一种基于模糊学习的目标跟踪方法技术

本发明专利技术公开了一种基于模糊学习的目标跟踪方法，该方法主要分为三部分，首先在跟踪器方面，使用稀疏表示算法对目标进行跟踪；然后在检测器方面，使用级联分类检测器(其中包含方差分类器、集合分类器、最近邻分类器)对目标位置进行检测；最后在学习更新方面，使用模糊学习器对跟踪器和检测器输出结果进行综合，根据时间连续性、空间唯一性、相似性、目标大小一致性四种约束的隶属度得到目标最终位置。本发明专利技术基于模糊学习的目标跟踪方法在保证实时性的同时对目标光照变化有很好的适应性，提高了学习器的判别能力，从而改善了算法的跟踪准确性和鲁棒性；对于目标跟踪的研究与实际应用的开发都具有重要的理论与实际意义。

【技术实现步骤摘要】

本专利技术涉及一种目标跟踪方法，特别是涉及一种基于模糊学习的目标跟踪方法，属于计算机图形学、数字图像处理以及模式识别

技术介绍
近年来随着计算机硬件水平的提高、成像技术和存储成本的降低，图像和视频信息在社会生活中得到了越来越广泛地应用，从而推动了计算机视觉技术(computervision)取得了飞速发展，其中基于视觉技术的目标跟踪因其适用环境广、自动化程度高、信息获取简单、包含信息丰富等优势在智能视频监控、人机交互、机器人等领域得到了广泛的应用。视觉目标跟踪方法可以分为两大类，即基于视觉表征的方法和基于统计模型的方法。前者通常利用目标的一种或多种特征生成目标模型，并将目标跟踪看作寻找与目标模型最相似的区域的过程；而后者将目标跟踪转换成二分类问题，利用大量的目标图像和背景图像来训练分类器，分类器训练完成后，即可用来区分目标或是背景区域。其中后者充分利用了图像中的信息，包括目标信息和背景信息，因而具有更强的普适能力，对目标形变、光照影响、目标周围环境的变化等因素具有更强的鲁棒性，成为了目前跟踪领域发展的主流。文献(KalalZ,MikolajczykK,MatasJ.Tracking-learning-detection[J].IEEEtransactionsonpatternanalysisandmachineintelligence,2012,34(7):1409-1422)提出了基于半监督学习的跟踪－学习－检测(Tracking-Learning-Detection，TLD)算法，该算法利用跟踪模块与检测模块同时对目标进行定位，综合两者的结果得到目标的最终定位，利用P-N学习器对检测模块的分类器进行更新。不过该方法中，跟踪模块对于光照变化较为敏感且跟踪精度不高；P-N学习器规则简单，且采用简单的0-1硬分类方式，容易将错误样本引入分类器。故此，需要提出一种新的目标跟踪方法，一方面能够克服TLD算法的缺点，另一方面能够对光照变化有很好的适应性。
技术实现思路
本专利技术所要解决的技术问题是：提供一种基于模糊学习的目标跟踪方法，在保证实时性的同时对目标光照变化有很好的适应性，提高了学习器的判别能力，从而改善了算法的跟踪准确性和鲁棒性。本专利技术为解决上述技术问题采用以下技术方案：一种基于模糊学习的目标跟踪方法，包括如下步骤：步骤1，利用稀疏表示跟踪器对图像序列每一帧图像进行目标跟踪，得到各帧图像的目标；步骤2，利用级联分类检测器对图像序列每一帧图像进行检测，得到各帧图像的目标；步骤3，对步骤1和步骤2的检测结果进行综合，得到每一帧图像综合后的目标，根据时间连续性约束、空间唯一性约束、相似性约束、目标大小一致性约束，分别计算每一帧图像步骤2检测结果与综合后的目标位置之间的四个约束的隶属度，将四个约束的隶属度输入模糊学习器，进行模糊化，根据模糊规则进行模糊推理，求解模糊化，得到综合隶属度，将综合隶属度大于0.45的检测结果作为最终目标。