專利名稱：投票權值在線自適應調整的目標圖像區(qū)域跟蹤方法
技術領域：
本發(fā)明涉及一種投票權值在線自適應調整的目標圖像區(qū)域跟蹤方法。
背景技術：
目標跟蹤可以認為是圖像中背景與目標物的二分類器問題，在Boosting算法基礎上所構造的分類器能夠在圖像中獲取關于特定目標物的高判別性特征，一些學者提出了將該方法應用于目標跟蹤領域，其中Grabner將Boosting方法用于特征的選取,籍此構造一個可增量更新的外觀模型。Advian通過Adaboost方法從弱分類器池中選取一組分類器在視頻圖像中檢測最可能為目標物的圖像區(qū)域。上述方法是在背景樣本與目標樣本出現(xiàn)概率相等的假設前提下最小化分類誤差，當背景樣本出現(xiàn)的概率遠大于目標物時，尤其在目標物受到遮擋時，這些方法所構造的分類器更易于將目標物判別為背景，從而直接導致跟蹤的失敗。

發(fā)明內容
本發(fā)明要解決的技術問題是提供一種通過調整弱分類器的投票權值來增強分類器對目標物與背景的分類能力，以提高目標跟蹤的穩(wěn)定性的目標圖像區(qū)域跟蹤方法。本發(fā)明的基本思想設計一個可在線更新的目標物外觀模型，即，在每一幀視頻中確定目標圖像區(qū)域后，都會將確定的目標圖像作為訓練樣本來訓練分類器，包括調整投票權值；其思路是在新輸入視頻巾貞中的不同預估位置上采集Haar特征,并利用Boosting構造的分類器對這些位置的圖像區(qū)域進行似然度的計算，將具有最大似然度的圖像區(qū)域作為當前幀中的目標圖像區(qū)域。為了提高分類器對目標物外觀變化的適應性，通過設置弱分類器池使得分類器以在線的方式進行更新，進一步提高分類器對目標物外觀變化的適應性；，根據(jù)各弱分類器的分類誤差調整樣本的分布權值，使得分類器對于視頻幀中目標物的出現(xiàn)具有較強的敏感性，因此該發(fā)明所設計的目標跟蹤方法能夠更為穩(wěn)定地對視頻中的目標物進行跟蹤。所以為解決上述技術問題，本發(fā)明提供了一種目標圖像區(qū)域跟蹤方法，包括步驟一、在一視頻的第一幀圖像中，選取任意一區(qū)域作為目標圖像區(qū)域，并記錄該目標圖像區(qū)域在所述第一幀圖像中的位置，在該目標圖像區(qū)域周圍隨機采集背景圖像區(qū)域。步驟二、設置T個弱分類器池，并設定每個弱分類器池中包括的弱分類器個數(shù)N。步驟三、所述目標圖像區(qū)域和背景圖像區(qū)域分別作為目標圖像區(qū)域樣本和背景圖像區(qū)域樣本，以計算Haar特征值X，且設Haar特征值x都服從高斯分布，即目標圖像區(qū)域樣本的Haar特征值所服從的高斯分布函數(shù)為N(y +，o +)，而背景圖像區(qū)域樣本的Haar特征值所服從的高斯分布函數(shù)為N(y _，oj根據(jù)所述目標圖像區(qū)域樣本、背景圖像區(qū)域樣本進行訓練，以分別調整所述目標圖像區(qū)域樣本的Haar特征值高斯分布的均值U +和背景圖像區(qū)域樣本的Haar特征值高斯分布的均值μ-
將所述目標圖像區(qū)域樣本和背景圖像區(qū)域樣本的Haar特征值輸入各弱分類器， 則各弱分類器以閾值分類器的形式對于Haar特征值的判別值h (X)計算為
權利要求
1.一種目標圖像區(qū)域跟蹤方法，包括步驟一、在一視頻的第一幀圖像中，選取任意一區(qū)域作為目標圖像區(qū)域，并記錄該目標圖像區(qū)域在所述第一幀圖像中的位置，在該目標圖像區(qū)域周圍隨機采集背景圖像區(qū)域；步驟二、設置T個弱分類器池，并設定每個弱分類器池中包括的弱分類器個數(shù)N ；步驟三、所述目標圖像區(qū)域和背景圖像區(qū)域分別作為目標圖像區(qū)域樣本和背景圖像區(qū)域樣本，以計算Haar特征值x,且設Haar特征值x都服從高斯分布，即目標圖像區(qū)域樣本的Haar特征值所服從的高斯分布函數(shù)為Ν( μ +，。