基于高斯混合模型的刚体目标在线特征分类与跟踪方法技术

本发明专利技术涉及一种基于高斯混合模型的刚体目标在线特征分类与跟踪方法。该方法包括以下步骤：1)在初始图像中选定感兴趣的目标区域，并在目标区域检测SURF特征；2)为每个SURF特征创建分类器；3)在新图像到来时，利用分类器对初始图像中的SURF特征与新图像检测到的SURF特征进行匹配，形成匹配点对；在分类器的匹配过程中，采用基于高斯混合模型的在线分类机制判别正样本和负样本；4)根据匹配点对，采用随机采样一致性算法计算得出运动参数，从而确定当前图像的目标区域，实现目标跟踪。本发明专利技术能够应对视频中复杂的场景变化，保证跟踪的自适应能力，实现稳定连续、现实可用的目标跟踪。

Online classification and tracking method of rigid body target based on Gauss mixture model

The invention relates to a method for on-line classification and tracking of rigid body targets based on Gauss mixture model. The method comprises the following steps: 1) select the region of interest in the initial image, and detect the SURF features in the target area; 2) to create a classifier for each SURF feature; 3) in the new image comes, matching the SURF feature classifier using the SURF feature of the initial image and the new image is detected. The formation of the matching points; in the process of matching the classifier, the online classification mechanism of Gauss mixture model identification based on positive and negative samples; 4) according to the matching points, the random sample consensus algorithm to calculate the motion parameters, and determine the target area from the current image, target tracking. The invention can cope with complicated scene changes in video, guarantee the adaptive ability of tracking, and realize stable, continuous and realistic target tracking.