作为本专利技术的一种优选方案，所述步骤1的具体过程包括以下步骤：步骤1-1，在图像序列的第一帧图像上，标定目标位置，提取目标特征，并对目标特征进行降维，利用降维后的目标特征初始化贝叶斯分类器的参数；步骤1-2，从图像序列的第二帧图像开始，以前一帧图像的目标位置为参照，在下一帧图像上提取邻近区域，且邻近区域的中心与前一帧图像的目标位置中心重合，在邻近区域中按从上到下、从左到右均位移5％的方式遍历，得到与目标大小相同的样本，提取各样本的目标特征，对目标特征进行降维，利用贝叶斯分类器对降维后的目标特征进行检测，根据各样本与前一帧目标的相似性程度判断样本是不是目标，同时，更新贝叶斯分类器的参数。作为本专利技术的一种优选方案，步骤1-2所述根据各样本与前一帧目标的相似性程度判断样本是不是目标的方法是：计算各样本与前一帧目标的相似性程度，相似性程度最大的样本即为目标；其中，相似性程度的计算公式为：H(v)=logΠk=1Kp(vk|y=1)p(y=1)Πk=1Kp(vk|y=0)p(y=0)=Σk=1Klogp(vk|y=1)p(vk|y=0)]]>其中，H(v)为相似性程度，K为样本的行数，vk为样本降维后的第k行，p(vk|y＝1)、p(vk|y＝0)分别为vk属于目标、背景的条件概率，p(y＝1)、p(y＝0)分别为样本属于目标、背景的概率。作为本专利技术的一种优选方案，所述步骤2的具体过程包括以下步骤：步骤2-1，在图像序列的第一帧图像上，标定目标位置，从第二帧图像开始，以前一帧图像的目标大小为参照，按从上到下、从左到右均位移10％的方式遍历，得到长宽均与目标长宽相同、均比目标长宽大20％、均比目标长宽小20％的样本，当样本大小小于20像素时，忽略不计；步骤2-2，对第二帧图像，计算各样本的方差，将方差小于当前帧整体图像方差的50％的样本去除；步骤2-3，将步骤2-2剩余样本送入组合分类器，预设基分类器的个数，对剩余样本进行平滑滤波降噪处理，然后在样本上选择13个像素点，在前一帧图像的目标的相应位置同样选择13个像素点，将样本上13个像素点的灰度值与前一帧图像的目标上13个像素点的灰度值一一比较，相同为1，不同为0，得到13位的二进制编码，将二进制编码映射为后验概率，计算所有基分类器输出的后验概率的均值，将均值大于0.5的样本保留；步骤2-4，将步骤2-3保留样本送入最近邻分类器，将当前帧前面所有帧图像的目标作为正样本放入样本库，并按照各帧顺序进行排序，按照预设个数在目标周围提取负样本，同样放入样本库，对保留样本和样本库中所有样本进行归一化，计算归一化保留样本在归一化样本库中的保守相似度，当保守相似度大于预设阈值时，保留样本为目标；步骤2-5，对剩下的所有帧图像，重复步骤2-2至步骤2-4对第二帧图像的操作，得到所有帧图像的目标。作为本专利技术的一种优选方案，步骤2-4所述保守相似度的计算公式：Sr(p,M)=S+(p,M)S+(p,M)+S-(p,M)]]>S+(p,M)=maxpa+∈MS(p,pa+)]]>S-(p,M)=maxpb-∈MS(p,pb-)]]>其中，Sr(p,M)为归一化保留样本p在归一化样本库M中的保守相似度，S+(p,M)、S-(p,M)分别为归一化保留样本与M中正样本、负样本的相似度，且S(p1,p2)＝0.5[NCC(p1,p2)+1]，其中，p1＝p，p2＝pa+或pb-，pa+、pb-分别为归一化正样本、负样本，n为归一化保留样本的像素个数，μ1、μ2分别为p1、p2的均值，σ1、σ2分别为p1、p2的标准差，p1(x)、p2(x)分别为归一化保留样本、归一化正样本或负样本第x个像素的灰度值。作为本专利技术的一种优选方案，步骤3所述时间连续性约束的隶属度计算公式为：uj,1=e-(xj-xi-1)2+(yj-yi-1)2]]>其中，xi-1,yi-1分别为前一帧图像目标中心的横、纵坐标，i-1表示前一帧，xj,yj分别为当前帧图像中经级联分类检测器判断为目标的样本中心的横、纵坐标，j＝1,…,J，J表示当前帧图像中经级联分类检测器判断为目标的样本的总个数。作为本专利技术的一种优选方案，步骤3所述空间唯一本文档来自技高网...

