一种结合特征筛选与二次定位的快速压缩跟踪方法

文档序号:9668198阅读:647来源:国知局
一种结合特征筛选与二次定位的快速压缩跟踪方法
【技术领域】
[0001] 本发明涉及一种结合特征筛选与二次定位的快速压缩跟踪方法,该方法能够应对 目标出现短时遮挡的情况,属于图像处理技术领域,可应用于目标的快速跟踪。
【背景技术】
[0002] 目前目标跟踪在计算机视觉领域有着非常重要的地位和极其广泛的应用,是近年 来的热点研究问题,积累了相当的研究成果。但是由于现有的目标跟踪方法分别存在着计 算复杂度高、计算量大、准确性不够以及跟踪速度慢等缺点,所以创造性地结合现有的一些 成果,设计出一种准确快速的目标跟踪方法显得尤为迫切。
[0003] 在计算机视觉领域内,目标跟踪方法主要可分为两大类方法:第一类是传统的目 标跟踪方法,第二类是将目标跟踪归结为一个二元分类问题,即目标类和背景类,并通过分 类器从背景中检测出目标来实现跟踪。
[0004] 传统的方法里MeanShift算法对颜色变化敏感,而且受搜索窗口的限制,无法实现 运动幅度较大的目标跟踪;CamShift算法对目标与背景颜色相近的跟踪效果会变差; Kalman滤波在非线性场合下不适用,对其使用造成了一定的限制;而粒子滤波则对粒子退 化现象很敏感。
[0005] 第二类方法中粒子滤波框架下L1跟踪算法计算复杂度高,因此限制了它在实时系 统中的应用;基于AdaBoost的在线特征选择方法的分类器设计很容易受到噪声的影响,且 易因累积误差而导致跟踪漂移;多示例学习跟踪算法可以实时的训练具有判决性的分类 器。但是,如果目标发生严重遮挡,分类器更新时仍然会受到遮挡区域的影响,最终因误差 积累而导致跟踪漂移;KaihuaZhang等提出的实时压缩跟踪算法有着不错性能,不过首先 压缩特征的随机性较强,会影响分类器的分类准确性,其次压缩特征的分布使用固定学习 率进行更新,比较盲目,容易引入噪声,影响抗遮挡性能。再者,跟踪阶段要用分类器检测采 样区域内的所有样本,计算量大。因此,针对二元分类的单目标跟踪问题,以不同的思路改 进以往方法的不足是可能且有重要意义的。