+)，而背景圖像區(qū)域樣本的Haar特征值所服從的高斯分布函數(shù)為Ν( μ _，σ J；根據(jù)所述目標圖像區(qū)域樣本、背景圖像區(qū)域樣本進行訓練，以分別調整所述目標圖像區(qū)域樣本的Haar特征值高斯分布的均值μ +和背景圖像區(qū)域樣本的Haar特征值高斯分布的均值μ —；將所述目標圖像區(qū)域樣本和背景圖像區(qū)域樣本的Haar特征值輸入各弱分類器，則各弱分類器以閾值分類器的形式對于Haar特征值的判別值h (X)計算為IiiCx) = sign(x — μ+^μ~) · sign(jli4 — |i_)’Sm步驟四、根據(jù)目標圖像區(qū)域樣本和背景圖像區(qū)域樣本，通過累積重要性權值計算出各弱分類器的分類誤差e，并以具有最小分類誤差的弱分類器作為弱分類池中所選取的弱分類器，并計算相應弱分類器的投票權值α :當分類誤差e >0.5時，α為O;當分類誤差e < O. 5 時,a = log[(l-e)/e]；步驟五、在所述視頻的下一幀圖像中，根據(jù)上一幀視頻所記錄的目標圖像區(qū)域樣本在該視頻幀中的位置，在該位置周圍隨機采樣可能成為當前幀圖像中的目標圖像區(qū)域的候選圖像區(qū)域；步驟六、累計各弱分類器池中所選出的弱分類器對于候選圖像區(qū)域的判別值Iii (X)， 并計算出每個候選圖像區(qū)域的似然度conf (Xi),選取具有最大似然度conf (Xi)的候選圖像區(qū)域作為所述當前幀中的目標圖像區(qū)域，其中似然度conf(x)的計算公式為eonf(x) = 2f=i ο, · L· (x)；其中a i表示第i個弱分類器池中所選出的弱分類器的投票權值；步驟七、根據(jù)所述步驟六選取的目標圖像區(qū)域記錄該目標圖像區(qū)域樣本在當前幀圖像中的位置，在該目標圖像區(qū)域周圍隨機采集背景圖像區(qū)域；返回步驟三，完成后續(xù)一幀圖像中的目標圖像區(qū)域跟蹤。
2.根據(jù)權利要求1所述的目標圖像區(qū)域跟蹤方法，其特征在于，所述步驟三中根據(jù)所述目標圖像區(qū)域樣本、背景圖像區(qū)域樣本進行訓練，以分別調整所述目標圖像區(qū)域樣本的 Haar特征值高斯分布的均值為μ +和背景圖像區(qū)域樣本的Haar特征值高斯分布的均值為 μ -的方法包括_ QnKn*l = ^ '+Ε> μ n+l = Kn · Xn+(1-Kn) · μ η其中，Kn，Kn+1，Qn為中間變量，其中Qn+1 = (1-κη+1) .Qn，用于μη+1的調整計算，R為白噪聲。
3.根據(jù)權利要求1所述的目標圖像區(qū)域跟蹤方法，其特征在于，所述步驟四中通過累積重要性權值計算出各弱分類器的分類誤差e的方法包括 分類誤差e的計算公式為
4.根據(jù)權利要求3所述的目標圖像區(qū)域跟蹤方法，其特征在于，所述目標圖像區(qū)域樣本和背景圖像區(qū)域樣本構成訓練樣本；所述重要性權值λ的更新方法包括所述分類器池對訓練樣本的分布情況進行估計，并生成相應的估計值，即樣本分布權值；在每一幀視頻中完成目標跟蹤任務后，對每一個弱分類器池的樣本分布權值進行更新；在樣本分布權值更新過程中，每一個弱分類器池的樣本分布權值計算都依賴于前一個已更新樣本分布權值的分類器池；依次通過對每個弱分類器池的樣本分布權值進行更新計算以更新所有弱分類器池分布權值；根據(jù)訓練樣本的實際類別以及分類器池所選弱分類器對訓練樣本的判別結果，分別將樣本分布權值分為4類，即Dtp、Dfp、Dtn、Dfn，其中，D為用于在各分類器池之間傳遞分布權值； 若訓練樣本實際類別為目標圖像區(qū)域樣本，而弱分類器判別結果為目標圖像區(qū)域樣本時，則第i個弱分類器池所具有的樣本分布權值更新過程為=i取值范圍為.1,2,3……，N ;隨后更新分布權值的傳遞值
全文摘要
本發(fā)明涉及一種投票權值在線自適應調整的目標圖像區(qū)域跟蹤方法，其步驟在新輸入視頻幀中的不同預估位置上采集Haar特征，并利用Boosting構造的分類器對這些位置的圖像區(qū)域進行似然度的計算，將具有最大似然度的圖像區(qū)域作為當前幀中的目標圖像區(qū)域。通過設置弱分類器池使得分類器以在線的方式進行更新，進一步提高分類器對目標物外觀變化的適應性；根據(jù)各弱分類器的分類誤差調整樣本的分布權值，使得分類器對于視頻幀中目標物的出現(xiàn)具有較強的敏感性，因此該發(fā)明所設計的目標跟蹤方法能夠更為穩(wěn)定地對視頻中的目標物進行跟蹤。
文檔編號G06T7/20GK102999760SQ20121037516
公開日2013年3月27日 申請日期2012年9月28日 優(yōu)先權日2012年9月28日
發(fā)明者錢誠 申請人:常州工學院