视频目标在线多特征跟踪方法

文档序号:6539867阅读:178来源:国知局
视频目标在线多特征跟踪方法
【专利摘要】本发明揭露了一种视频目标在线多特征跟踪方法,所述方法包括对输入的视频首帧选取待检测目标,计算选取区域稀疏特征的值;将选取区域作为正样本,背景区域作为负样本,分别提取数据特征;计算视频序列新一帧候选区域的稀疏特征值,进行目标匹配跟踪;更新分类器和参数,进行新一轮目标跟踪。本发明通过对待检测目标稀疏特征表示,降低计算复杂性,并采用实时更新分类器的方法,实现在线跟踪,使得目标不易丢失,达到稳定的跟踪效果。
【专利说明】视频目标在线多特征跟踪方法
【【技术领域】】
[0001]本发明涉及人工智能及识别【技术领域】,特别涉及一种视频目标的在线多特征跟踪方法。
【【背景技术】】
[0002]随着计算机软硬件的持续快速发展,各种基于视频图像的应用软件开始涌入人们的视野,极其便利的操作方便了用户的日常生活。但目前主要的应用局限于视频的初级阶段(采集、编码、传输、播放等),有针对性的高级应用较少;另外有越来越多的摄像头,出现在生活的各个角落,尤其是安防领域,公司、学校、住宅区,这些摄像头通常会产生数据量庞大的实时视频数据,需要大量人力监控以及极大的存储设备。作为视频应用的高级阶段,视频目标检测与跟踪也成为了目前国内外计算机视觉领域中持续的热点方向。
[0003]现阶段已有众多的跟踪算法被提出,且取得了一些成功。在线学习的boosting目标跟踪方法,在目标发生剧烈外观变化时具有良好的跟踪适应性。其主要工作是通过选择不同特征,把目标从背景中区分出来,分类器通过自身学习进行更新。压缩感知目标跟踪算法方法采用正交匹配算法有效解决了最优化问题。从被检测目标周边选取正、负样本,构造成投影矩阵,新目标位置为矩阵中正样本所对应的系数最大的位置,快速的提取特征,能够达到实时跟踪检测目标的效果。
[0004]但是在真实环境中仍旧有未解决的问题(位置、光照、遮挡和运动等的外观改变等),限制了这些最先进算法应用于商业领域。在线学习的boosting目标跟踪方法,很容易产生跟踪框漂移,且由于学习特征维数巨大,对于商用电脑的配置,帧速率很低,制约了实时检测的效果。压缩感知目标跟踪算法能够达到实时跟踪检测目标的效果,但目标描述特征单一,在目标纹理、运动或光照变化剧烈时容易产生漂移,甚至跟丢。那么,如何实现视频目标准确跟踪并满足 实时性需求是现有技术中的一大难题。

【发明内容】

[0005]本发明的目的在于提供一种视频目标在线多特征跟踪方法,所述目标在线多特征跟踪方法通过对待检测目标稀疏特征表示,降低计算复杂性,并采用实时更新分类器的方法,实现在线跟踪,使得目标不易丢失,达到稳定的跟踪效果。
[0006]为了达到本发明的目的,根据本发明的一个方面,本发明提供一种视频目标在线多特征跟踪方法,所述方法包括:对输入的视频首帧选取待检测目标,计算选取区域稀疏特征的值;将选取区域作为正样本,背景区域作为负样本,分别提取数据特征;计算视频序列新一帧候选区域的稀疏特征值,进行目标匹配跟踪;更新分类器和参数,进行新一轮目标跟
足示O
[0007]利用压缩感知算法V=RlX提取选取区域特征,其中X e Rnxi为原始区域数据,V e Rkxi为压缩后的特征值,Rl e Rkxn(k << η)为测量矩阵;R1为稀疏阵,表示为:
[0008]
【权利要求】
1.一种视频目标在线多特征跟踪方法,其特征在于,所述方法包括: 对输入的视频首帧选取待检测目标,计算选取区域稀疏特征的值; 将选取区域作为正样本,背景区域作为负样本,分别提取数据特征; 计算视频序列新一帧候选区域的稀疏特征值,进行目标匹配跟踪; 更新分类器和参数,进行新一轮目标跟踪。
2.根据权利要求1所述的视频目标在线多特征跟踪方法,其特征在于,所述对输入的视频首帧选取待检测目标,计算选取区域稀疏特征的值包括: 利用压缩感知算法V=RlX提取选取区域特征,其中X e Rnxi为原始区域数据,V ∈ Rkxi为压缩后的特征值,Rl e Rkxn(k << n)为测量矩阵。Rl为稀疏阵,表示为:
3.根据权利要求2所述的视频目标在线多特征跟踪方法,其特征在于,稀疏特征值的表示,则实际特征Vl为原始特征的加权和:
4.根据权利要求2所述的视频目标在线跟踪多特征方法,其特征在于,根据Rl生成随机测量矩阵R2,表示为:
5.根据权利要求1所述的视频目标在线多特征跟踪方法,其特征在于,将选取区域作为正样本,背景区域作为负样本,分别提取数据特征包括: 待检测目标的每个特征是被检目标的概率为:

6.根据权利要求1所述的视频目标在线多特征跟踪方法,其特征在于,计算视频序列新一帧候选区域的稀疏特征值,进行目标匹配跟踪包括: 当样本(x,y),y e {0,1}产生时,η个特征选择器顺序生成,每次生成均对m个特征进行更新:当hm (x) =y时,C累加;当hm(x) ^ y累加。 更新完毕后,每个特征选择器挑选当前最小累积错误率的特征作为其对应的弱分类器-A = K*,其中m+=argmmin ( ε m) επ为每个特征的累积错误率,
7.根据权利要求1所述的视频目标在线多特征跟踪方法,其特征在于,更新分类器和参数,进行新一轮目标跟踪包括: 更新分类器Hn(V)为:

【文档编号】G06K9/62GK103870839SQ201410083904
【公开日】2014年6月18日 申请日期:2014年3月6日 优先权日:2014年3月6日
【发明者】狄岚, 陈茜 申请人:江南大学
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1