專利名稱：基于學習和加速魯棒surf特征的目標跟蹤方法
技術(shù)領(lǐng)域：
本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，涉及視頻目標跟蹤方法，可應(yīng)用于智能監(jiān)控、目標跟蹤和人機界面。
背景技術(shù)：
序列圖像的目標跟蹤是圖像處理技術(shù)應(yīng)用的重要組成部分，它是指通過對輸入的視頻圖像序列進行分析，確定各幀中目標所在的位置，獲得相關(guān)的參數(shù)。目標跟蹤是計算機視覺中關(guān)鍵技術(shù)之一，融合了圖像處理、模式識別和人工智能等領(lǐng)域，在機器人視覺導航、安全監(jiān)測、交通管制、視頻壓縮以及氣象分析等許多方面都有廣泛應(yīng)用。如軍事方面，已被成功地應(yīng)用于武器的成像制導、軍事偵察和監(jiān)視等；民用方面，如視覺監(jiān)控，已被廣泛地應(yīng)·用于社會生活的各方面。目標跟蹤可應(yīng)用于社區(qū)和重要設(shè)施的保安監(jiān)控；用于智能交通系統(tǒng)中進行車輛的實時追蹤，可以得到車流量、車型、車速、車流密度等等許多有價值的交通流參數(shù)，同時還可以檢測事故或故障等突發(fā)狀況。天津大學提出的專利申請“一種基于模板匹配的目標跟蹤方法”(專利申請?zhí)?01010529681. 2，公開號CN102004898A)公開了一種基于模板匹配的目標跟蹤方法。該方法中模板圖像和待匹配區(qū)域的像素按照圓形排列為多個子窗口，采用圓形模板匹配準則確保目標具有平移和旋轉(zhuǎn)不變性，采用Kirsch算子計算模板和跟蹤窗內(nèi)各像素的邊緣強度值，將灰度匹配值與強度匹配值之和作為匹配結(jié)果，最佳匹配值的位置確定為跟蹤目標的位置，但是它的缺陷是當目標發(fā)生遮擋時，匹配出現(xiàn)誤差導致跟蹤失敗。上海電機學院提出的專利申請“一種視覺目標識別與跟蹤方法”(專利申請?zhí)?01010537843. 7，公開號CN101986348A)，公開了一種視覺目標識別與跟蹤方法。該跟蹤方法包括默認第零幀搜索窗口與圖像等大，第一幀圖像識別并獲得包圍框，然后是搜索窗口的預(yù)測，它利用圖像處理方法對包圍框和其中特征點進行計算，同時在目標跟蹤的基礎(chǔ)上提出了一種可預(yù)測的搜索窗口的方法，對標志的目標進行運動預(yù)測和跟蹤，縮小了搜索范圍，該跟蹤方法雖然對提高實時性有一定的效果，但是當運動目標發(fā)生遮擋或者快速變化時，運用上述預(yù)測搜索窗方法則無法實現(xiàn)準確跟蹤。

發(fā)明內(nèi)容
本發(fā)明的目的在于針對上述現(xiàn)有技術(shù)的不足，提出一種基于學習和加速魯棒SURF特征的目標跟蹤方法，以提高目標跟蹤對目標發(fā)生遮擋和運動快速變化的準確性。實現(xiàn)本發(fā)明的思路是在視頻第一幀定義正負樣本來訓練一個分類器，輸入視頻后利用跟蹤-在線學習-檢測框架對目標進行實時跟蹤，為了解決跟蹤失敗的情況，在系統(tǒng)中加入一個目標的加速魯棒SURF特征檢測器與隨進森林檢測器作為互補，即提取加速魯棒SURF特征對目標進行二次檢測，實現(xiàn)穩(wěn)健的目標跟蹤。具體實現(xiàn)步驟包括如下(I)輸入一段視頻中的第一幀，并人工標記出待跟蹤目標，同時將標記的目標作為目標模板；
