[发明专利]基于视频在线学习的跟踪方法和装置

权利要求书

1.一种基于视频在线学习的跟踪方法，其特征在于，该方法包括如下步骤：

A1.经初始化后，将视频帧送入检测模块，由检测模块检测运动目标，产生样本，生成样本集；同时，跟踪模块并行进行，跟踪模块估计运动目标出现的坐标，生成运动轨迹；其中，跟踪模块包括MOSSE滤波器；

A2.将样本集和运动轨迹输入P-N学习模块，由P-N学习模块进行评估和校正，把置信度最高的记为正样本，其余作为负样本，生成训练数据；

A3.P-N学习模块评估得到当前帧运动目标出现的最可信的一个位置，作为跟踪的结果进行跟踪；同时P-N学习模块利用生成的正负样本和新坐标，反作用于跟踪模块和检测模块，更新检测模块的样本集和跟踪模块的滤波模型；

其中，P-N学习模块的处理包括：(1)利用已标记的样本训练出一个初始分类器；(2)利用训练得到的初始分类器，对所有未标记的样本进行分类，标记为正样本和负样本；(3)用P-N experts对那些标记与条件约束相违背的样本进行重新标记，P-expert识别被误检为负样本的样本集，N-expert确认出被误检为负样本的样本集，重新添加到训练样本集当中；P-expert利用时间上的结构性，根据跟踪模块预测到的运动目标要出现的位置，如果被检测模块判断为负样本，则把它纠正成样本集；N-expert利用空间上的结构性，分析检测模块和跟踪模块在当前帧上给出的所有响应，选择一个置信度最大的，将其标记为正样本，其它的标记为负样本；(4)将重新标记的样本加入样本集中，重新训练分类器；

其中，MOSSE滤波器的滤波模型采用一系列的训练样本，多个图像作为输入，以输入图像的中心为峰值的高斯函数，获得一系列的训练输出，其公式表达为：

其中，F_i表示一系列训练输入，G_i表示相应的训练输出，H*表示所求滤波模型，即将最优化的问题转化为最小化平方误差输出和的问题；

所述滤波模型的表达式为：

还使用一个更新模型，使所述滤波模型随着帧数发生变化，适应目标物体的最新外观。

2.如权利要求1所述的方法，其特征在于，所述步骤A1的所述由检测模块检测运动目标包括如下步骤：

A11.通过前景检测，得到运动目标的前景图像块，在前景图像块的区域内用滑窗法产生一系列优化的图像块；

A12.对优化的图像块提取特征，输入到随机蕨分类器中，产生正样本，经分类生成样本集。

3.如权利要求2所述的方法，其特征在于，所述步骤A11中所述前景检测包括帧间差分法。

4.如权利要求3所述的方法，其特征在于，所述帧间差分法为三帧差法。

5.如权利要求2所述的方法，其特征在于，所述步骤A12中所述对优化的图像块提取特征包括对优化的图像块提取2bit BP的特征。

6.如权利要求1所述的方法，其特征在于，所述更新模型的表达公式为：

H_t＝(1-η)H_t-1+ηH*

其中，H_t表示第t帧中，实际要使用的滤波模型；H_t-1表示第t-1帧中实际使用的滤波模型；H*表示计算求得的第t帧滤波模型；η表示可控的学习率参数。