一种基于簇相似的多尺度目标跟踪方法技术

本发明专利技术提出了一种基于簇相似的多尺度目标跟踪方法，本方法的外观模型使用改进的类哈尔特征表示，可以适应目标尺度变化.首先对目标周围进行滑动窗口稠密采样，依据采样半径将样本划分为目标簇和背景簇，定义了一种粒子与簇之间的距离度量，并定义它们之间的相似度与距离成反比.当新帧到来时，粒子通过运动模型运动，根据粒子与目标簇和背景簇的相似度对粒子评分，评分最高的粒子作为目标在该帧的位置；为了适应跟踪过程中目标和背景的变化，设计动态更新机制对目标簇和背景簇的统计特征更新.在每帧跟踪结束时，根据粒子的评分值赋予粒子新的权值，并根据该权值进行粒子重采样以防止粒子退化，本方法能够在复杂条件下实现对目标的鲁棒跟踪。

【技术实现步骤摘要】

本专利技术属于目标跟踪
，涉及一种基于簇相似的多尺度目标跟踪方法。
技术介绍
目标跟踪在计算机视觉中一个重要领域，在军事，医疗，监控以及人机交互中有着重要的应用。最近几年来有许多算法用于解决目标跟踪的问题，但是由于目标的形变，光照的变化，以及目标被遮挡等原因，目标跟踪仍然是一个难点。目前主流的实时跟踪算法都是具有自适应性的。一般来说跟踪算法可以分为两类：生成算法和判别算法。生成算法能够学习目标的特征模型，然后搜索目标可能所在的区域，使用已学习的模型以最小误差重建的区域即为目标所在位置。为了解决目标形变问题，WSL和IVT算法先后被提出。最近，稀疏表示方法用来解决目标被部分遮挡的问题。但是这些生成模型都没有利用目标周围的背景信息，这些背景信息能够在检测目标时更好地将目标与背景分离出来。判别模型将目标跟踪看做一种将目标与背景分离出来的检测问题。在判别模型中，使用区分能力较好的特征能够有效的提高跟踪精度。使用多个弱分类器组成强分类器的boosting算法目前得到了广泛的应用。但是，许多boosting算法只利用了目标本身的信息，并没有利用目标背景的信息，所以当目标没有被精确的检测到之后，就会影响以后目标跟踪的精度，最终导致跟踪失败。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供了一种基于簇相似的多尺度目标跟踪方法。本专利技术所采用的技术方案是：一种基于簇相似的多尺度目标跟踪方法，包括以下步骤：步骤1:获取包括N帧的视频序列；步骤2:从t＝1帧开始，确定第t帧的目标它的位置为其中是一个矩形框，框内是需要跟踪的目标；包含四个参数，目标在该帧中的行坐标列坐标宽度width和高度height；初始化参数为0，参数是nf维的向量，这四个参数分别表示系统维持的全局目标簇χ+的均值、方差和全局背景簇χ-的均值、方差，其中上标“+”表示目标簇，“-”表示背景簇，下标i表示从样本提取出的第i个类哈尔特征；步骤3:在t＝1帧时初始化粒子集其中每个粒子表示一个测试样本,每个测试样本表示一种目标可能的状态.粒子的状态向量定义为这里xp,yp表示粒子所表示的样本在图像中的列坐标与行坐标,sp表示样本的尺度；步骤4：在第t帧,在周围半径rp个像素内采集目标簇样本集这里xt表示第t帧目标簇中的样本，l(xt)表示样本xt所在的坐标位置,表示样本xt和之间的距离(以像素为单位),表示第t帧的目标簇；在周围半径rin、ron像素之间采集背景簇样本集这里xt表示第t帧背景簇中的样本，l(xt)表示样本xt所在的位置,表示第t帧的背景簇；步骤5：对目标簇和背景簇中的每个样本提取nf个类哈尔特征；步骤6：计算目标簇和背景簇在第i个类哈尔特征和第t帧的统计特征其中i∈{1,...,nf本文档来自技高网...

