[发明专利]一种基于在线学习的实时跟踪方法及跟踪系统

说明书

技术领域

本发明涉及视频运动图像数据处理及机器视觉领域，特别涉及一种基于在线学习的实时跟踪方法和跟踪系统。

背景技术

在线学习属于增量学习的研究范畴，在这一类方法中分类器对每个样本只学一次，而不是重复的学习，这样在线学习算法运行过程中不需要大量的存储空间来存储训练样本，分类器每获得一个样本，对其学习完成后就可以删除。

在线学习大大弱化了学习过程中手工标注这一繁琐的步骤，我们只需要手工标注一个较小的样本集用于分类器的初始训练，然后该分类器在执行分类任务时能够不断的获得新样本，从而持续的自我训练和改进，提高分类精度。注意，对于获得的新样本通常要求自动标注其类别，否则无法实现检测系统的智能化。但是如何对获得的新样本进行自动的正确的标注仍然没有很好的解决办法。而训练样本标注的正确与否决定了整个训练过程的有效性。这是在线学习的一个难点。

普通的AdaBoost分类器方法，由于需要大量的样本库进行训练，因此往往难以用于在线学习，尽管学者们提出了在线学习的AdaBoost分类器方法，但其实时性能还是相对较差。

bagging和boosting是最常用的集成学习算法，并且相对于单一模型的机器学习方法，它们能明显提高分类器的分类能力和泛化能力。但是集成学习方法属于离线的学习方法，由这种方法训练出的分类器是固定的，不能通过对新样本的学习，更新和改进自身的分类能力。一旦训练样本不够完备，或者选取的特征不合适，整个分类器必须重新训练，无法在原有基础上改进，这样必将耗费了大量时间和人力，因此在线学习方法应运而生。

在线学习是一种特定的学习方法，在这一类方法中，每一个样本只被学习一次，相应的不需要对学习样本进行存储，学习完后即可删除，节省了存储空间。这种学习方法最初主要应用于一些特定的场合，如训练样本并不是事先全部都准备好的，而是一个个逐步获取到的。这样，采用在线学习方法，每获得一个样本就学习一次，然后删除该样本，不需要太多的存储空间。目前手势跟踪算法主要是基于离线学习的方法，而手是不是刚体，不同时刻变化较大，同时在线学习可以学习光照的变化，从而提高系统的白适应性，因此采用在线学习进行跟踪从原理上具有更好的可行性。

发明内容

本发明通过图像传感器获取图像信息，手动选择初始正样本，利用相应的处理单元完成目标特征信息的提取，根据随机森林实现目标的分类，引进分类可靠性度量，根据与目标特征信息的相似程序来确定正负本，并用于训练随机森林分类器，最后利用KLT跟踪算法实现目标的准确高精度跟踪。

本发明为实现其目的而采用的技术方案是：一种基于在线学习的实时跟踪方法，包括以下步骤，

步骤A、获取目标视觉信息；

步骤B、以提高图像质量为目标，完成图像的降噪和增强；

步骤C、以在线学习方法提取正负样本和相应的特征，并用随机森林进行在线学习，得到目标，并利用可靠性准则对目标进行可靠性评估；

步骤D、利用光流法完成手势目标的跟踪。

其中：所述的步骤A中，目标视觉信息包括：目标的图像信息、轮廓信息。所述的步骤D中，采用KLT跟踪方法。

本发明还提供了一种基于在线学习的实时跟踪系统，包括图像感应单元、图像处理单元、影像显示单元；

所述的普通图像感应单元：负责获取视觉信息；

所述的图像处理单元：负责图像感应单元的图像去噪与目标增强；

其特征在于：还包括在线学习单元和KLT跟踪单元；

所述的影像显示单元：负责显示影像及图形界面；

所述的在线学习单元的输入端接所述的图像处理单元的输出端：包括目标特征信息提取单元、随机森林分类器、分类可靠性度量单元；

所述的目标特征信息提取单元：负责目标的特征信息获取，以便用于实时确定正负样本；

所述的随机森林分类器：利用提取的特征的信息进行分类器的设计和分类；

所述的分类可靠性度量：利用目标在帧间变化较小这一特征，进行分类器可靠性度量，保证跟踪的可靠性；

所述的KLT跟踪单元的输入端接所述的在线学习单元的输出端：利用在线学习检测到的结果，实现目标的高精度跟踪。

发明利用在影像显示设备上的图像传感和处理单元，通过对目标特征信息的提取和正负样本的自动标注，完成在线学习所需要的样本数据，然后利用随机森林进行学习和分类，完成目标的检测，再利用KLT跟踪算法和在线学习所提供的信息完成目标的准确跟踪，从而实现基于在线学习的实时跟踪系统设计与实现。