一种多特征迁移学习的实时压缩跟踪方法
【技术领域】
[0001] 本发明属于计算机视觉、机器学习技术领域，特别是一种多特征迀移学习的实时 压缩跟踪方法。
【背景技术】
[0002] 目标跟踪系统一般由三部分组成：（1)目标外观模型，用来评估候选区域与目标 之间的相似度；⑵运动模型，用于对目标在一段连续时间内的运动状态进行建模；（3)搜 索策略，用于在当前帧中搜索出最可能的目标区域；在这三个组成成分当中，目标外观模型 是不可或缺的部分。
[0003] 离线跟踪通过线下学习目标的外观模型，这种方式需要预先收集目标的大量样本 用于分类器的训练，并且训练过程耗时较长，不能自适应目标外观的变化；在线跟踪通过实 时更新目标外观模型，能够适应目标外观的变化，在分类器的训练过程中通常以跟踪到的 目标作为正样本，在正样本周围选取负样本，这种方式得到的训练样本较少，需要通过反复 的训练和测试来提高分类器的准确度；多实例跟踪通过选择多个正样本和多个负样本用于 分类器的训练，以上方式当目标发生部分遮挡时容易引入背景信息，造成分类器的错误更 新，最终导致跟踪漂移甚至丢失目标。
【发明内容】
[0004] 发明目的：本发明所要解决的技术问题是针对现有研宄的不足，提供一种多特征 迀移学习的实时压缩跟踪方法，从而提高目标跟踪的准确率。
[0005] 为了解决上述技术问题，本发明公开了一种多特征迀移学习的实时压缩跟踪方 法，包括以下步骤：
[0006] 步骤1，从视频的当前帧和先前帧跟踪到目标的帧中提取出训练样本用于分类器 的训练，训练样本包括目标领域样本和源领域样本，所述当前帧为第t帧，先前帧为第1帧 到第t_l帧，目标领域样本表示从当前帧中提取出来的样本，源领域样本表示从先前帧中 提取出来的样本；
[0007] 步骤2,从训练样本中提取出目标领域样本和源领域样本的特征，用不同尺寸的矩 形框与训练样本卷积得到对应尺寸（从1X1到wXh大小，w和h分别表示样本的宽和高） 的特征，将所述特征串联起来转成一维，得到高维特征，分别采用两个互补的稀疏映射矩阵 将高维特征投影到压缩域的低维特征，得到目标领域样本的压缩域特征和源领域样本的压 缩域特征；
[0008] 步骤3,根据目标领域样本的压缩域特征和源领域样本的压缩域特征分别构建各 自的朴素贝叶斯分类器，并融合形成最终的强分类器，使用所述最终的强分类器对待检测 样本进行分类，所述待检测样本为t+1帧中提取出的样本，当待检测样本的最大响应值小 于阈值时，暂停训练样本中源领域样本的更新，当待检测样本的最大响应值大于或等于阈 值时，重启对训练样本中源领域样本的更新；
[0009] 步骤4,采用由粗到精的二次搜索策略，对于待检测样本中的t+1帧以当前帧目标 所在的位置为圆心，以7。=25 (像素）为半径，以A。=4 (像素）为步长产生扫描窗口， 使用最终的强分类器找到响应值最大的窗口，并以此为圆心，以Yf= 1〇(像素）为半径， 以Af= 1(像素）为步长再次产生扫描窗口，使用最终的强分类器找到响应值最大的窗口 作为最终跟踪到的目标。
[0010] 其中，步骤1包括以下步骤：
[0011] 步骤1-1，提取目标领域样本：从跟踪到目标的当前帧中提取目标领域样本， lt(z。）表示当前帧跟踪到的目标中心位置，t表示当前帧，即第t帧，z。表示当前帧￡艮 踪到的目标窗口，在距离目标位置a= 4个像素范围内采集正样本，正样本用Z° = {z| | |lt(Z)-lt(zQ) | | <a}表示，lt(z)表示正样本的中心位置，z表示正样本所在的窗口， 并按照正样本与目标位置之间的距离按从小到大的顺序进行排序，在目标附近的环形区域 内随机采集负样本，负样本用ZY'e = {z|Y<I|lt(z)_lt(Z(l)II<自丨表示，丫表示环形 区域的内半径，其值取为8 (像素），丫>〇, 0表示外半径，其值取为30 (像素），采集的正 负样本组成目标领域样本；
[0012] 步骤1-2,提取源领域样本：从先前帧跟踪到目标的视频帧中提取源领域样本，源 领域样本中正样本的空间为N，在初始N帧（与正样本空间相同），把跟踪到的目标放入源 领域样本集的正样本空间中，正样本空间满后，用第t-1帧跟踪到的目标替换正样本中最 先加入的样本，负样本由目标领域样本中的负样本复制得到。
[0013] 步骤2包括以下步骤：
[0014] 步骤2-1，计算训练样本特征：使用矩形特征描述训练样本，每个矩形特征对应了 图像在这个矩形区域内的像素和，矩形的宽在1到w之间变化，高在1到h之间变化，w和h 分别表示样本的宽和高，矩形区域的位置随机选择，使用积分图加速矩形特征的计算；
[0015] 步骤2-2,生成原始稀疏测量矩阵：由步骤2-1在一个样本2 上产生的特征 经过串联后得到样本的特征空间x= (Xl，. . .，Xm)T，R表示样本集，Xm表示特征空间x中的 第m个特征，其中m= (wh)2表示特征空间的维数，其值在106~101(1之间，使用原始稀疏测 量矩阵对特征空间进行压缩，原始稀疏测量矩阵ru定义如下：
【主权项】
1. 一种多特征迁移学习的实时压缩跟踪方法，其特征在于，包括w下步骤： 步骤1，从视频的当前帖和先前帖跟踪到目标的帖中提取出训练样本用于分类器的训 练，训练样本包括目标领域样本和源领域样本，所述当前帖为第t帖，先前帖为第1帖到第 t-1 帖； 步骤2,从训练样本中提取出目标领域样本和源领域样本的特征，用不同尺寸的矩形框 与训练样本卷积得到对应尺寸的特征，将所述特征串联得到高维特征，分别采用两个互补 的稀疏映射矩阵将高维特征投影到压缩域的低维特征，得到目标领域样本的压缩域特征和 源领域样本的压缩域特征； 步骤3,根据目标领域样本的压缩域特征和源领域样本的压缩域特征分别构建各自的 朴素贝叶斯分类器，并融合形成最终的强分类器，使用所述最终的强分类器对待检测样本 进行分类，所述待检测样本为t+1帖中提取出的样本，当待检测样本的最大响应值小于阔 值时，暂停训练样本中源领域样本的更新，当待检测样本的最大响应值大于或等于阔值时， 重启对训练样本中源领域样本的更新； 步骤4,采用由粗到精的二次捜索策略，对于待检测样本中的t+1帖W当前帖目标所在 的位置为圆屯、，W半径丫。=25,W步长A。= 4产生扫描窗口，半径丫。和步长A。的单位 为像素，使用最终的强分类器找到响应值最大的窗口，并W此为圆屯、，W半径丫f= 1〇(像 素），W步长Af= 1 (像素）再次产生扫描窗口，使用最终的强分类器找到响应值最大的窗 口作为最终跟踪到的目标。
2. 如权利要求1所述的一种多特征迁移学习的实时压缩跟踪方法，其特征在于，步骤1 包括W下