一种目标跟踪方法及装置制造方法及图纸

本发明专利技术提供一种目标跟踪方法及装置，属于计算机视觉与模式识别领域。用于解决现有目标跟踪算法复杂度高的问题。包括：在第Ⅰ帧中选择第一目标位置，将第一目标的跟踪结果确定为第一正样本，从多个第一正样本包和第一负样本包通过公式(1)，确定第一示例集的特征集，通过第一训练数据的特征矩阵公式(2)，确定第一MIL 1‑norm SVM，通过公式(3)，构造成第一最小支持示例集，通过公式(4)确定第一最小支持示例集的权值，通过公式(5)确定基于权值分配的MIL 1‑norm SVM对应的第一最小支持示例集的分类分数；在第I+1帧中通过第一MIL 1‑norm SVM对候选样本进行分类，根据第二最小支持示例集的权值和公式(6)确定第I+1帧图像中的第二目标位置。

【技术实现步骤摘要】

本专利技术属于计算机视觉与模式识别领域，具体涉及一种目标跟踪方法及装置。
技术介绍
目标的自动跟踪是计算机视觉研究领域的重要课题之一，其广泛应用于智能监控、交通流量分析，车载系统导航及人机交互等各个方面。研究稳健的目标跟踪系统具有重要的意义及研究价值。由于实际跟踪系统往往受环境光照、杂乱背景，遮挡及目标自身尺度和形变的影响，导致跟踪精度的下降甚至跟踪漂移的现象，难以达到实际工程的要求。由于在目标跟踪过程中，目标的尺度、旋转及遮挡问题导致目标跟踪模板的退化，造成误差累积，从而影响跟踪系统的性能。因此，建立有效的目标模板对于提高跟踪系统的稳定性至关重要。常用的目标模板可分为生成式模板(英文为：generativemodel)和判别式模板(英文为：discriminativemodel)。由于基于生成式模板的跟踪算法在跟踪过程中只利用第一帧图像中目标信息建立模板，在后续帧跟踪过程中通过寻找与所建立目标模板最相似的区域进行跟踪，其未考虑跟踪过程中目标自身及背景环境的变化，故当目标外观变化及环境遮挡，相似物干扰时，该方法跟踪鲁棒性较差。基于判别式模板的跟踪算法由于同时利用来自目标区域的正样本及背景区域的负样本训练分类器，在跟踪过程中通过训练二分类器实现目标与背景的分离，其跟踪鲁棒性往往高于基于生成式模板的跟踪算法。基于多示例学习的目标跟踪算法作为判别式模板跟踪的典型算法，近年来在跟踪系统中得到了广泛的应用并表现出较好的跟踪性能。在多示例学习跟踪算法中，其训练数据由正负样本包表示，若包中含有正样本，其包为正包，反之，包为负包。在该跟踪算法中，包具有正负标记，而组成包的示例无标记。其通过多个包组成的训练数据学习得到分类器，由分类器寻找测试包中最正确的示例作为跟踪结果。多示例跟踪系统根据所预测的目标位置，在其最佳跟踪位置一定邻域区域内采样正负样本示例组成训练正负样本包。然而满足上述采样要求的样本示例较多，并且，其所构造的正样本包中往往含有大量的负样本。因此，在分类器训练过程中包中包含大量对分类无用的示例，从训练角度来看，大量的训练数据会增加算法计算的复杂度并影响分类器的性能。综上所述，现有的目标跟踪算法存在正负样本包中的示例太多，导致分类器性能下降及算法计算复杂度高的问题。
技术实现思路
本专利技术实施例提供一种目标跟踪方法及装置，用以解决现有目标跟踪算法存在正负样本包中的示例太多，导致分类器性能下降及算法计算复杂度高的问题。本专利技术实施例提供一种目标跟踪方法，其特征在于，包括：在图像序列第Ⅰ帧中选择第一目标位置，对所述第一目标进行跟踪，将所述第一目标的跟踪结果确定为第一正样本，通过公式(1)，确定从多个所述第一正样本构造成的第一正样本包和第一负样本构成的第一负样本包中提取的第一正负样本包的梯度特征；根据所述第一正负样本包的梯度特征，确定所述第一正样本包和所述第一负样本包中包括的第一示例集的特征集，将所述第一示例集的特征集确定为第一训练数据的特征矩阵；通过多示例学习框架，所述第一训练数据的特征矩阵，以及公式(2)确定第一MIL1-normSVM，通过所述第一MIL1-normSVM对所述第一示例集进行分类，通过公式(3)将所述第一示例集中符合第一阈值的所述第一示例集构造成第一最小支持示例集，通过公式(4)确定所述第一最小支持示例集的权值，根据所述第一最小支持示例集的权值和第一遗忘因子，通过公式(5)确定基于权值分配的MIL1-normSVM对应的所述第一最小支持示例集的分类分数；在图像序列第I+1帧中选择候选样本，通过所述第一MIL1-normSVM对所述候选样本进行分类，根据所述分类结果以及所述公式(4)，确定第二最小支持示例集的权值，根据所述第二最小支持示例集的权值，所述第一最小支持示例集的分类分数和公式(6)确定所述第I+1帧图像中的第二目标位置；所述公式(1)如下：g＝min(|gx|+|gy|,255)所述公式(2)如下：y=sign(Σk∈Λwk*g(Bi,xk)+b*)]]>所述公式(3)如下：Λj*={k:k∈Λ,xij∈Bi,j*=argmaxje-||xij-xk||σ2本文档来自技高网...

