[发明专利]一种基于轨迹优化的目标跟踪方法及系统

权利要求书

1.一种基于轨迹优化的目标跟踪方法，其特征在于：包括以下步骤，

步骤1，在第一帧进行目标模型的构建，包括首先对目标进行样本的采样，进而根据与目标的覆盖率标记样本，提取多融合特征训练结构化的分类器，得到基础的目标模型；

步骤1包括以下子步骤，

步骤1.1，样本采集，包括在初始的目标附近周围采集多个样本作为目标的正样本集，同时在远离初始目标的位置采集多个样本作为目标的负样本集；实现如下，

首先对于正样本采集，在初始目标周围，距离目标中心以较小的采样半径采集正样本集A₊＝{y|θ₁＞||l(y)-l^*||}，θ₁为正样本的采样半径，取值为5，l(y)表示样本y的中心位置，l^*表示目标初始位置的中心；

对于负样本集的采样，是在离目标中心距离的θ₂像素内进行采集，将满足和目标样本y^*的覆盖率小于0.3的样本，以作为模型的负样本集，记为A_-＝{y|θ₂＞||l(y)-l^*||,overlapRate(y,y^*)＜0.3}，其中θ₂＞θ₁，覆盖率函数

步骤1.2，基于所采集样本提取特征，包括根据正样本集和负样本集，分别提取样本的梯度直方图特征HOG、在Lab空间的原始特征LabColor和局部二值模式特征LBP，然后拼接得到样本的多特征描述子，训练得到一个结构化输出的分类器，作为基础的目标模型；实现如下，

步骤1.2.1，设步骤1.1得到给定正样本集A₊，给定负样本集A_-；

步骤1.2.2，分别提取样本的梯度直方图特征HOG、在Lab空间的原始特征LabColor和局部二值模式特征LBP，然后将这三个特征拼接成一个向量，以作为该样本的多特征描述子Φ(x,y)：

Φ(x,y)＝[H^T,L^T,B^T]

其中H，L，B分别表示HOG、LabColor和LBP三个特征，上标T表示转置，对特征归一化后，Φ(x,y)是一个归一化的高维向量，表示目标框y中的原始像素内容x的特征表示；

步骤1.2.3，通过支持向量机SVM便可训练得到一个结构化输出的分类器，这个分类器是输出分值是连续的，是从0～1之间的连续分值，在跟踪过程中，最大化分类器作用到候选样本上的得分，估计出当前帧的目标矩形框；

步骤2，基于目标在连续帧的时序稳定性进行跟踪，包括以下子步骤，

步骤2.1，在第一帧构建完目标模型后，在下一帧中采取Ω个候选，Ω为预设的取值，取值范围为200～400；

采用表征目标矩形框的六个参数(α₁,α₂,α₃,α₄,α₅,α₆)的仿射变换来刻画目标相邻帧间的运动状态，分别为横向变化、纵向变化、尺度变化、旋转变化、宽高比变化、倾斜角度；在运动模型中，这些参数是互相独立的且变化状态符合高斯分布；

步骤2.2，令t＝2，记在第t帧采集的候选集为对于任一候选先采用第t-1帧相应的分类器计算每个候选的置信度，选出置信度最高的M个候选，M为预设的取值，M＝4；

步骤2.2中，采用上一帧所得分类器计算每一个候选的分类得分，利用下式选出得分靠前的多个可信候选，

其中，表示目标框y中候选的特征描述，y^t表示通过分类器在当前帧中估计出的跟踪结果框，w表示分类平面的归一化向量；

采用这个式子每选出一个，即从候选集中去掉，再利用这个式子继续选择，直到选出M个候选；

设(x₁,y₁),...,(x_n,y_n)为采集到的训练样本，包括正样本集和负样本集中的所有样本，n为训练样本的数量，分类平面的归一化向量w基于训练样本集(x₁,y₁),...,(x_n,y_n)然后求解下面的最优化问题可得到：

其中，x_i、y_i分别表示第i个训练样本的内容和它的矩形框函数，

Ψ_i(y)＝Φ(x_i,y_i)-Φ(x_i,y)，L(y_i,y)＝1-overlapRate(y_i,y)表示预测输出y的结构化误差，而不是观察输出y_i的误差，松弛变量ξ_i≥0表示第i个训练样本(x_i,y_i)的代理损失，c是正则化参数；

对所有候选的得分排序后，选出排名靠前的M个候选；

步骤2.3，采用本次迭代中步骤2.2在当前帧中选出的M个候选，分别更新分类器；

步骤2.4，令t＝t+1，返回步骤2.1针对下一帧进行迭代，直到迭代K轮之后，用第i个分类器在连续K帧中选出的最高置信度候选构成第i个轨迹，得到M个短轨迹，K为预设的取值；

步骤2.5，评估K帧之间的M个短轨迹分别的轨迹连续性，选择最优短轨迹，取最优短轨迹中的目标更新模型，然后作为下一个K帧初始的目标模型，返回步骤2.1继续跟踪。