【技术实现步骤摘要】
基于高斯混合模型的刚体目标在线特征分类与跟踪方法
本专利技术属于计算机视觉
，具体涉及一种基于高斯混合模型的在线特征分类与跟踪方法。
技术介绍
刚体目标表面任意一点的运动都可以代表整体的运动，使得利用目标区域内的特征来描述目标运动成为可能。已有的刚体目标跟踪方法致力于提取参考图像目标区域内具有不变性的某些特征，并对提取的特征进行量化和描述，如颜色特征、纹理特征、光流特征。局部特征是指在图像区域内检测到的局部具有不变性、可重现性和特异性的特征，能够在一定程度上抵抗遮挡、尺度、旋转等复杂变化，并提供对特征的定量描述。目前，相比其他特征，局部特征在不变性和特异性方面优势愈专利技术显，使其更加深入的应用在目标跟踪中。在当前帧到来时，首先对整个区域提取局部特征并描述。进而，通过局部特征的匹配找到同上一目标内局部特征的候选对应集。借助随机采样一致性算法(RANSAC)，去除不正确的对应特征集，估计出运动变换参数，实现目标跟踪。图1给出了基于特征的跟踪方法框图，其主要思路在于将跟踪看成是局部特征匹配问题。目前，SURF(Speed-upRobustFeature，加速鲁棒特征)特征是应用较多且效果较为理想的局部特征之一，主要引入积分图像快速算法，并通过执行加减法运算近似得到高斯二阶微分的响应值。SURF算法主要包括特征检测和特征描述两方面。特征检测通过快速计算每个特征的尺度和主方向，并且圈定以检测点为中心的尺度旋转不变对称邻域；特征描述在该不变性邻域内进行Haar特征计算，并最终形成64维特征向量。不同图像之间的SURF特征匹配主要是通过比较特征向量之间的距离实现的。运动模型构建是通过SURF特征匹配完成的。假设x和x分别代表不同图像之间的对应SURF特征点，则二者之间有如下的关系：其中，W(x,h)是透视变换函数，h＝(h1,...h8)T是运动参数。具体表示如下：得出运动参数后，将初始帧的目标区域边界进行相应的透视变换，得到当前帧的目标区域。视频中常见的复杂场景变化主要包括以下3种：(1)几何变化。在视频的感兴趣区域内，物体的自身轴转，会引起视角发生变化；物体发生旋转或摄像机存在转动时，视觉中就会产生旋转变化；当场景和摄像机之间的相对距离发生变化时，场景中就会产生尺度变化；当上述的变化同时发生时，就会产生仿射或者透视变化。图2给出了几何变化的示例。(2)灰度变化。当光源或者拍摄物体表面反射条件发生变化时，会引起光照的变化，相关的图像区域灰度也会相应变化，对特征匹配造成影响。此外，当感兴趣区域被其他物体遮挡时，阴影区域也会产生灰度变化。(3)其他变化。当物体突然快速运动或摄像机剧烈抖动时，场景会出现模糊现象，会影响特征检测和描述。此外，在区分目标和背景的视频中，如果背景中包含与目标相似的区域，也会影响特征的匹配。在视频中，场景经常会出现以上的一种或多种变化，对局部特征的匹配造成了严重的干扰。现有技术沿用和静态图像相同的局部特征匹配方法，无法适应发生剧烈变化的场景，也没有体现与场景连续性变化相对应的自适应性。运动目标跟踪是计算机视觉领域极富挑战的研究课题，它不但具有广阔的研究意义，而且对整个视觉领域有着重要的推动作用。目前，刚体目标跟踪技术已经成为热点研究课题，在军事、民用等很多领域都存在十分广泛的应用，具有深远的经济、社会价值。在现实生活中，由于一些不利因素的存在，目标跟踪系统的设计仍然面临很大的困难和挑战，鲁棒性和稳定性需要进一步提升。如何在视频中对感兴趣的刚体目标进行准确和有效的定位，特别是在目标或背景发生复杂变化时，仍然能够保证跟踪的自适应能力，实现稳定连续、现实可用的跟踪系统，成为目标跟踪的关键问题，也是本专利技术要解决的技术问题。
技术实现思路
本专利技术针对上述问题，提出一种基于高斯混合模型的在线特征分类与跟踪方法，能够应对视频中复杂的场景变化，保证跟踪的自适应能力，实现稳定连续、现实可用的目标跟踪。本专利技术采用的技术方案如下：一种基于高斯混合模型的刚体目标在线特征分类与跟踪方法，包括以下步骤：1)在初始图像中选定感兴趣的目标区域，并在目标区域检测SURF特征；2)为每个SURF特征创建分类器，其中每个强分类器对应一个SURF特征，每个强分类器包括若干弱分类器；3)在新图像到来时，利用分类器对初始图像中的SURF特征与新图像检测到的SURF特征进行匹配，形成匹配点对；在分类器的匹配过程中，采用基于高斯混合模型的在线分类机制判别正样本和负样本；4)根据得到的匹配点对，采用随机采样一致性算法计算得出运动参数，从而确定当前图像的目标区域，实现目标跟踪。进一步地，还包括在线更新步骤：在对目标区域完成定位后，对建立对应关系的特征点对进行验证，对每个分类器进行在线更新。本专利技术的关键点包括：1)基于局部特征匹配解决刚体目标跟踪问题；2)在连续帧之间对刚体目标构建运动模型；3)利用分类器来实现局部特征匹配；4)基于高斯混合模型的在线分类机制；5)对高斯混合模型的自组织学习；6)在线更新使跟踪保持自适应性，保证了算法的系统性和完备性。与现有技术相比，本专利技术的有益效果如下：本专利技术提出了一种基于高斯混合模型的在线特征分类与跟踪方案，以应对视频中复杂的场景变化。首先，用分类的理念对SURF特征进行匹配，并引入可在线学习的分类器；利用适应当前目标变化的分类器实现同目标模型的匹配，并在目标模型内对局部特征构建动态2维尺度-旋转不变空间协同匹配；提出基于高斯混合模型的在线更新机制，并对混合模型的相关参数进行在线顺序更新(SequentialUpdating)、自组织学习样本特征，最终从本质提高了分类器的精度和自适应性。附图说明图1是现有技术中基于特征的跟踪方法框图。图2是几何变形类别示意图。图3是本专利技术方法的工作流程图。图4是基于扇形滑动窗口的主方向求解示意图。图5是尺度和旋转不变的分类器构建示意图。图6是基于简单二分决策分类机制的不足示意图。图7是高斯混合模型示意图(K＝3)。图8是目标跟踪示意图。图9是对高斯混合模型的自组织学习示意图。具体实施方式为使本专利技术的上述目的、特征和优点能够更加明显易懂，下面通过具体实施例和附图，对本专利技术做进一步说明。本专利技术提出了一种基于高斯混合模型的在线特征分类与跟踪方案，其工作流程如图3所示。在初始图像中，选定感兴趣的目标区域，并在目标区域检测SURF特征，为每个SURF特征创建一个分类器并作更新。在新的图像到来时，利用分类器对初始图像中的SURF特征与新图像检测到的SURF特征进行匹配，形成匹配点对。RANSAC过后，对目标进行定位，最后对分类器进行自适应更新，便于后续帧的处理。具体实现方案描述如下：步骤一：SURF特征提取SURF特征提取利用积分图像计算Hessian矩阵行列式，再通过选取极值来定位SURF特征点。具体地,对图像I上点x＝(x,y)处，尺度s的Hessian矩阵H(x,s)表示为：以Lxx(x,s)为例，代表高斯函数二阶导数在x＝(x,y)处与图形I的卷积，具体用方格滤波器(boxfilter)Dxx来近似。通过引入相关权重w(约等于0.9)，实现对Hessian矩阵行列式的平衡:det(Ηapprox)＝DxxDyy-(wDxy)2(4)对于SURF特征检测，建立尺度空间不需要本文档来自技高网...

