[发明专利]目标跟踪分类器在线训练样本的超像素中智相似加权方法

说明书

本发明涉及一种目标跟踪分类器在线训练样本的超像素中智相似加权方法，所述方法包括：读取视频帧，依据初始目标位置提取样本，初始化目标跟踪分类器；读取视频新帧，确定目标位置，计算相应超像素图像；基于相交区域的超像素中智隶属度、不确定性度和非隶属度量测；基于区域形状距离的超像素中智隶属度、不确定性度和非隶属度量测；计算超像素类目标置信向量；提取训练样本，计算样本中智权值；利用加权样本更新目标跟踪分类器。本发明的方法实现简单、抗干扰能力强，能够较好地适应背景复杂多变、光照变化等极具挑战的情况；本发明适用于基于鲁棒目标跟踪的应用，如视频监控、自动驾驶等，适用于大规模推广应用。

技术领域

本发明涉及计算机机器视觉技术领域，具体是指一种目标跟踪分类器在线训练样本的超像素中智相似加权方法。

背景技术

目标跟踪是计算机视觉中的一项基础技术，其主要是综合利用统计学、图形图像理论、机器学习等多种理论共同分析确定兴趣目标在视频中每一帧的位置。目标跟踪是众多视觉应用中的一项关键技术，广泛用于视觉智慧交通、视觉监控、自动驾驶等应用。由于现实场景多变，如何鲁棒跟踪兴趣目标仍然是一个具有挑战性的热点性问题。

基于分类器的目标跟踪算法在目标跟踪领域一直占据着重要位置。分类器跟踪算法一般在选定目标区域的第一帧初始化分类器参数，在之后每一帧中的前帧目标位置周围区域求取以每一像素为跟踪框中心点的分类器响应，依据分类器最大响应原则求取当前帧目标位置。为适应被跟踪目标周围环境以及目标自身在图像中呈现的变化，分类器必须在跟踪过程中在线提取训练样本更新分类器模型。样本提取的质量将直接影响分类器的分类精度，通常将距离目标位置很近的图像块作为正样本，距离较远的图像块作为负样本，这些图像块与目标跟踪框具有同样大小。若样本提取出现偏差，将会逐步降低分类器分类精度，最终导致跟踪失败。基于此类问题，样本加权被引入，如依据距离加权、时空关联特性加权、类目标度加权等。类目标度加权得到了较好的效果，然而，直接利用超像素图像获取类目标度，容易引入较多的目标背景干扰，在干扰较大时极易造成分类器衰弱，跟踪失败。

发明内容

本发明的目的是提供一种目标跟踪分类器在线训练样本的超像素中智相似加权方法，实现简单、抗干扰能力强，能够较好地适应背景复杂多变、光照变化等极具挑战的情况。

为了实现上述目的，本发明具有如下构成：

该目标跟踪分类器在线训练样本的超像素中智相似加权方法，包括如下步骤：

S100：读取视频帧，依据初始目标位置提取样本，初始化目标跟踪分类器；

S200：读取视频新帧，确定目标位置，计算相应超像素图像；

S300：基于相交区域进行超像素中智隶属度、不确定性度和非隶属度量测；

S400：基于区域形状距离进行超像素中智隶属度、不确定性度和非隶属度量测；

S500：根据步骤S300和步骤S400的结果计算超像素类目标置信向量；

S600：在该视频中提取训练样本，根据所述超像素类目标置信向量计算样本中智权值；

S700：根据所述样本中智权值，利用加权样本更新目标跟踪分类器。

可选地，所述步骤S700之后，还包括如下步骤：

判断是否所有帧均读取完毕，如果是，则结束退出，否则返回步骤S200。

可选地，所述步骤S300中，基于相交区域进行超像素中智隶属度、不确定性度和非隶属度量测，包括根据如下公式量测所述超像素中智隶属度、不确定性度和非隶属度：

F_A(i)＝1-T_A(i)