一種基于直推的魯棒視覺跟蹤方法
【專利摘要】本發明公開了一種基于直推的魯棒視覺跟蹤方法，包括以下步驟：在第一幀中手動獲得初始目標；在后續幀中，通過粒子濾波采樣獲得大量候選目標，作為未標記樣本，而將以前的跟蹤結果作為標記樣本，以所有樣本為頂點建立一張圖；通過最小化代價函數，獲得候選目標屬于真實目標的置信度，并將具有最大置信度的候選目標作為當前估計；最后更新正樣本集，將置信度高的樣本加入到正樣本集，并刪除置信度低的樣本。本發明解決了運動目標外觀變化較大的問題，提出了一種基于圖直推學習的視覺目標魯棒跟蹤方法，可廣泛應用各種公共場所的視頻監控，同時還可以用于機載偵察與監視系統，獲得可觀的軍事效益和提升公共安全服務。
【專利說明】一種基于直推的魯棒視覺跟蹤方法
【技術領域】
[0001]本發明屬于計算機視覺和模式識別【技術領域】，尤其涉及一種基于直推的魯棒視覺跟蹤方法。
【背景技術】
[0002]運動目標跟蹤作為計算機視覺領域的一項最基礎的核心技術，它是后續的各種聞級處理，如目標識別、目標行為分析、視頻圖像的壓縮編碼等高層次視頻處理和應用理解的基礎。目標跟蹤的實質是通過對圖像傳感器拍攝到的視頻序列進行分析，計算出目標在每幀圖像中的位置、大小和運動速度等參數。其難點在于圖像是從三維空間到二維平面的投影，本身存在信息損失，而且運動目標并不是一個確定不變的信號，它在跟蹤過程中會發生旋轉、縮放、位移等各種復雜的變化。除此之外，背景復雜、攝像機發生相對位移、光照變化、目標被遮擋等因素都會增加運動目標跟蹤的復雜性。因此，在復雜環境下如何對運動目標進行準確、魯棒的跟蹤依然是一項非常具有挑戰性的任務。
[0003]目前有大量關于目標跟蹤方面的文獻，大致可以將它們分為兩類:基于模板匹配的跟蹤和基于分類的跟蹤，基于模板匹配的跟蹤，首先對目標進行有效地描述，然后在圖像中搜索與模板最匹配的區域作為目標在當前圖像中的狀態。這種方法本質上是在高維數據空間中，尋找最近鄰域數據。但是，對于內部和外部都變化的圖像來說，很難找到一個合適的模板來有效地描述目標。一種改進的方法是，讓模板不斷更新以適應目標的變化，但這樣也會產生問題:誤差的積累使得模板偏移真實的目標。典型的基于模板的方法如，特征跟示，WSL跟!?示,核跟!?示和SMOG跟示。
[0004]最近基于分類的跟蹤受到了廣泛的關注。這種方法將跟蹤問題當作分類問題來處理，目的是尋找一個目標和背景之間的最優分類面，從而在圖像序列中跟蹤目標，為了適應目標和背景的變化，這類方法采取更新決策面的策略，取代模板法中的更新目標模板方法。與模板匹配的不同之處在于，基于分類的跟蹤不僅考慮目標信息，而且還考慮背景信息。Lin等利用Fisher線性判別函數在子空間中對目標區域和背景區域分類，取得了比較好的結果，Nguyen等也是采用Fisher線性判別函數來分類，不同之處在于它們選用的特征不同，前者是全局特征，而后者是局部特征。由于Fisher線性判別函數最優的前提條件是目標和背景都是等方差單高斯分布，而在實際中很難滿足這個假設。
[0005]1.1VT跟蹤技術方案及其缺陷。
[0006]IVT跟蹤技術假設目標在特征子空間中保持恒定，在粒子濾波的框架下，通過增量PCA變換獲得目標的特征向量，實現對目標的魯棒跟蹤。其跟蹤流程如下:
[0007]( I)在第一幀中，手動標定目標的位置；
[0008](2)初始化目標的特征基和均值；
[0009](3)在下一幀中，利用粒子采樣獲得大量的候選目標；
[0010](4)在當前幀中，根據觀測模型計算每個粒子的似然概率，從而獲得該粒子的權重；[0011](5)存儲似然概率最大的粒子。當存儲的粒子積累到一定程度后，對樣本的特征基，均值進行增量更新。
[0012](6)執行第(3)步。
[0013]IVT跟蹤技術通過上述迭代過程實現對目標的魯棒跟蹤。這種方法的缺陷在于，它們僅僅關注目標信息，完全忽略了背景信息，而在實際中，背景信息對目標跟蹤是有很大幫助的。
[0014]2.圖嵌入跟蹤模型技術方案及其缺陷。
[0015]圖嵌入模型跟蹤技術將跟蹤問題看作分類問題來處理，將目標和背景分布嵌入到圖模型中，解決背景多模態的問題，其跟蹤流程如下:
[0016](I)根據目標上一幀目標的狀態和當前觀測圖像，得到目標在當前圖像的估計；
[0017](2)根據當前目標狀態獲得目標的重建誤差，并依據重建誤差在當前圖像中對目標進行采樣；
[0018](3)根據基于圖的觀測模型，計算每個粒子的似然概率；
[0019](4)根據正負樣本，獲得每個粒子的最大后驗概率；
[0020](5)更新正負樣本；
