[发明专利]一种在线学习的单目标粒子滤波的跟踪方法

摘要

本发明公开了一种在线学习的单目标粒子滤波的跟踪方法，涉及计算机视觉和智能视频监控领域。本跟踪方法是：①目标选择；②分类器和搜索粒子初始化；③目标跟踪；④特征更新；⑤结果输出。本发明可以精确分割出目标；可以在较小的计算量的同时，多尺度、大范围搜索遮挡目标；能够清楚表达目标的特性，在一定程度上避免和其他目标混淆产生跟踪错误，保证计算特征的实时性；可以减少因特征不匹配而导致的跟踪失败，使跟踪具有一定的持久性。

主权项

一种在线学习的单目标粒子滤波的跟踪方法，①目标选择(201)在选取区域内假设背景区域，在一定尺度内变换假设的背景区域范围和选择范围，利用图像抠图算法多次分割背景，将分割的结果按评价函数评价，选择评价值最高的分割结果作为目标区域；②分类器和搜索粒子初始化(202)A、初始化搜索粒子：粒子点的结构包括位置、大小、速度、颜色特征和结构特征；B、初始化在线学习分类器：以目标为正样本，并且加以旋转、尺度缩放和添加噪声的方式产生指定数目的正样本，以目标以外的区域，选择指定数目的区域作为负样本，利用正负样本初始化在线学习分类器；③目标跟踪(203)a、产生扩展粒子：在以目标为中心，在1～5倍目标半径的距离内生成指定数目的离散采样点作为扩展粒子点，使用光流算法计算扩展粒子的速度，并初始化；b、计算每个搜索粒子和扩展粒子的颜色特征，并和目标区域的颜色特征比较，计算颜色特征可信度，计算每个粒子点的结构特征，使用在线学习分类器得出结构特征可信度；c、结合颜色特征可信度和结构特征可信度，将其可信度最大的粒子作为新的目标位置，该粒子的大小所形成的区域作为新的目标区域，并按可信度权重，根据粒子滤波方法重新分配指定数量的粒子作为新的搜索粒子；④特征更新(204)以作为目标位置的粒子的颜色特征可信度、结构特征可信度和运动速度为依据，如果可信度变化速率小于阈值，且目标是移动的，距离小于目标半径，则以0.1～5％的更新速率更新粒子的颜色特征，并在该位置按步骤②‑B的方式产生新的正负样本，更新在线学习分类器；⑤结果输出(205)将目标跟踪位置按滤波算法滤波，输出滤波后的目标跟踪位置，再返回步骤③进行下一次跟踪；其特征在于：所述的步骤①目标选择(201)：利用图像抠图算法，实现子步骤如下：A、选择区域(301)；B、假设选择区域内的背景(302)在选择区域内，在靠近外边缘向内5～30％的区域为假设的背景区域，其余的区域为假设的目标；C、按一定的A比例放大和缩小选择区域(303)，所述的A比例为原选择区域大小的5～30％；D、判断变换后的选择区域是否过大或过小(304)，面积控制在原选择区域的0.5～3倍之间，是则进入步骤E，否则流程结束(309)：把保存的分割结果，按评价函数评价，选择最优的结果，继而将评价函数得出的可信度最高的区域作为目标区域，替换原选择区；所述的评价函数是根据分割目标质心位置以及分割目标的面积来确定；Cost＝dist(Pc,c)/max(w,h)+abs(w*h*α–Sc)/(w*h)其中：Cost为评价函数的得分，dist为两个点的马氏距离，Pc为分割目标的质心点坐标，c为选择区域中心点坐标，Sc为分割目标的面积，α为系数＝0.7，w，h为选择区域的宽，高；E、按一定的B比例放大或缩小假设的背景区域(305)，所述的B比例为原选择区域大小的3～10％；F、判断变换后的背景区域是否过大或过小(306)，面积控制在0～50％，是则进入步骤G，否则跳转到步骤C；G、利用图像抠图算法分割(307)；H、保存分割结果(308)，再跳转到步骤E；所述的步骤②分类器和搜索粒子初始化(202)：搜索粒子初始化包括初始化粒子速度、大小、位置以及该位置形成区域的颜色特征和结构特征；颜色特征使用《Color‑Based Probabilistic Tracking》中的颜色直方图特征，初始化50～1000个粒子点，每个粒子点的初始位移为0，初始粒子大小为选择区域大小；结构特征为保证实时性使用Haar特征；其子步骤是按下列A、B两路进行：A、产生正样本：A1、将目标区域作为一个正样本(402)；A2、通过旋转、尺度缩放目标区域和添加噪声的方式生成指定数量的正样本(403)，再进入步骤C；B、产生负样本：B1、在目标区域外且5倍半径内，生成离散点(404)；B2、根据离散点的所在位置区域生成负样本(405)；B3、判断负样本是否达到指定数量(406)，是则进入步骤C，否则跳转到步骤B1；C、根据正负样本初始化在线学习分类器(407)；所述的分类器使用《P‑N Learning：Bootstrapping Binary Classifiers by Structural Constraints》中的P‑N Learning分类器；所述的步骤③目标跟踪(203)、步骤④特征更新(204)和步骤⑤结果输出(205)的子步骤：Ⅰ、获得目标位置(501)；Ⅱ、以目标位置为中心，在1～5倍目标半径的距离内生成指定数目的离散采样点(502)；Ⅲ、计算前一帧该点的光流场速度(503)；Ⅳ、将速度不为0的离散点作为扩展粒子点，扩展粒子点的大小为目标大小，速度为该点和前一帧的光流场的速度(504)；Ⅴ、将搜索粒子和扩展粒子按照粒子滤波跟踪算法计算颜色特征及颜色可信度，计算结构特征并使用分类器计算结构可信度(505)；Ⅵ、综合颜色可信度和结构可信度的权重，按粒子滤波算法更新粒子的位置、速度以及大小(506)；Ⅶ、检测可信度最大的粒子点的速度，判断可信度变化率是否满足阈值(507),是则进入步骤Ⅷ，否则跳转到步骤Ⅺ；Ⅷ、以0.1～5％的速率更新颜色特征(508)；Ⅸ、产生正样本和负样本(509)；Ⅹ、利用结构特征更新在线学习分类器(510)；Ⅺ、将可信度最大的粒子点作为新的目标位置点，将可信度最高的粒子位置作为目标跟踪位置，并对该位置使用卡尔曼滤波器滤波，结果输出，该帧跟踪结束(511)；再跳转到步骤Ⅰ，准备进行下一帧跟踪。