【技术保护点】
一种目标跟踪方法，其特征在于，包括：在图像序列第Ⅰ帧中选择第一目标位置，对所述第一目标进行跟踪，将所述第一目标的跟踪结果确定为第一正样本，通过公式(1)，确定从多个所述第一正样本构造成的第一正样本包和第一负样本构成的第一负样本包中提取的第一正负样本包的梯度特征；根据所述第一正负样本包的梯度特征，确定所述第一正样本包和所述第一负样本包中包括的第一示例集的特征集，将所述第一示例集的特征集确定为第一训练数据的特征矩阵；通过多示例学习框架，所述第一训练数据的特征矩阵，以及公式(2)确定第一MIL 1‑norm SVM，通过所述第一MIL 1‑norm SVM对所述第一示例集进行分类，通过公式(3)将所述第一示例集中符合第一阈值的所述第一示例集构造成第一最小支持示例集，通过公式(4)确定所述第一最小支持示例集的权值，根据所述第一最小支持示例集的权值和第一遗忘因子，通过公式(5)确定基于权值分配的MIL 1‑norm SVM对应的所述第一最小支持示例集的分类分数；在图像序列第I+1帧中选择候选样本，通过所述第一MIL 1‑norm SVM对所述候选样本进行分类，根据所述分类结果以及所述公式(4)，确定第二最小支持示例集的权值，根据所述第二最小支持示例集的权值，所述第一最小支持示例集的分类分数和公式(6)确定所述第I+1帧图像中的第二目标位置；所述公式(1)如下：g＝min(|gx|+|gy|,255)所述公式(2)如下：y=sign(Σk∈Λwk*g(Bi,xk)+b*)]]>所述公式(3)如下：Λj*={k:k∈Λ,xij∈Bi,j*=arg maxje-||xij-xk||σ2}]]>所述公式(4)如下：ht(xs)=Σk∈Λj*wk*s(xk,xs)mk]]>所述公式(5)如下：H(xs)=Σte-1tht(xs)]]>所述公式(6)如下：lt+1*=l(arg maxx∈XγH(x))]]>其中，g为所述第一正负样本包的梯度特征，gx为所述第一正负样本包水平方向的梯度，gy为所述第一正负样本包垂直方向的梯度，b*分别为权值向量的和偏置的最优值，xk为第k个样本，Bi为任意样本包，y为判别函数，为w*中非零元素的索引，为与包Bi相关的第一最小支持示例索引集，xij为任意样本包Bi中第j个示例，为指数函数，σ2为预定义因子，ht(xs)为第一最小支持示例的分类权值，mk代表支持示例xk的极大值个数，H(xs)为第一最小支持示例集的分类分数，为相应的遗忘因子，t为帧数，为第t+1中的目标位置，l(x)为采样样本所在的位置，x∈Xγ为在搜索区域γ内的样本，对于第t+1帧图像，以第t帧位置为中心，γ＝30为搜索半径采样形成候选样本集Xγ，即...

【技术特征摘要】
1.一种目标跟踪方法，其特征在于，包括：在图像序列第Ⅰ帧中选择第一目标位置，对所述第一目标进行跟踪，将所述第一目标的跟踪结果确定为第一正样本，通过公式(1)，确定从多个所述第一正样本构造成的第一正样本包和第一负样本构成的第一负样本包中提取的第一正负样本包的梯度特征；根据所述第一正负样本包的梯度特征，确定所述第一正样本包和所述第一负样本包中包括的第一示例集的特征集，将所述第一示例集的特征集确定为第一训练数据的特征矩阵；通过多示例学习框架，所述第一训练数据的特征矩阵，以及公式(2)确定第一MIL1-normSVM，通过所述第一MIL1-normSVM对所述第一示例集进行分类，通过公式(3)将所述第一示例集中符合第一阈值的所述第一示例集构造成第一最小支持示例集，通过公式(4)确定所述第一最小支持示例集的权值，根据所述第一最小支持示例集的权值和...

【专利技术属性】
技术研发人员：杨红红，曲仕茹，金红霞，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61