(2)通過跟蹤-在線學習-檢測模型跟蹤目標2a)用視頻的第一幀對跟蹤-在線學習-檢測模型進行初始化；2b)將步驟⑴標記出的跟蹤目標作為正樣本，在正樣本附近取100個圖像塊域作為負樣本，并用這些正負樣本訓練隨機森林檢測器；2c)從輸入視頻的第二幀開始，對待跟蹤目標進行跟蹤與檢測；(3)判定跟蹤與檢測目標的結(jié)果3a)設(shè)定置信閾值Tc = O. 7，如果跟蹤結(jié)果的置信值大于Tc，則認為是有效跟蹤，即跟蹤到了目標，同時用跟蹤結(jié)果更新隨機森林檢測器，執(zhí)行步驟(6)；3b)如果跟蹤結(jié)果的置信值小于Tc，則認為是跟蹤失敗，執(zhí)行步驟(4)；(4)提取目標模板和視頻當前幀的SURF特征4a)計算目標模板的積分圖像值I1 Σ
權(quán)利要求
1.一種基于學習和加速魯棒SURF特征的目標跟蹤方法，包括以下步驟 (1)輸入一段視頻中的第一幀，并人工標記出待跟蹤目標，同時將標記的目標作為目標模板； (2)通過跟蹤-在線學習-檢測模型，對目標進行跟蹤 2a)用視頻的第一幀對跟蹤-在線學習-檢測模型進行初始化； 2b)將步驟(I)標記出的跟蹤目標作為正樣本，在正樣本附近取100個圖像塊作為負樣本,并用這些正負樣本訓練隨機森林檢測器； 2c)從輸入視頻的第二幀開始，對待跟蹤目標進行跟蹤與檢測； (3)判定跟蹤與檢測目標的結(jié)果 3a)設(shè)定置信閾值Tc = O. 7，如果跟蹤結(jié)果的置信值大于Tc，則認為是有效跟蹤，即跟蹤到了目標，同時用跟蹤結(jié)果更新隨機森林檢測器，執(zhí)行步驟(6)； 3b)如果跟蹤結(jié)果的置信值小于Tc，則認為是跟蹤失敗，執(zhí)行步驟(4)； (4)提取目標模板和視頻當前幀的加速魯棒SURF特征 4a)計算目標模板的積分圖像值I1 Σ
2.根據(jù)權(quán)利要求I所述的基于學習和加速魯棒SURF特征的目標跟蹤方法，所述步驟2b)和3a)中的隨機森林檢測器，是一個包含10個決策樹的分類器，在目標檢測的過程中，由這10個決策樹共同決定分類器的分類結(jié)果，即當所有決策樹對測試樣本進行分類得到它屬于目標的概率之和大于閾值Tf = 10X0. 5時，則表示檢測到了目標，否則檢測失敗。
3.根據(jù)權(quán)利要求I所述的基于學習和加速魯棒SURF特征的目標跟蹤方法，所述步驟(5)中的閾值Td，采用如下公式計算 &雜， 其中，m表示當前幀中特征點的總個數(shù)，&表示當前幀的特征向量中第j個元素與目標模板的特征向量中所有元素之間歐式距離的最小值。
全文摘要
本發(fā)明公開一種基于學習和加速魯棒SURF特征的目標跟蹤方法，主要解決現(xiàn)有技術(shù)中由于目標快速變化或者發(fā)生遮擋而導致目標跟蹤失敗的問題。其實現(xiàn)步驟為(1)輸入一段視頻中的第一幀，并人工標記出待跟蹤目標，同時將標記的目標作為目標模板；(2)通過跟蹤-在線學習-檢測模型跟蹤目標；(3)判定跟蹤與檢測目標的結(jié)果；(4)提取目標模板和視頻當前幀的加速魯棒SURF特征；(5)利用歐氏距離對獲得的加速魯棒SURF特征進行匹配；(6)輸出目標跟蹤結(jié)果，更新目標模板；(7)循環(huán)執(zhí)行步驟(2)～步驟(6)，直到視頻結(jié)束。本發(fā)明與現(xiàn)有的技術(shù)相比在目標快速變化或者發(fā)生遮擋情況下提高了目標跟蹤的魯棒性。
文檔編號G06T7/20GK102945554SQ20121041503
公開日2013年2月27日 申請日期2012年10月25日 優(yōu)先權(quán)日2012年10月25日
發(fā)明者田小林, 焦李成, 劉朵, 張小華, 緱水平, 鐘樺, 朱虎明, 馬文萍 申請人:西安電子科技大學