[发明专利]基于半监督学习和随机蕨类分类器的目标跟踪方法

摘要

基于半监督学习和随机蕨类分类器的目标跟踪方法，涉及一种目标跟踪方法，解决现有目标跟踪方法的计算量大、复杂度高，难以满足实时处理需求，对于大角度的旋转以及超平面旋转效果差等难题，本发明方法可以处理场景中目标尺度变化、旋转、超平面旋转、噪声、遮挡、粘连、摄像机抖动、模糊等难题，形成稳定的目标轨迹及目标的全视角在线模型。该跟踪方法包括：在线模型初始化，生成正、实例，并对其进行规范化；检测器初始化，；训练检测器；“短期”跟踪器跟踪；跟踪有效性评估；检测器检测；检测与跟踪的联合；学习并更新训练集。该方法是完整的目标跟踪解决方案，在实际的视频监控、行为分析、智能交通、电子警察、精确制导等领域有广阔的应用。

主权项

基于半监督学习和随机蕨类分类器的目标跟踪方法，其特征是，该方法由以下步骤实现：步骤一、在线模型初始化，对输入图像进行不同尺寸的S形窗口扫描，获得窗口图像的尺寸及位置，将得到的窗口图像尺寸大于阈值的保留，并计算保留的各个窗口图像与初始点选的目标的重叠率，取重叠率最大的窗口图像作为正实例，在重叠率小于阈值且方差大于阈值的窗口图像中随机取出多个窗口图像作为负实例，将得到的正实例和负实例进行图像规范化后加入在线模型；步骤二、检测器初始化，生成多棵随机蕨类的相对位置，并对各棵蕨类的各特征值是正实例的数量、负实例的数量以及是正实例的后验概率初始化为0；步骤三、训练检测器，计算步骤一所述的不同尺寸的S形窗口扫描后保留的各个窗口图像与初始点选的目标的重叠率，取重叠率最大的多个窗口图像作为正实例，并计算所述正实例的窗口图像的随机蕨类的特征值；再对获得的正实例的窗口图像进行随机角度、随机位移、随机尺度的仿射变换并加入白噪声后计算各个窗口图像随机蕨类的特征值，取重叠率小于一定阈值并且方差大于正实例方差的窗口图像作为负实例，并计算所述负实例的随机蕨类特征值，将获得的正实例的随机蕨类特征值和负实例的随机蕨类特征值更新步骤二所述的各棵蕨类的各特征值是正实例的数量、是负实例的数量以及是正实例的后验概率；判断是否有新一帧图像，如果是，执行步骤四，如果否，执行步骤九；步骤四、短期目标跟踪，首先对上一帧窗口图像在上一帧的目标位置进行横竖各十次采样，选出一百个点作为特征点，对本帧窗口图像采用基于Lucas‑Kanade算法进行特征点匹配，找到上一帧窗口图像与本帧窗口图像匹配的特征点集，并计算匹配点间的归一化互相关系数以及所述归一化互相关系数的中值，取归一化互相关系数中大于中值的对应匹配点确定当前帧的窗口图像的目标位置和尺寸；步骤五、跟踪有效性评估，对步骤四所述的短期目标跟踪获得的当前帧的窗口图像的目标位置对应的窗口图像进行规范化，并计算规范化后的窗口图像与在线模型的距离，计算当前帧的窗口图像的目标位置的置信度，如果置信度大于阈值则当前帧的窗口图像的目标位置有效，否则，该目标位置无效；步骤六、检测器检测，计算步骤一获得的各个窗口图像的位置对应当前帧 的窗口图像的随机蕨类特征值，并采用步骤三获得的随机蕨类特征值是正实例的后验概率进行加权计算，取计算结果大于阈值的窗口图像作为正实例，将所述正实例的窗口图像进行规范化后采用最近邻原则计算正实例的窗口图像的置信度，取置信度大于阈值的窗口图像作为检测结果；步骤七、检测器检测结果与短期目标跟踪结果的联合，分四种情况进行处理：第一种情况、短期目标跟踪结果和检测器检测的结果均有输出，则对短期目标跟踪的结果和检测器检测的结果进行聚类，判断聚类结果是否为一个类，如果是，并且该类与短期目标跟踪结果的重叠率小于阈值，阈值为0.5，并且聚类结果的置信度大于短期跟踪结果的置信度，则返回步骤二，并将跟踪系统的有效性置0；如果否，采用检测器检测结果中与短期目标跟踪结果重叠率大于阈值的窗口图像与短期目标跟踪结果进行加权平均，获得当前帧的窗口图像的目标位置；第二种情况、短期目标跟踪有结果输出，检测器无结果输出，将短期目标跟踪的结果和有效性分别作为跟踪系统获得的当前帧的窗口图像的目标位置及有效性；第三种情况、短期目标跟踪无结果输出，检测器有结果输出，对检测器的检测结果进行聚类，如果结果为一类，采用检测器检测的结果对跟踪系统重新初始化；第四种情况、短期目标跟踪和检测器均无结果输出，不进行任何处理；步骤八、学习并更新训练集，当跟踪系统的有效性为1时，计算步骤七获得的短期目标跟踪结果的置信度和对应窗口图像位置的方差，并进行行为约束，若满足方差大于正实例窗口图像的方差、置信度大于阈值的学习更新条件，所述阈值为0.5，则进行学习更新；步骤九、窗口图像的输出显示，判断是否是最后一帧，如果是，结束；如果否，返回执行步骤四。