【发明内容】

[0006] 本发明的目的是克服现有技术的上述不足,提出一种具有较好的抗短时遮挡性 能,且实时性非常好的结合特征筛选与二次定位的快速压缩跟踪方法(Fastcompressive trackingalgorithmcombiningfeatureselectionwithsecondarylocalization,简 称FSSL-CT)。为此,本发明采用如下的技术方案:
[0007] 1.根据目标的初始位置,采集正负样本集;
[0008] 2.用子区域模板对每个样本划分5个子区域;
[0009] 3.提取压缩特征。用样本的各个子区域之与一系列不同尺度的矩形滤波器卷积, 得到多尺度特征,将这些特征组成的高维向量通过随机测量矩阵降到低维,即可得到50个 压缩特征;
[0010] 4.利用正负样本集估计每个压缩特征在正、负类中的分布;
[0011] 5.利用Bhattacharyya系数度量相邻两帧之间目标特征分布的差异,并设定更新 阈值,当差异超过更新阈值时,当前帧中该特征在正类中的分布将不会更新;
[0012] 6.利用Bhattacharyya系数度量当前帧中每个压缩特征在正、负类之间分布的差 异,将此差异作为学习率,更新压缩特征的分布参数;
[0013] 7 .根据步骤6中得到的分布差异计算对应特征的权值,对特征按其权值从大到小 排序,根据需要按权值选取特征加权构建朴素贝叶斯分类器;
[0014] 8.以5个像素为采样间隔对候选区域内的样本采样,通过分类器找出跟踪目标的 粗略位置;
[0015] 9.以步骤8中得到的位置为中心,缩小候选区域范围,采集该区域内的所有样本, 通过分类器找到目标的最终位置。
[0016] 与现有技术相比,本发明的有益效果是:
[0017] 1.抗短时遮挡能力更好。本发明对样本划分了子区域,并使用Bhattacharyya系数 度量分布的差异性,根据差异决定模型更新学习率、目标模型的更新,能够更好的应对目标 短时遮挡问题,自适应学习率的使用克服了固定学习率无法匹配目标特征变化速度的问 题;
[0018] 2.速度快。采用二次定位的策略,且在不同阶段使用不同数量的特征构建分类器 判别候选样本,提高了跟踪速度。
[0019] 3.在保证跟踪准确性的同时,还具有更好的抗短时遮挡能力和实时性。
【附图说明】
[0020] 图1为本发明的流程图;
[0021] 图2为子区域模板;
[0022]图3为降维示意图;
[0023] 图4 (a)为B= 0.998时特征v1的分布情况;
[0024] 图4 (b)为B= 0.882时特征v2的分布情况;
[0025] 图4 (c)为B= 0.4578时特征v3的分布情况;
[0026] 图5为二次跟踪定位不意图。
[0027] 图6(3)为视频序列?8〇6〇(^2的中心误差曲线;
[0028]图6(b)为视频序列Girl的中心误差曲线;
[0029]图6(c)为视频序列Jogging的中心误差曲线;
[0030]图6(d)为视频序列Hat的中心误差曲线;
[0031]图6(e)为视频序列Light的中心误差曲线;
[0032]图 7 为视频序列Face0cc2 的第 16、272、701、780帧;
[0033] 图8为视频序列Girl的第231、332、440、467帧;
[0034]图9为视频序列Jogging的第53、78、79、231帧;
[0035] 图10为视频序列Hat的第36、295、429、515帧;
[0036] 图 11 为视频序列Light的第 86、188、279、320 帧。
【具体实施方式】
[0037]本发明的流程如图1所示,首先,采集正、负样本,对采集的正、负样本划分子区域, 从各个子区域中分别提取压缩特征,根据样本估计出各个压缩特征在正、负类中的分布;然 后,提出一种基于自适应学习率和正类更新阈值的策略,更新正、负类中的特征分布;最后, 在跟踪的不同阶段,获取不同的候选样本集,并从全部特征中筛选出部分优质特征加权构 建分类器,通过检测候选样本集定位跟踪目标。下面结合附图,对本发明技术方案的具体实 施过程加以说明。
[0038] 1.采集正、负样本;
[0039]根据事先设定的采样半径,在以目标中心为圆心的圆形区域内采集样本,其中,离 目标距离近的样本作为正样本,即人脸样本;离目标较远的样本作为负样本,即背景样本。
[0040] 2.划分子区域
[0041] 为了提高算法的抗遮挡性能,对每个样本按其全局区域划分为五个子区域,划分 子区域的模板如图2所示。
[0042] 3.压缩特征提取
[0043] 在每个子区域内,与一系列不同尺度的矩形滤波器F1U卷积得到样本图像ZeRwXh 的多尺度特征,F1U定义如下:
[0044]
[0045] 其中,1 <i和1 <j是矩形滤波器的宽度和高度,w和h是子区域的宽度和高 度。
[0046] 由公式可知,样本图像Z的多尺度特征是用wXh个矩形滤波器对其滤波得到的。为 了方便降维处理,将每个矩形滤波器的滤波结果都表示为一个列向量,最后样本图像特征 的高维向量就是每个矩形滤波器滤波结果列向量的组合。
[0047] 对高维的图像特征进行降维,即用随机测量矩阵对与高维特征相乘,有效地实现 了对多尺度特征的压缩,降维过程如图3所示。而降维所用的随机测量矩阵则是通过随机数 发生器产生的一种非常稀疏的矩阵,定义如下:
[0048]
123456 当s= 0(m)时,此矩阵几乎能够与随机高斯矩阵同样准确,且每一行最多只有4个 非零值需要计算,能在很大程度上降低所需的存储空间,提高算法速度。 2 4.估计特征在正、负类中的分布 3 压缩特征的提取就是特征由高维向低维的随机映射过程,而高维随机特征的随机 4 映射几乎总是服从高斯分布。利用特征在正、负样本集中的特征值就可以估计出期望和方 5 差,从而得到特征分布。 6
[0052] 5.特征分布的更新
[0053] 本方法采用Bhattacharyya系数(简称巴氏系数)度量分布之间的差异性。由于特 征的分布是连续的高斯分布,所以巴氏系数的表达式为:
[0054]
[0055] 其中Be[ 0,1 ],表示两个分布之间的重叠度。
[0056] 5.1自适应学习率
[0057]在相同的两帧之间,各个特征的分布变化是不同的,采用固定学习率很难保证更 新后的特征分布能够有效反映其真实分布,当二者不匹配时,构建的分类器的性能就会下 降;
[0058]本方法利用正、负类中各个特征在相邻两帧之间的分布计算巴氏系数,将巴氏系 数作为学习率,更新相应特征的分布。
[0059] 5.2正类中特征分布的更新
[0060]目标跟踪过程中经常会遇到遮挡的情况,虽然已经划分了子区域,但当目标被遮 挡的区域很大时,仍然会使绝大多数的特征受到影响,此时若继续更新这些特征的分布,就 会使分类器将遮挡物体误认为是目标,当遮挡物体与目标分离时,跟踪窗口也会随之偏离 真实的目标。
[0061] 所以,对于正类中的特征,设定一个更新阈值T,只有当巴氏系数B>T时,才更新特 征分布,否则保持原有分布不变,从而有效避免遮挡
当前第1页1 2 
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