【技术保护点】
一种基于模糊学习的目标跟踪方法，其特征在于，包括如下步骤：步骤1，利用稀疏表示跟踪器对图像序列每一帧图像进行目标跟踪，得到各帧图像的目标；步骤2，利用级联分类检测器对图像序列每一帧图像进行检测，得到各帧图像的目标；步骤3，对步骤1和步骤2的检测结果进行综合，得到每一帧图像综合后的目标，根据时间连续性约束、空间唯一性约束、相似性约束、目标大小一致性约束，分别计算每一帧图像步骤2检测结果与综合后的目标位置之间的四个约束的隶属度，将四个约束的隶属度输入模糊学习器，进行模糊化，根据模糊规则进行模糊推理，求解模糊化，得到综合隶属度，将综合隶属度大于0.45的检测结果作为最终目标。

【技术特征摘要】
1.一种基于模糊学习的目标跟踪方法，其特征在于，包括如下步骤：步骤1，利用稀疏表示跟踪器对图像序列每一帧图像进行目标跟踪，得到各帧图像的目标；步骤2，利用级联分类检测器对图像序列每一帧图像进行检测，得到各帧图像的目标；步骤3，对步骤1和步骤2的检测结果进行综合，得到每一帧图像综合后的目标，根据时间连续性约束、空间唯一性约束、相似性约束、目标大小一致性约束，分别计算每一帧图像步骤2检测结果与综合后的目标位置之间的四个约束的隶属度，将四个约束的隶属度输入模糊学习器，进行模糊化，根据模糊规则进行模糊推理，求解模糊化，得到综合隶属度，将综合隶属度大于0.45的检测结果作为最终目标。2.根据权利要求1所述基于模糊学习的目标跟踪方法，其特征在于，所述步骤1的具体过程包括以下步骤：步骤1-1，在图像序列的第一帧图像上，标定目标位置，提取目标特征，并对目标特征进行降维，利用降维后的目标特征初始化贝叶斯分类器的参数；步骤1-2，从图像序列的第二帧图像开始，以前一帧图像的目标位置为参照，在下一帧图像上提取邻近区域，且邻近区域的中心与前一帧图像的目标位置中心重合，在邻近区域中按从上到下、从左到右均位移5％的方式遍历，得到与目标大小相同的样本，提取各样本的目标特征，对目标特征进行降维，利用贝叶斯分类器对降维后的目标特征进行检测，根据各样本与前一帧目标的相似性程度判断样本是不是目标，同时，更新贝叶斯分类器的参数。3.根据权利要求2所述基于模糊学习的目标跟踪方法，其特征在于，步骤1-2所述根据各样本与前一帧目标的相似性程度判断样本是不是目标的方法是：计算各样本与前一帧目标的相似性程度，相似性程度最大的样本即为目标；其中，相似性程度的计算公式为：H(v)=logΠk=1Kp(vk|y=1)p(y=1)Πk=1Kp(vk|y=0)p(y=0)=Σk=1Klogp(vk|y=1)p(vk|y=0)]]>其中，H(v)为相似性程度，K为样本的行数，vk为样本降维后的第k行，p(vk|y＝1)、p(vk|y＝0)分别为vk属于目标、背景的条件概率，p(y＝1)、p(y＝0)分别为样本属于目标、背景的概率。4.根据权利要求1所述基于模糊学习的目标跟踪方法，其特征在于，所述步骤2的具体过程包括以下步骤：步骤2-1，在图像序列的第一帧图像上，标定目标位置，从第二帧图像开始，以前一帧图像的目标大小为参照，按从上到下、从左到右均位移10％的方式遍历，得到长宽均与目标长宽相同、均比目标长宽大20％、均比目标长宽小20％的样本，当样本大小小于20像素时，忽略不计；步骤2-2，对第二帧图像，计算各样本的方差，将方差小于当前帧整体图像方差的50％的样本去除；步骤2-3，将步骤2-2剩余样本送入组合分类器，预设基分类器的个数，对剩余样本进行平滑滤波降噪处理，然后在样本上选择13个像素点，在前一帧图像的目标的相应位置同样选择13个像素点，将样本上13个像素点的灰度值与前一帧图像的目标上13个像素点的灰度值一一比较，相同为1，不同为0，得到13位的二进制编码，将二进制编码映射为后验概率，计算所有基分类器输出的后验概率的均值，将均值大于0.5的样本保留；步骤2-4，将步骤2-3保留样本送入最近邻分类器，将当前帧前面所有帧图像的目标作为正样本放入样本库，并按照各帧顺序进行排序，按照预设个数在...

【专利技术属性】
技术研发人员：周大可，徐勇，陈志轩，杨欣，王玉惠，
申请(专利权)人：南京航空航天大学，
类型：发明
国别省市：江苏;32