【技术保护点】
一种基于簇相似的多尺度目标跟踪方法，其特征在于，包括以下步骤：步骤1:获取包括N帧的视频序列；步骤2:从t＝1帧开始，确定第t帧的目标它的位置为其中是一个矩形框，框内是需要跟踪的目标；包含四个参数，目标在该帧中的行坐标列坐标宽度width和高度height；初始化参数为0，参数是nf维的向量，这四个参数分别表示系统维持的全局目标簇χ+的均值、方差和全局背景簇χ‑的均值、方差，其中上标“+”表示目标簇，“‑”表示背景簇，下标i表示从样本提取出的第i个类哈尔特征；步骤3:在t＝1帧时初始化粒子集其中每个粒子表示一个测试样本,每个测试样本表示一种目标可能的状态.粒子的状态向量定义为这里xp,yp表示粒子所表示的样本在图像中的列坐标与行坐标,sp表示样本的尺度；步骤4：在第t帧,在周围半径rp个像素内采集目标簇样本集这里xt表示第t帧目标簇中的样本，l(xt)表示样本xt所在的坐标位置,表示样本xt和之间的距离,表示第t帧的目标簇；在周围半径rin、ron像素之间采集背景簇样本集这里xt表示第t帧背景簇中的样本，l(xt)表示样本xt所在的位置,表示第t帧的背景簇；步骤5：对目标簇和背景簇中的每个样本提取nf个类哈尔特征；步骤6：计算目标簇和背景簇在第i个类哈尔特征和第t帧的统计特征其中i∈{1,...,nf}，对于第t帧的目标簇和背景簇根据其中样本的特征计算均值和标准差；μt,i+=1npΣx∈χt+fi(x)]]>μt,i-=1nnΣx∈χt-fi(x)]]>σt,i+=1npΣx∈χt+(fi(x)-μt,i+)2]]>σt,i-=1nnΣx∈χt-(fi(x)-μt,i-)2]]>其中，其中np为目标簇中样本的个数；nn为背景簇中样本的个数，下标i表示是针对第i个类哈尔特征求出的统计特征,fi(x)表示从样本x中提取出的第i个类哈尔特征；步骤7：根据求得的使用学习率λ更新系统维持的目标簇和背景簇的参数步骤8：粒子集At在第t+1帧时使用2阶自回归模型进行移动，移动后的粒子集为At+1，根据步骤5中的方法提取出这些粒子的类哈尔特征，其中wt是与目标状态相互独立并且其各维度之间相互独立的白噪声,表示第t+1帧第i个粒子的状态向量；步骤9：在第t+1帧,根据步骤8得到的移动后的粒子集At+1，其中每个粒子表示一个测试样本，定义测试样本与系统维持的全局目标簇χ+之间的距离为其中i表示根据第i个特征计算出的距离其中χ+表示全局目标簇,表示目标簇χ+对应的第i个特征的均值,表示全局目标簇χ+对应的第i个特征的标准差；定义第t+1帧,测试样本与系统维持的全局背景簇χ‑之间的距离为为所有样本特征的距离之和，其中i表示根据第i个特征计算出的距离其中χ‑表示全局背景簇,表示背景簇χ‑对应的第i个特征的均值,表示全局背景簇χ‑对应的第i个特征的标准差；步骤10：根据步骤9得到的距离，定义第t+1帧测试样本与全局目标簇簇χ+之间的相似度为定义第t+1帧测试样本与全局背景簇簇χ‑之间的相似度为S(at+1(j),χ-)=exp(-d(at+1(j),χ-));]]>步骤11：根据步骤10得到的相似度，定义目标函数选择测试样本中与全局目标簇相似且与全局背景簇不相似的样本作为目标在t+1帧的位置；目标函数J(at+1(j))=S(at+1(j),χ+)S(at+1(j),χ-),]]>目标在t+1帧所在位置为xt+1*=argmaxat+1(j)∈At+1J(at+1(j));]]>步骤12:对于第t+1帧粒子集中At+1的每个粒子将作为其权值,并对这些权值进行归一化；步骤13:根据粒子的权值对粒子进行重采样；步骤14：若t+1帧是最后一帧，则本算法结束；若t+1帧不是最后一帧，则令t＝t+1，回转执行所述的步骤4。...

【技术特征摘要】
1.一种基于簇相似的多尺度目标跟踪方法，其特征在于，包括以下步骤：
步骤1:获取包括N帧的视频序列；
步骤2:从t＝1帧开始，确定第t帧的目标它的位置为其中是
一个矩形框，框内是需要跟踪的目标；包含四个参数，目标在该帧中的行
坐标列坐标宽度width和高度height；初始化参数为0，参数是nf维的向量，这四个参数分别表示系统
维持的全局目标簇χ+的均值、方差和全局背景簇χ-的均值、方差，其中上标“+”
表示目标簇，“-”表示背景簇，下标i表示从样本提取出的第i个类哈尔特征；
步骤3:在t＝1帧时初始化粒子集其中每个粒子表示一个测
试样本,每个测试样本表示一种目标可能的状态...

【专利技术属性】
技术研发人员：何发智，李康，潘一腾，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北;42