[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

摘要

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，其步骤：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。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。

主权项

1.一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： 步骤四、根据目标图像区域样本和背景图像区域样本，通过累积重要性权值计算出各弱分类器的分类误差e，并以具有最小分类误差的弱分类器作为弱分类池中所选取的弱分类器，并计算相应弱分类器的投票权值α：当分类误差e≥0.5时，α为0；当分类误差e＜0.5时，α＝log[(1-e)/e]； 步骤五、在所述视频的下一帧图像中，根据上一帧视频所记录的目标图像区域样本在该视频帧中的位置，在该位置周围随机采样可能成为当前帧图像中的目标图像区域的候选图像区域； 步骤六、累计各弱分类器池中所选出的弱分类器对于候选图像区域的 判别值h_i(x)，并计算出每个候选图像区域的似然度conf(x_i)，选取具有最大似然度conf(x_i)的候选图像区域作为所述当前帧中的目标图像区域，其中似然度conf(x)的计算公式为： 其中α_i表示第i个弱分类器池中所选出的弱分类器的投票权值； 步骤七、根据所述步骤六选取的目标图像区域记录该目标图像区域样本在当前帧图像中的位置，在该目标图像区域周围随机采集背景图像区域； 返回步骤三，完成后续一帧图像中的目标图像区域跟踪。