{c}{H}_{t-1}\\ H_t\end{array}\right]={\mathrm{\ψ}}_{t-1}+H_t^T{H}_t---\left(6\right)$

${\mathrm{\ψ}}_t^{-1}={\mathrm{\ψ}}_{t-1}^{-1}-{\mathrm{\ψ}}_{t-1}^{-1}{H}_t^T{\[I+H_t{\mathrm{\ψ}}_{t-1}^{-1}{H}_t^T\]}^{-1}---\left(7\right)$

β_t-1为上一帧ELM分类器的输出权重，H_t-1为上一帧ELM分类器的隐层输出权重，在线ELM分类器不需要将新数据与原始数据混合重新训练获得ELM分类器的输出权重，而是在原有输出权重的基础上按照公式(5)确定；

第六步 视频存储模块进行视频压缩编码

视频存储模块对跟踪结果进行存储，在跟踪过程中，跟踪模块处理过的图像按顺序被存储到硬盘中，一旦跟踪结束，视频存储模块即刻采用压缩算法对这些图像进行视频压缩编码；

至此，完成基于在线学习的实时目标跟踪。

2.一种基于在线学习的实时目标跟踪方法，其特征在于所述压缩算法包括：H.264、Mpeg或JPEG2000中的一种。