[发明专利]一种基于多级检测器的具有自恢复能力的目标跟踪方法

摘要

一种基于多级检测器的具有自恢复能力的目标跟踪方法：结合Adaboost多级弱分类器级联为强分类器的思想，选择多个不同类型的检测器串联；第一级检测选择显著性检测器；第二级选用分类器集合检测模块，代入到随机树中计算第一级检测出的可能区域为正样本的后验概率；第三级选择相关滤波检测器，计算后验概率大于某阈值的样本与初始化或上一帧得到的正样本的相关度，从而减小长期跟踪带来的积累误差；经过多级检测器后确定相关度最大的位置即认定为当前帧中目标区域，并以确定的位置采样，补充样本集中去除的正负样本数，保证样本的可靠性和数目的恒定；若相关度最大值小于某阈值，则激活重检测机制，对位置附近区域重新检测搜索目标。

主权项

1.一种基于多级检测器的具有自恢复能力的目标跟踪方法，其特征在于：步骤如下：(1)搭建一个由多级检测器级联的检测器，并利用检测的结果对目标进行跟踪，每一级检测器的检查范围由大到小，类似于金字塔形的检测策略，在减小每一级的计算量同时提升各种环境因素下检测目标的精确度；(2)当一帧图像序列输入级联的检测器后，作为当前帧，首先利用显著性检测器进行第一级显著性检测，若显著性检测结果值大于阈值，则粗略筛选出若干个候选目标区域，除此之外的背景区域被剔除；(3)将步骤(2)获得的候选目标区域输入第二级分类器集合检测器，分割出固定大小图像块，选用4～10个Harris角点特征进行检测，利用随机二叉树的原理，计算得到每个角点对应的后验概率，最后判断总的后验概率是否大于设定的阈值，若大于设定的阈值，则将大于阈值的后验概率对应的图像块作为第三级检测器的输入；(4)以步骤(3)获得的后验概率大于阈值的图像块与目标模型中正负样本进行相关度计算，先进行傅里叶变换到频域，将卷积运算转换为点积运算，显著提高计算速度，对正样本计算的相关度结果进行降序排序，剔除相关度排名靠后的正样本，对负样本计算的相关度结果进行升序排序，剔除相关度排名靠后的负样本；(5)遍历步骤(4)所有正负样本相关度的计算结果，找出最大相关度的图像块，即为目标所在位置，并在目标所在位置的中心周围采样，补充步骤(4)中删除的正负样本数，并以此相关度与设定的相关度阈值ζ比较，若低于设定的相关度阈值，则进行重新检测，以当前帧的前一帧检测的目标位置为中心，对搜索区域进行2倍扩展后，在扩展后的区域里对目标进行滑窗搜索，重新确定目标；至此为止即实现对当前帧图像中的目标检测跟踪过程，并对可能出现的目标丢失情况问题，采取了重新检测的策略，完成基于多级检测器的具有自恢复能力的目标跟踪过程。