[发明专利]一种基于在线学习的实时目标跟踪方法

摘要

本发明公开一种基于在线学习的实时目标跟踪方法，通过包括视频采集模块、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构建基于在线学习的实时目标跟踪系统实现。视频采集模块读取图像数据、ELM分类器初始化训练模块形成初始ELM分类器、目标跟踪模块对目标进行跟踪定位、ELM分类器更新模块更新ELM分类器和视频存储模块进行视频压缩编码。本发明基于粒子滤波的目标定位使用有限的粒子数目产生候选样本，能够减少计算量，提高了计算效率；基于在线学习的ELM分类器，实现了训练样本的实时增量学习，能够快速适应目标的外观变化，提升了目标跟踪精度。

主权项

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＝{(xi,yi)},1≤i≤Np+Nn，其中Np代表正样本的数量，Nn代表负样本的数量(Np≈Nn)；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：Σl=1LβlG(wl,bl,xi)=yi1≤i≤N---(1)]]>其中，N为样本数，xi＝[xi1,xi2,...,xid]T∈Rd表示第i个训练样本，yi＝[yi1,yi2,...,yim]T∈Rm表示第i个训练样本对应的期望值；L为隐层节点数，wl∈Rd表示输入层和第l个隐层节点的连接权重向量，βl∈Rm表示第l个隐层节点和输出层的连接输出向量，bl是第l个隐层节点的偏置；g(xi)＝G(wl,bl,xi)表示关于输入xi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)=o1-o22---(2)]]>{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+o1-o24---(3)]]>其中o1、o2由公式(1)确定：[o1,o2]=f(x)=Σl=1LβlG(wl,bl,x)---(4)]]>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Nt个新的正负样本，对应的期望值为Yt、隐层输出矩阵为Ht；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βt，通过最小二乘法，确定添加新样本后输出层的输出权重；βt=βt-1+ψt-1HtT[Yt-Htβt-1]---(5)]]>其中ψt=Ht-1HtTHt-1Ht=ψt-1+HtTHt---(6)]]>ψt-1=ψt-1-1-ψt-1-1HtT[I+Htψt-1-1HtT]-1---(7)]]>βt‑1为上一帧ELM分类器的输出权重，Ht‑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。