【技术保护点】
一种基于高斯混合模型的刚体目标在线特征分类与跟踪方法，其特征在于，包括以下步骤：1)在初始图像中选定感兴趣的目标区域，并在目标区域检测SURF特征；2)为每个SURF特征创建分类器，其中每个强分类器对应一个SURF特征，每个强分类器包括若干弱分类器；3)在新图像到来时，利用分类器对初始图像中的SURF特征与新图像检测到的SURF特征进行匹配，形成匹配点对；在分类器的匹配过程中，采用基于高斯混合模型的在线分类机制判别正样本和负样本；4)根据得到的匹配点对，采用随机采样一致性算法计算得出运动参数，从而确定当前图像的目标区域，实现目标跟踪。

【技术特征摘要】
1.一种基于高斯混合模型的刚体目标在线特征分类与跟踪方法，其特征在于，包括以下步骤：1)在初始图像中选定感兴趣的目标区域，并在目标区域检测SURF特征；2)为每个SURF特征创建分类器，其中每个强分类器对应一个SURF特征，每个强分类器包括若干弱分类器；3)在新图像到来时，利用分类器对初始图像中的SURF特征与新图像检测到的SURF特征进行匹配，形成匹配点对；在分类器的匹配过程中，采用基于高斯混合模型的在线分类机制判别正样本和负样本；4)根据得到的匹配点对，采用随机采样一致性算法计算得出运动参数，从而确定当前图像的目标区域，实现目标跟踪。2.如权利要求1所述的方法，其特征在于，还包括在线更新步骤：在对目标区域完成定位后，对建立对应关系的特征点对进行验证，对每个分类器进行在线更新。3.如权利要求1或2所述的方法，其特征在于：步骤1)检测SURF特征时，利用积分图像计算Hessian矩阵行列式，再通过选取极值来定位SURF特征点，并通过调整方格滤波器的尺寸来建立尺度空间；SURF特征的旋转不变性通过求取主方向实现。4.如权利要求1或2所述的方法，其特征在于：步骤2)中，每个弱分类器对应SURF特征邻域内的一个Haar特征，Haar特征经过尺度和主方向的归一化，由弱分类器构成的强分类器同时具备尺度和旋转的不变性。5.如权利要求1或2所述的方法，其特征在于：步骤3)进行特征匹配时，用分类器在每一个新的SURF检测点的匹配分数来比较，匹配分数的值越大，表示当前检测点作为对应点的可能性越大。6.如权利要求1或2所述的方法，其特征在于：步...

【专利技术属性】
技术研发人员：苗权，王贵锦，李晗，吴昊，李锐光，程光，
申请(专利权)人：国家计算机网络与信息安全管理中心，
类型：发明
国别省市：北京,11