基于压缩感知特征选择的实时检测跟踪框架与跟踪方法技术

本发明专利技术提出了一种基于压缩感知特征选择的实时检测跟踪框架与跟踪方法（CFS），本发明专利技术能够对压缩后的特征进行选择，只使用区分度高的样本特征进行分类；本发明专利技术能够达到实时跟踪，而且避免了由于选择了错误的特征导致的跟踪失败现象，有效的抑制了不好的特征对跟踪结果的影响，并且明显提高了跟踪速度和跟踪精度。

Real time detection and tracking framework and tracking method based on compressed sensing feature selection

The invention provides a method for real-time detection of compressed sensing feature selection and tracking method based on tracking framework (CFS), the invention can select characteristics after compression, using only the sample feature discrimination of high classification; the invention can achieve real-time tracking, but also avoids the incorrect selection of characteristics of lead the tracking failure phenomenon, effectively inhibited the effects of bad characteristics of the tracking results, and significantly improves the tracking speed and tracking precision.

【技术实现步骤摘要】
基于压缩感知特征选择的实时检测跟踪框架与跟踪方法
本专利技术涉及目标跟踪领域，尤其涉及一种基于压缩感知特征选择的实时检测跟踪框架与跟踪方法。
技术介绍
公知，目标跟踪是计算机视觉技术中的一个重要领域，在军事，医疗，监控以及人机交互中有着重要的应用。最近几年来有许多方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方法都是具有自适应性的。一般来说跟踪方法可以分为两类：生成方法和判别方法。生成方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方法先后被提出。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方法目前得到了广泛的应用。但是，许多boosting方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。最近，MIL方法表明利用背景信息使用高维特征随机映射成低维特征进行分类，能够有效地将目标与背景区分开来。但是由于随机映射的特征有可能不适合用于分类，这将导致使用区分度不好的特征进行分类会对目标跟踪的效果产生不利的影响。
技术实现思路
本专利技术为了解决上述的技术问题，提出了一种基于压缩感知特征选择的实时检测跟踪框架与跟踪方法。本专利技术的技术方案是：一种基于压缩感知特征选择的实时检测跟踪框架与跟踪方法，包括下述步骤：步骤1，初始化参数，确定第t帧的目标所述的目标位置是一个矩形框，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。步骤2，令l(x)＝{row(x),col(x)}表示样本x的位置，包括样本中心的行坐标和列坐标，在周围半径s个像素内采集正样本集在周围半径r,β像素之间采集负样本集其中s，r，β是经验参数，单位为像素。步骤3，对正负样本集中每个样本提取n个类哈尔特征f(xt)＝{f1(xt),f2(xt),...,fn(xt)}。步骤4，使用正样本和负样本的特征训练弱分类器。步骤5，定义分类间隔对每个弱分类器进行评估，并选择弱分类器用于分类。步骤6，由选择出来的弱分类器组成第t帧的强分类器步骤7，在t+1帧的周围半径λ内采集测试样本使用Ht(x)对测试样本进行分类。步骤8，分类结果作为目标在t+1帧的位置步骤9，若t+1帧不是最后一帧，则令t＝t+1，返回步骤1。而且，所述的步骤2中s＝4，r的取值范围为6～10，β的取值范围为15～30。而且，所述的步骤3中还包括以下步骤：3.1设有模板集合其中元素定义为：对于宽度为w，高度为h的样本，与模板集T进行卷积，总共能生成m＝(wh)2个特征；3.2使用随机矩阵Rn×m对样本的m个特征进行压缩，n表示压缩后的向量维数。R中的元素rij满足以下条件：使用该矩阵对样本x的高维特征进行压缩。压缩后的特征为f(xt)＝{f1(xt),f2(xt),...,fn(xt)}＝RT(xt)，其中T(xt)表示实用模板集合T对样本xt进行卷积提取的m个特征的向量；其中，经验参数ζ表示稀疏度。而且，所述的步骤3.2中，表示稀疏度经验参数ζ＝4。而且，所述的步骤4还包括以下步骤：4.1假设正样本和负样本的特征符合正态分布，即正样本服从样本特征均值为μ1，样本特征标准差为σ1的正态分布N(μ1,σ1)，记为p(f(x)|y＝1)～N(μ1,σ1)，负样本服从样本特征均值为μ0，样本特征标准差为σ0的正态分布N(μ0,σ0)，记为p(f(x)|y＝0)～N(μ0,σ0)；利用正负样本求出参数μ1、σ1、μ0和σ0；正样本的参数更新方式为：其中，λ为学习率，表示直接求出的t时刻正样本特征均值，表示学习后t时刻的正样本特征均值，表示学习后t-1时刻的正样本特征均值，表示学习后t时刻的正样本特征的标准差，表示直接采样求出的正样本特征的标准差，表示t-1时刻的正样本的标准差；负样本的参数更新方式为：其中，λ为学习率，表示直接求出的t时刻负样本特征均值，表示学习后t时刻的负样本特征均值，表示学习后t-1时刻的负样本特征均值，表示学习后t时刻的负样本特征的标准差，表示直接采样求出的负样本特征的标准差，表示t-1时刻的负样本的标准差；4.2弱分类器hk(x)表示对样本x使用第k个特征分类。其中fk(x)表示样本x的第k个特征。而且，所述的步骤4.1和4.2中的学习率λ取0.85。而且，所述的步骤5中包括以下步骤：5.1定义其中np表示正样本的个数，nn表示负样本的个数，5.2选出margin值最大的前K个特征组成强分类器，其中ik表示选出用于分类的特征；5.3第t帧的强分类器的定义为而且，所述的步骤7中包括以下步骤：7.1在t+1帧的周围半径λ个像素内采集测试样本7.2求出每个样本的分类结果7.3则目标即为目标在t+1帧中的位置为作为优选，所述的步骤2中，取到的负样本的数量为正样集数量的1.5倍。本专利技术的有益效果是：本专利技术（CFS）与目前流行的其他跟踪方法的结果对比，从精度上优于其他各种方法。本专利技术能够达到实时跟踪，速度明显优于目前大多数跟踪方法。其次，本专利技术在跟踪精度上也明显优于大多数跟踪方法。最后，本专利技术避免了由于选择了错误的特征导致的跟踪失败现象，有效的抑制了不好的特征对跟踪结果的影响。附图说明图1是本专利技术的流程图；图2是本专利技术的Margin示意图；图3是测试视频序列david结果对比图。具体实施方式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压缩感知特征选择的实时检测跟踪框架与跟踪方法。本专利技术能够对压缩后的特征进行选择，只使用区分度高的样本特征进行分类，能够明显提高跟踪速度和跟踪精度。下面结合实施例及附图对本专利技术作进一步详细的描述，但本专利技术的实施方式不限于此。一种基于压缩感知特征选择的实时检测跟踪框架与跟踪方法，包括下述步骤：步骤1，初始化参数，确定第t帧的目标所述的目标位置是一个矩形框，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。步骤2，令l(x)＝{row(x),col(x)}表示样本x的位置，包括样本中心的行坐标和列坐标，在周围半径s个像素内采集正样本集在周围半径r,β像素之间采集负样本集其中s，r，β是经验参数，单位为像素，本专利技术中s＝4，r的取值范围为6～10，β的取值范围为15～30，取到的负样本的采集数量一般为正样本采集数量的1.5倍，本试验采集70个负样本。步骤3，对正负样本集中每个样本提取n个类哈尔特征f(xt)＝{f1(xt),f2(xt),...,fn(xt)}，步骤3还包括以下步骤：一个随机矩阵R∈Rn×m可以将一个高维向量x∈Rm映射到低维的向量空间v∈Rn，v＝Rx，这里n＜＜m。随机矩阵R如果满足RIP（有限等距性）条件则映射后的向量能够保值本文档来自技高网...