[0021](6)執行(2)。
[0022]然而這種方法有兩個潛在的前提假設:(I)目標是高斯分布；(2)目標和背景是線性可分的。此外，這種方法中負樣本選取的好壞將直接影響到跟蹤結果。
[0023]但是，現有的技術對于目標特征變化較大沒有很好的處理方法，且在使用中受限。
【發明內容】
[0024]本發明實施例的目的在于提供一種現有的技術對于目標特征變化較大沒有很好的處理方法，且在使用中受限的問題。
[0025]本發明實施例是這樣實現的，一種基于直推的魯棒視覺跟蹤方法，所述基于直推的魯棒視覺跟蹤方法包括以下步驟:
[0026]在第一幀中手動獲得初始目標；
[0027]在后續幀中，通過粒子濾波采樣獲得大量候選目標，作為未標記樣本，而將以前的跟蹤結果作為標記樣本，以所有樣本為頂點建立一張圖；
[0028]通過最小化代價函數，獲得候選目標屬于真實目標的置信度，并將具有最大置信度的候選目標作為當前估計；
[0029]最后更新正樣本集，將置信度高的樣本加入到正樣本集，并刪除置信度低的樣本。
[0030]進一步,通過應用Lucas-kanade算法預測計算p (zt | Zt^1),獲得大量候選目標。
[0031]進一步,計算P (zt Izw)的具體步驟為:
[0032]圖像中目標的狀態可以用仿射圖像變換表示，用W(s，p)表示仿射變換:
[0033]
【權利要求】
1.一種基于直推的魯棒視覺跟蹤方法，其特征在于，所述基于直推的魯棒視覺跟蹤方法包括以下步驟: 在第一幀中手動獲得初始目標； 在后續幀中，通過粒子濾波采樣獲得大量候選目標，作為未標記樣本，而將以前的跟蹤結果作為標記樣本，以所有樣本為頂點建立一張圖； 通過最小化代價函數，獲得候選目標屬于真實目標的置信度，并將具有最大置信度的候選目標作為當前估計； 最后更新正樣本集，將置信度高的樣本加入到正樣本集，并刪除置信度低的樣本。
2.如權利要求1所述的基于直推的魯棒視覺跟蹤方法，其特征在于，通過應用Lucas-kanade算法預測計算p (zt | ζΜ),獲得大量候選目標。
3.如權利要求2所述的基于直推的魯棒視覺跟蹤方法，其特征在于，計算P
4.如權利要求1所述的基于直推的魯棒視覺跟蹤方法，其特征在于，在候選目標中采樣用含有隱含變量的一階馬爾科夫模型來描述運動目標的跟蹤過程。
5.如權利要求4所述的基于直推的魯棒視覺跟蹤方法，其特征在于，一階馬爾科夫模型來描述運動目標的跟蹤過程的步驟為:根據P (Zt I Zt^1)，在當前圖像中采樣，獲得候選目標， 假設目標在t時刻的真實狀態和觀測狀態分別為Zt和ot，跟蹤問題可以描述為:已知觀測狀態Ot=11, O2,…，ot}和t時刻以前的估計狀態Zf1= (Z1, Z2,…，zt_J來估計目標在t時刻的狀態zt，根據貝葉斯準則，可以表示為如下形式:
6.如權利要求1所述的基于直推的魯棒視覺跟蹤方法，其特征在于，通過計算圖拉普拉斯得到真實目標的置信度。
7.如權利要求6所述的基于直推的魯棒視覺跟蹤方法，其特征在于，圖拉普拉斯計算的具體步驟為: 得到標記樣本和未標記樣本，所有樣本丨屬于.,樣本?*/匕的標記為Ii e {-1, 1}，圖可以分為三個子圖:標記樣本構成的子圖，未標記樣本構成的子圖以及標記樣本和未標記樣本構成的子圖,相應的權重矩陣可以表不為:
8.如權利要求1所述的基于直推的魯棒視覺跟蹤方法，其特征在于，利用最小化代價函數，并獲得候選目標的置信度的具體步驟為:
令{(Xi, Yi),..., (X1, Yi) I 為標記樣本，IiGMli ,Yi e {1，…，c}, {x1+1 …x1+u}是未標記樣本，l〈〈u，分別用L和U來分別表示標記樣本集和未標記樣本集，在本文中只考慮兩類情形，即 C=2, 相似樣本具有相同的標記，圖的頂點表示所有的樣本點，包括標記樣本和未標記樣本，圖的邊表示所連接點的相似性，定義兩個頂點(\，\)之間的權重如下:
9.如權利要求1所述的基于直推的魯棒視覺跟蹤方法，其特征在于，狀態估計，通過直推學習，獲得候選目標屬于目標的置信度f的步驟為: 選擇具有最大置信度的候選目標，作為當前圖像中的目標估計，
10.如權利要求1所述的基于直推的魯棒視覺跟蹤方法，其特征在于，更新正樣本集，將正樣本集合記做
【文檔編號】G06K9/62GK103530604SQ201310450216
【公開日】2014年1月22日 申請日期:2013年9月27日 優先權日:2013年9月27日
【發明者】查宇飛, 熊磊, 畢篤彥, 何林遠, 王晨 申請人:中國人民解放軍空軍工程大學