[发明专利]基于机器学习的粒子滤波目标跟踪方法

摘要

本发明公开了一种基于机器学习的粒子滤波目标跟踪方法，主要解决现有技术跟踪效率低、目标跟踪过程中易受环境变化影响、目标模型适应性不好的问题。本发明实现的具体步骤是(1)提取目标和背景特征；(2)训练目标模型；(3)目标的模板匹配跟踪；(4)判断目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差是否小于0.3；(5)粒子滤波的目标跟踪；(6)判断视频序列中的所有图像是否处理完毕。本发明能有效地提高跟踪效率，并且跟踪目标稳定，目标模型的适应性更强。

主权项

一种基于机器学习的粒子滤波目标跟踪方法，包括如下步骤：(1)提取目标和背景联合特征：(1a)提取目标和背景的颜色直方图特征；(1b)提取目标和背景的局部二值模式特征；(1c)将颜色直方图特征与局部二值模式特征联合，得到目标和背景的联合特征；(2)训练目标模型：(2a)用目标和背景的联合特征，标记视频序列中所有的彩色图像，得到初始训练样本；(2b)利用支持向量机SVM，对初始训练样本进行训练，得到目标样本分类器；(2c)利用目标样本分类器，从初始训练样本中分离出目标模型；(3)目标的模板匹配跟踪：(3a)框出目标在视频序列的第一帧图像中的位置，获得搜索模板；(3b)将前一帧图像中目标的位置作为当前帧中目标的初始位置，得到当前帧的目标图像，采用去均值归一化互相关算法，计算搜索模板与目标图像的相似性度量矩阵中的所有元素值；(3c)判断相似性度量矩阵中的所有元素中最大值是否大于0.8，若是，执行步骤(3d)，否则，执行步骤(3b)；(3d)采用绝对误差计算公式，计算目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差；(4)判断目标模型变换到实时目标图像的变换参数和最优变换参数之间的绝对误差是否大于0.3，若是，执行步骤(5)；否则，将当前帧的目标图像加入支持向量机的训练样本中，执行步骤(2)；(5)粒子滤波的目标跟踪：(5a)在当前帧目标图像中，按高斯分布初始化100个与当前帧目标图像相同的粒子；(5b)使用目标样本分类器，对当前帧目标图像中的所有粒子进行分类，得到目标样本分类器的输出概率；(5c)利用粒子位置计算公式，计算当前帧目标的位置，得到当前帧目标的特征值；(5d)将当前帧目标的特征值输入到目标样本分类器，得到目标样本分类器的输出概率；(5e)判断目标样本分类器的输出概率是否小于0.5，若是，则执行步骤(5a)，否则，执行步骤(6)；(6)判断视频序列中的所有图像是否处理完毕，若是，则执行步骤(7)，否则，执行步骤(3)；(7)结束。