[发明专利]基于支持向量机的多特征选择目标跟踪方法

摘要

本发明公开了基于支持向量机的多特征选择目标跟踪方法，其步骤为：获取正负样本，提取样本的多种特征；抽取候选目标，提取目标的多种特征；对所有特征进行核化处理；训练SVM分类器；计算置信值，判别候选目标；更新分类器；评估跟踪性能。本发明能够解决单一特征描述目标能力较差的问题以及克服单一正样本训练的分类器分类能力较弱的缺点，能够在光照影响较大、目标出现严重遮挡等复杂场景下提高目标跟踪器的精度和稳健性。

主权项

基于支持向量机的多特征选择目标跟踪方法，其特征在于，包括以下步骤：(1)利用简单跟踪器跟踪视频序列的前n帧，将每帧的跟踪结果分别作为一个正样本，共得到n个正样本，同时在当前帧的跟踪结果附近获取若干负样本，分别提取正、负样本的多个特征；(2)在跟踪过程中，对于新到来的每帧图像，分别抽取N个粒子作为候选目标，并对抽取的候选目标采用步骤(1)中提取正、负样本特征的方式提取目标特征；所述候选目标的抽取方法为，在上一帧图像的跟踪目标的周围进行高斯采样，选取跟踪目标的运动仿射参数作为跟踪目标的状态变量S_t＝(ψ_t,β_t,θ_t,s_t,α_t,φ_t)，抽取候选目标；其中ψ_t、β_t、θ_t、s_t、α_t、φ_t分别表示跟踪目标在第t帧x方向上的坐标、y方向上的坐标、旋转角度、尺度变化、宽高比、倾斜度；(3)对于从正、负样本以及候选目标中提取出的特征进行核化处理，使所有特征的维数达到相同；具体过程如下：用和分别表示正、负样本的两种特征集合，和分别表示候选目标的两种特征集合；用统一表示正负样本的两种特征集合，统一表示候选目标的两种特征集合；其中，m为负样本数，k表示特征索引，mk表示对应第k个特征的维数；按照下面的方式对和进行核化处理：经过核化处理，对任意特征k，都有不同的特征核化后的维数只与正、负样本总的个数有关，从而使所有特征在维数上达到相同；(4)利用正、负样本训练支持向量机分类器；具体包括：采用训练支持向量机的方法对不同特征的正负样本进行训练，已知的目标正负样本可以归为一个训练集：x_i是训练样本的特征向量，y_i是训练样本对应的标签，即y_i∈{‑1,+1}，为使分类器对所有样本正确分类并具备分类间隔，要求其满足：y_i[(w·x_i)+b]≥1，i＝1，2，…c其中，w为权值向量，b为偏置，得到分类间隔为2/||w||，采用带约束的最小值问题代替构造最优超平面的问题得：$min\mathrm{\Φ}\left(w\right)=\frac{1}{2}\left|\right|w|{|}^2=\frac{1}{2}(w^{\′}\·w)$引入Lagrange函数：$L=\frac{1}{2}\left|\right|w|{|}^2-\underset{i=1}{\overset{c}{\Σ}}{a}_i{y}_i(w\·x_i+b)+\underset{i=1}{\overset{c}{\Σ}}{a}_i$其中，a_i＞0为Lagrange系数，将该QP问题转化为对偶问题(a＝(a₁,a₂,…a_c))：$\max Q\left(a\right)=\underset{j=1}{\overset{c}{\Σ}}{a}_j-\frac{1}{2}\underset{i=1}{\overset{c}{\Σ}}\underset{j=1}{\overset{c}{\Σ}}{a}_i{a}_j{y}_i{y}_j\left(x_i{x}_j\right),$

×

专利文献下载

说明：

1、专利原文基于中国国家知识产权局专利说明书；

2、支持发明专利 、实用新型专利、外观设计专利（升级中）；

3、专利数据每周两次同步更新，支持Adobe PDF格式；

4、内容包括专利技术的结构示意图、流程工艺图或技术构造图；

5、已全新升级为极速版,下载速度显著提升！欢迎使用！

请您登陆后，进行下载，点击【登陆】 【注册】

友情链接：交换友情链接需要网站权重大于4，网站收录10W以上，如符合条件，请联系QQ：。

关于我们 寻求报道 投稿须知 广告合作 版权声明 网站地图 友情链接 企业标识 联系我们

周一至周五 9:00-18:00

版权所有http://www.vipzhuanli.com/公布日期

咨询在线客服

tel code back_top

服务热线：

投诉建议：

扫一扫，微信关注钻瓜专利网

定制专利/购买专利

行业大牛为您服务 快来咨询~