[发明专利]无监督多目标检测跟踪方法及其存储装置与摄像装置

说明书

一种无监督多目标跟踪检测方法及其存储装置与摄像装置，对获取的图像数据的每一帧分别进行仿射变换以构建训练样本集，根据预设的置信度阈值β和自适应阈值θ，采用OSF分类器对第一帧之后的图像数据进行分类，分类出每一帧的OSF正样本、OSF负样本以及OSF困难样本，通过ISVM分类器对OSF困难样本进行分类，以ISVM分类器分类后形成的新的θ更新自适应阈值θ，反复进行上述步骤直至达到自适应阈值θ收敛到预设程度，利用训练完成之后的OSF分类器和ISVM分类器，对获取的视频目标中的目标进行跟踪检测。本方法在完全不需要人为干预的情况下，只需在视频的第一帧中人为框选需要检测跟踪的目标，便能不断自主学习，逐步提高分类器性能，最终实现多目标检测与跟踪。

技术领域

本发明涉及目标跟踪领域，尤其涉及基于颜色的目标跟踪方法方面，更具体地说，涉及一种无监督多目标检测跟踪方法及其存储装置与摄像装置。

背景技术

视频目标检测跟踪是计算机视觉等领域的研究热点，在视频监控、虚拟现实、人机交互、自主导航等应用中具有重要的理论研究意义和实际价值。目前，大部分视频目标检测跟踪系统包括了目标定位、目标数据关联跟踪及轨迹生成三个模块。其中数据关联跟踪算法已随着基于检测的跟踪方法的深入研究取得了巨大的突破。但是，目标定位模块仍大量采用离线学习算法训练分类器实现。当面对不同的监控场景时，由于成像条件、光照、目标形变均不同，需重新采集样本训练不同场景的目标检测器,耗费大量人力、物力。

近年来,在线学习算法已被广泛用于提高检测模型的自适应能力。但是，基于以下两个问题，这种在线学习算法很难用于多场景多成像条件下的视频目标检测跟踪系统:

(1)需人工采集、标注部分训练样本在线学习目标检测系统的初始目标模型需要通过人工采集、标注的少量样本训练(人工标注样本数通常为200-400个)，再通过在线学习逐渐提高该模型的检测精度。相对于离线训练模型,降低了人工标注样本个数。但是，当监控场景众多时，人工标注每个场景的初始训练样本仍需耗费大量人力物力。近年来，半监督学习，迁移学习以及弱监督学习已被用于降低人工标注工作量。但如何实现无需人工标注的自主学习模型,仍然是当前的研究热点。

(2)在线学习样本的自主获取、标注方法基于在线学习的目标检测系统通常要求自主获取在线学习的新样本，并对其类别进行自动标注，否则无法实现检测系统的智能化。但是如何对获得的新样本进行自动的、正确的标注仍然没有很好的解决办法，而训练样本标注的正确与否决定了整个训练过程的有效性，这是在线学习的难点。

目前，样本自动获取、标注方法分为以下几种：(1)基于协同训练的方法；(2)基于背景建模的方法；(3)基于产生式模型的方法；(4)基于跟踪的方法。在协同训练的方法中,同时初始化两个分类器，共同训练，互相为对方标注训练样本；基于背景建模的方法通过背景模型标注在线学习样本；基于产生式模型的方法通过重构误差验证检测结果，从而实现在线学习样本的获取和标注；基于跟踪的方法通过获取目标移动轨迹识别漏检及虚警；并分别作为在线学习的正负样本训练目标检测模型。但是，以上方法对分类面附近的样本(即困难样本)标注错误率较高，其分类正确率难以和手工标注的离线学习分类器比较。

发明内容

本发明要解决的技术问题在于，针对上述的现有的基于协同训练的方法、基于背景建模的方法、基于产生式模型的方法及基于跟踪的方法对分类面附近的样本(即困难样本)标注错误率较高，其分类正确率难以和手工标注的离线学习分类器比较的技术缺陷，提供了一种无监督多目标检测跟踪方法及其存储装置与摄像装置。

根据本发明的其中一方面，本发明为解决其技术问题，提供了一种无监督多目标跟踪检测方法，包括以下步骤：

S1、对获取的图像数据的每一帧分别进行仿射变换以构建训练样本集，仿射变换是根据人为选定的第一帧的框选目标进行的，框选目标同时包括人为选定的待跟踪目标形成的正样本和人为选定的非待跟踪目标形成的负样本；