[发明专利]投票权值在线自适应调整的目标图像区域跟踪方法

说明书

技术领域

本发明涉及一种投票权值在线自适应调整的目标图像区域跟踪方法。 

背景技术

目标跟踪可以认为是图像中背景与目标物的二分类器问题，在Boosting算法基础上所构造的分类器能够在图像中获取关于特定目标物的高判别性特征，一些学者提出了将该方法应用于目标跟踪领域，其中Grabner将Boosting方法用于特征的选取，籍此构造一个可增量更新的外观模型。Advian通过Adaboost方法从弱分类器池中选取一组分类器在视频图像中检测最可能为目标物的图像区域。上述方法是在背景样本与目标样本出现概率相等的假设前提下最小化分类误差，当背景样本出现的概率远大于目标物时，尤其在目标物受到遮挡时，这些方法所构造的分类器更易于将目标物判别为背景，从而直接导致跟踪的失败。 

发明内容

本发明要解决的技术问题是提供一种通过调整弱分类器的投票权值来增强分类器对目标物与背景的分类能力，以提高目标跟踪的稳定性的目标图像区域跟踪方法。 

本发明的基本思想：设计一个可在线更新的目标物外观模型，即，在每一帧视频中确定目标图像区域后，都会将确定的目标图像作为训练样本来训练分类器，包括调整投票权值；其思路是在新输入视频帧中的不同预估位置上采集Haar特征，并利用Boosting构造的分类器对这些位置的图像区域进行似然度的计算，将具有最大似然度的图像区域作为当前帧中的目标图像区域。为了提高分类器对目标物外观变化的适应性，通过设置弱分类器池使得分类器以在线的方式进行更新，进一步提高分类器对目标物外观变化的适应性；，根据各弱分类器的分类误差调整样本的分布权值，使得分类器对于视频帧中目标物的出现具有较强的敏感性，因此该发明所 设计的目标跟踪方法能够更为稳定地对视频中的目标物进行跟踪。 

所以为解决上述技术问题，本发明提供了一种目标图像区域跟踪方法，包括： 

步骤一、在一视频的第一帧图像中，选取任意一区域作为目标图像区域，并记录该目标图像区域在所述第一帧图像中的位置，在该目标图像区域周围随机采集背景图像区域。 

步骤二、设置T个弱分类器池，并设定每个弱分类器池中包括的弱分类器个数N。 

步骤三、所述目标图像区域和背景图像区域分别作为目标图像区域样本和背景图像区域样本，以计算Haar特征值x，且设Haar特征值x都服从高斯分布，即目标图像区域样本的Haar特征值所服从的高斯分布函数为N(μ₊，σ₊)，而背景图像区域样本的Haar特征值所服从的高斯分布函数为N(μ_-，σ_-) 

根据所述目标图像区域样本、背景图像区域样本进行训练，以分别调整所述目标图像区域样本的Haar特征值高斯分布的均值μ₊和背景图像区域样本的Haar特征值高斯分布的均值μ_-。 

将所述目标图像区域样本和背景图像区域样本的Haar特征值输入各弱分类器，则各弱分类器以阈值分类器的形式对于Haar特征值的判别值h_i(x)计算为： 

hi(x)=sign(x-μ++μ-2)·sign(μ+-μ-);]]>

上式中sign为数学标准中定义的符号函数。