[发明专利]基于霍夫森林的视频目标跟踪方法

说明书

技术领域

本发明属于图像处理技术领域，涉及视频目标跟踪方法，可应用于人机交互和目标跟踪等领域。

背景技术

目标跟踪是指通过对拍摄的图像序列进行分析，从而计算出目标在每帧图像上的位置，然后得到相关的参数。目标跟踪是计算机视觉中一个必不可少的关键技术，它在机器人视觉导航、安全监测、交通管制、视频压缩以及气象分析等许多方面都有广泛应用。如军事方面，已被成功地应用于武器的成像制导、军事侦察和监视等。民用方面，如视觉监控，也已被广泛地应用于社会生活的各方面。目标跟踪还可应用于社区和重要设施的保安监控；用于智能交通系统中进行车辆的实时追踪，从而得到车流量、车型、车速、车流密度等等许多有价值的交通流参数，同时还可以检测事故或故障等突发状况。

浙江工业大学提出的专利申请“一种基于累加直方图粒子滤波的视频目标跟踪方法”（专利申请号201110101737.9，公开号CN102184548A）公开了一种基于累加直方图粒子滤波的视频目标跟踪方法。该方法将颜色累加直方图与粒子滤波跟踪算法相结合，即首先根据检测到的目标范围，计算目标的颜色累加直方图，然后初始化粒子滤波并跟踪，得到在新的一帧中目标的范围，此时，以每个粒子的坐标为中心点，计算得到临时的累加直方图和每个粒子的权重并进行权重归一化，并由此得到新的目标累加直方图，更新累加直方图，最后采用替换选择算法对粒子进行重采样。该方法虽然可以在目标和背景颜色相似时进行正确的跟踪，但是，这种方法采用的是直方图对目标进行描述，所以对目标的非刚性变化不够鲁棒，很容易跟踪失败。

苏州大学提出的专利申请“基于均值漂移的视频目标跟踪方法”（专利申请号201010110655.6，公开号CN101924871A），公开了一种基于Mean Shift的视频目标跟踪方法，该方法是先提取跟踪目标的SIFT特征，然后用Mean-Shift算法对目标的SIFT特征进行匹配，从而实现对目标的跟踪。这种方法虽然采用了对旋转、尺度缩放、亮度变化保持不变性的SIFT特征，但是由于复杂度非常大，会大大降低目标跟踪的实时性。

发明内容

本发明针对上述现有技术的不足，提出一种基于霍夫森林的视频目标跟踪方法，以提高目标跟踪对目标遮挡、非刚性变化的鲁棒性和目标跟踪的实时性。

实现本发明的技术思路是：将霍夫变换与随机森林分类器相结合作为检测器对目标进行检测，同时由Lucas-Kanade跟踪器对目标进行跟踪，将霍夫变换与随机森林分类器结合，提高随机森林分类器的性能，使其对目标遮挡和目标非刚性变化的跟踪更加鲁棒，同时通过引入的Lucas-Kanade方法调整目标区域的尺度，进一步确定目标的位置，使跟踪很好的适应目标的尺度变化。具体实现步骤包括如下：

（1）输入一段视频中的第一帧，并人工标记出待跟踪的目标；

（2）从输入的第一帧视频图像中，提取视频图像的特征，该特征包括：Lab

特征，梯度方向直方图HOG特征，图像x方向的一阶导数特征、二阶导数特征，图像y方向的一阶导数特征、二阶导数特征；

（3）建立并初始化霍夫森林检测器

3a)设定霍夫森林检测器中的决策树数目为20个，为每个决策树随机产生8对范围在0~12的块内位置偏移量(l,s)、(p,q)，同时为每对块内位置偏移量l随机选取一种特征；

3b)将目标区域作为正样本，将目标区域以外的区域作为负样本，将目标区域向四周扩展20个像素作为样本更新区域，在样本更新区域内逐个像素取12×12的图像块，对每个决策树，根据8对块内位置偏移量(l,s)、(p,q)确定图像块的8个特征点对，提取这些特征点的特征i训练决策树，产生图像块特征值；若图像块为正样本，计算图像块中心与目标中心的位置偏移量d，更新图像块特征值对应的正负样本比及该决策树的正负样本比，存储图像块特征值对应的位置偏移量d，若图像块为负样本，则只更新图像块编码对应的正负样本比及该棵树的正负样本比；

3c)从已经建立的20个决策树中，选择正负样本比最高的10个决策树组成霍夫森林检测器；

（4）测目标并进行霍夫投票

4a)载入新一帧视频图像，按照步骤(2)的方法提取新一帧视频图像的特征，并将上一帧的目标区域扩大一倍作为搜索区域，在搜索区域内，以每个像素点为中心取12×12得图像块，通过随机森林分类器中的决策树依次对图像块进行分类、计算图像块特征值，当决策树判定图像块属于目标时，根据图像块特征值对应的位置偏移量d和图像块的中心位置计算目标的中心位置并进行投票；