[发明专利]一种目标跟踪方法

摘要

本发明公开了一种基于半非负优化集成学习的目标跟踪方法，主要解决现有技术中目标跟踪准确率低的问题。其技术方案为：1.读取第一帧视频图像的目标位置，选取正负样本包，并在样本包中选取正负样本；2.根据样本训练高斯模型弱分类器，并为每个弱分类器分配权值，选取权值最高的部分弱分类器组成强分类器；3.利用强分类器预测新一帧图像目标位置，并根据目标位置选取样本包；4.对目标进行异常判断，如果发生异常，保持分类器参数不变；如果没有发生异常，更新分类器参数，持续跟踪视频图像序列到最后一帧。本发明具有跟踪准确率高，鲁棒性强的优点，可用于计算机视觉，人机交互领域。

主权项

1.一种目标跟踪方法，包括：(1)输入视频序列，读取第一帧图像目标位置信息作为初始目标信息；(2)根据当前帧读取的图像目标位置信息，构建高斯模型：2a)从当前帧读取的图像中选取49个与初始目标框大小相同的图像块作为正样本包，并在初始目标框周围均匀选取49个与初始目标框大小相同的图像块作为负样本包；2b)对于提取的正负样本包，分别在每个样本包内的M个相同位置提取Haar‑like特征，得到正样本矩阵X^p_49×M，负样本矩阵Xⁿ_49×M，则样本矩阵为2c)对正、负样本分别构建高斯模型，得到正样本均值μ1和方差σ1和负样本均值μ0和方差σ0：μ1＝(μ11,μ12,μ1j,...,μ1M)，σ1＝(σ11,σ12,σ1j,...,σ1M)，μ0＝(μ01,μ01,μ0j,...,μ0M)，σ0＝(σ01,σ02,σ0j...,σ0M)，其中，μ1j是正样本第j个相同位置样本均值，μ0j是负样本第j个相同位置样本均值，σ1j是正样本第j个相同位置样本方差，σ0j是负样本第j个相同位置样本方差，j＝1,2···M，将与M个相同位置对应的M组高斯模型参数表示为：(μ1,σ1；μ0,σ0)；(3)根据样本的M组高斯模型训练分类器：3a)对于正负样本包分别设置标签，即将正样本标签设为+1，负样本标签设为‑1，并生成真实标签矩阵Y98×1；3b)根据M组高斯模型对应生成M个弱分类器(h1,h2,hj···hM)，j＝1,2···M，并利用生成的弱分类器对已知样本X中每一个样本xij的标签进行预测，i＝1,2···98，生成预测标签矩阵F98×M；3c)根据真实标签矩阵Y和预测标签矩阵F，设计目标函数，计算M个弱分类器的权值W＝(w₁,w₂,w_j···w_M)，其中w_j为第j个弱分类器的权值，j＝1,2,···M，选取其中权值最大的前N个弱分类器组合成最终的强分类器H，并生成分类器参数其中：其中，是第t帧正样本第j个相同位置样本均值，是第t帧负样本第j个相同位置样本均值，σ_1j是第t帧正样本第j个相同位置样本方差，σ_0j是第t帧负样本第j个相同位置样本方差；k＝1,2···N，t为当前帧图像序列号，对于第一帧图像t＝1,t＝1,2···end，end为视频图像序列的最后一帧；(4)循环读取第t+1帧图像，并根据强分类器H预测目标位置：4a)在图像目标搜索范围内获取n个检测样本包：S＝(s1,s2,sb···sn)，其中sb为第b个检测样本包，b＝1,2,···n,n为搜索范围内所有像素点的个数；4b)根据强分类器H分别预测检测样本包S为目标的概率P，得到预测概率P＝(p1,p2,pb···pn)，其中pb为第b个样本包sb为目标的概率值；4c)选取预测概率最大值pa其中a∈[1,n]，并将其对应的检测样本包sa的位置作为当前帧目标位置；(5)对当前帧预测的目标位置，按照2a)选取正负样本包，并在每个样本包中选取与N个弱分类器相对应的位置，提取Harr‑like特征，得到当前帧样本矩阵其中为当前帧正样本矩阵，为当前帧负样本矩阵；(6)计算样本矩阵Xt+1分类的准确率CCRP：6a)利用3c)所选的N个弱分类器对预测目标位置的样本矩阵Xt+1进行标签预测；6b)根据预测标签计算正样本的分类准确率CCRP：其中，N为选取弱分类器的个数，L为训练样本总数，Le为正样本分类正确的个数；(7)将分类准确率CCRP与设定的阈值T＝0.42～0.45进行比较，判断跟踪是否发生异常：当CCRP＞T时，则没有发生异常，并将弱分类器参数更新为其中t为上一帧图像，t+1为当前帧图像；当CCRP≤T时，则发生异常，保持弱分类器参数不变；(8)根据当前读取图像个数t，判断视频图像序列是否结束：当t＜end时，则图像序列没有结束，返回步骤(4)；当t＝end时，则图像序列结束，计算目标跟踪准确率，并输出结果；其中，end为最后一帧图像序列号。