[发明专利]一种联合区域约束学习的实时跟踪方法

说明书

本发明实施例公开了一种联合区域约束学习的实时跟踪方法。该实时跟踪方法包括加权模型匹配步骤、区域约束学习步骤和联合器进行价值评估步骤。该实时跟踪方法利用区域约束学习来解决样本划分不精确、过程复杂的问题；在分类器中采用仿射采样得到更丰富的特征集，以适应跟踪时目标纹理和光照的变化；将分类器的学习结果与在线模型库中的模型输入到联合器中进行价值评估，从而得到更精确的目标位置。

技术领域

本发明涉及目标跟踪的技术领域，具体涉及以加权模型为框架的一种联合区域约束学习的实时跟踪方法。

背景技术

目标跟踪是计算机视觉研究领域的重要组成部分，广泛应用在增强现实、监控和行为识别等技术领域。虽然近些年不少目标跟踪方法在一定程度上取得了良好的跟踪效果，但仍面临如遮挡、光照变化、相似背景等因素的挑战。

基于外观模型的目标跟踪方法是一种典型的目标跟踪方法。基于外观模型的目标跟踪方法中所使用的特征模型并不能描述目标的本质信息，而且较复杂的外观模型运算成本高、实时性较差。针对这一缺陷，学者们将机器学习方法引入到了外观模型中，将目标跟踪看作二值分类的问题。Li X,Shen C等人在2013年提出采用紧凑且具有判别能力的二值特征表示目标，运用基于最小二乘支持向量机(LS-SVM)的分类器对样本的特征进行分类，从而在背景中提取目标。虽然这种目标跟踪方法的跟踪效果良好，但是其计算量较大，二值特征的提取过程较为复杂，并不能够实时应用。

考虑到样本特征产生的复杂性，Yang M H.等人在2014年提出运用超稀疏测量矩阵高效的提取目标特征，并运用压缩感知理论对前景目标和背景中的样本图像进行压缩，输入到在线更新的朴素贝叶斯分类器中进行二值分类。程帅等人在2015年提出运用深度去噪自编码器提取粒子区域特征，并利用线性支持向量机对特征集进行分类。这两种目标跟踪方法虽然在计算效率方面得到了改善，但是该方法中正、负样本是通过主观选定进行划分的，这不仅会引入样本误差，而且随着样本数的增加，积累的误差会影响目标跟踪方法的准确性和鲁棒性。

因此，针对现有的目标跟踪方法存在实时性差及样本划分不正确的问题，有必要提供一种能够客观准确划分正、负样本，且高效实时的目标跟踪方法。

发明内容

针对现有的目标跟踪方法存在实时性差及样本划分不正确的问题，本发明实施例提出一种联合区域约束学习的实时跟踪方法。本发明实施例所提供的联合区域约束学习的实时跟踪方法采用区域约束学习能够客观准确的划分正、负样本，解决了样本误差问题；通过在随机蕨分类器中引入仿射采样形成特征集，使得特征的提取更加简便快捷、丰富可信；将分类器的学习结果与在线模型库中的模型输入到联合器中进行价值评估，从而更加实时精确地跟踪目标。

该联合区域约束学习的实时跟踪方法的具体方案如下：一种联合区域约束学习的实时跟踪方法，包括：加权模型匹配步骤，所述加权模型匹配步骤包括：首先采用均值采样方法将目标区域压缩成预置大小的目标模型，再运用加权模型匹配公式与在线的模型库中的模型进行快速匹配，计算出归一化相关系数；区域约束学习步骤，所述区域约束学习步骤包括：首先采用类高斯模型对目标区域周围的样本模块进行划分，再利用生成的带有权值的正样本和负样本对随机蕨分类器进行学习及训练，提取出跟踪目标；联合器进行价值评估步骤，所述联合器进行价值评估步骤包括：首先采用区域权值函数对分类器检测出的多个模块进行权值分配，再联合加权模型匹配得到的归一化相关系数与分类器检测得到的各模块的后验概率，计算出价值系数最高的模块，并将所述价值系数最高的模块作为当前帧的目标。

优选地，所述预置大小的目标模型为15×15的目标模型。

优选地，在加权模型匹配步骤中计算出归一化相关系数后，还包括对在线模型库进行更新。

优选地，所述类高斯模型的具体表达式为：

其中，T表示样本值，若T值大于0即为正样本，若T值小于0则为负样本；x和y表示坐标位置信息；a为常量因子。