【技术保护点】
一种基于压缩感知特征选择的实时检测跟踪框架与跟踪方法，其特征在于：包括下述步骤：步骤1，初始化参数，确定第t帧的目标

【技术特征摘要】
1.一种基于压缩感知特征选择的实时检测跟踪框架与跟踪方法，其特征在于：包括下述步骤：步骤1，初始化参数，确定第t帧的目标所述的目标位置是一个矩形框，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；步骤2，令l(x)＝{row(x),col(x)}表示样本x的位置，包括样本中心的行坐标和列坐标，在周围半径s个像素内采集正样本集在周围半径r,β像素之间采集负样本集其中s，r，β是经验参数，单位为像素；步骤3，对正负样本集中每个样本提取n个类哈尔特征f(xt)＝{f1(xt),f2(xt),...,fn(xt)}；步骤4，使用正样本和负样本的特征训练弱分类器；步骤5，定义分类间隔对每个弱分类器进行评估，并选择弱分类器用于分类；所述的步骤5中包括以下步骤：5.1定义其中np表示正样本的个数，nn表示负样本的个数，5.2选出margin值最大的前K个特征组成强分类器，其中ik表示选出用于分类的特征；5.3第t帧的强分类器的定义为步骤6，由选择出来的弱分类器组成第t帧的强分类器步骤7，在t+1帧的周围半径λ内采集测试样本使用Ht(x)对测试样本进行分类；步骤8，分类结果作为目标在t+1帧的位置步骤9，若t+1帧不是最后一帧，则令t＝t+1，返回步骤1。2.根据权利要求1所述的一种基于压缩感知特征选择的实时检测跟踪框架与跟踪方法，其特征在于：所述的步骤2中s＝4，r的取值范围为6～10，β的取值范围为15～30。3.根据权利要求1所述的一种基于压缩感知特征选择的实时检测跟踪框架与跟踪方法，其特征在于：所述的步骤3中还包括以下步骤：3.1设有模板集合T＝{hij}i＝1:w；j＝1:h，其中元素定义为：对于宽度为w，高度为h的样本，与模板集T进行卷积，总共能生成m＝(wh)2个特征；3.2使用随机矩阵Rn×m对样本的m个特征进行压缩，n表示压缩后的向量维数，R中的元素rij满足以下条件：使用该矩阵对样本x的高维特征进行压缩，压缩后的特征为f(xt)＝{f1(xt),f2(xt),...,fn(xt)}＝RT(xt)，其中T(xt)表...

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