国产精品1024永久观看,大尺度欧美暖暖视频在线观看,亚洲宅男精品一区在线观看,欧美日韩一区二区三区视频,2021中文字幕在线观看

  • <option id="fbvk0"></option>
    1. <rt id="fbvk0"><tr id="fbvk0"></tr></rt>
      <center id="fbvk0"><optgroup id="fbvk0"></optgroup></center>
      <center id="fbvk0"></center>

      <li id="fbvk0"><abbr id="fbvk0"><dl id="fbvk0"></dl></abbr></li>

      一種基于多通道Haar-like特征的魯棒目標(biāo)跟蹤方法

      文檔序號:6550077閱讀:180來源:國知局
      一種基于多通道Haar-like特征的魯棒目標(biāo)跟蹤方法
      【專利摘要】本發(fā)明公開了一種基于多通道Haar-like特征的魯棒目標(biāo)跟蹤方法,包括以下步驟:在目標(biāo)跟蹤的過程中,先獲得多通道Haar-like特征的特征值,然后根據(jù)各多通道Haar-like特征訓(xùn)練出相應(yīng)的候選弱分類器;再在所有M個候選弱分類器中選出響應(yīng)最大的K個弱分類器構(gòu)造響應(yīng)為p(y=1|x)的強(qiáng)分類器,并更換其中判別力最弱的N個弱分類器;然后根據(jù)所述強(qiáng)分類器更新目標(biāo)的外觀模型及目標(biāo)的位置,循環(huán)往復(fù),從而得到各幀中目標(biāo)的位置及外觀模型。本發(fā)明可以滿足彩色圖像的跟蹤,同時滿足跟蹤過程中目標(biāo)本身及外界條件的實(shí)時變化。
      【專利說明】-種基于多通道HaarH i ke特征的魯棒目標(biāo)跟蹤方法

      【技術(shù)領(lǐng)域】
      [0001] 本發(fā)明屬于模式識別和計(jì)算機(jī)視覺領(lǐng)域,涉及一種基于多通道Haar-like特征的 魯棒目標(biāo)跟蹤方法。

      【背景技術(shù)】
      [0002] 作為計(jì)算機(jī)視覺領(lǐng)域的重要研究方向,目標(biāo)跟蹤問題近年來持續(xù)受到人們的關(guān) 注。運(yùn)動目標(biāo)跟蹤技術(shù)在機(jī)器人導(dǎo)航、視頻內(nèi)容分析、安全監(jiān)控等領(lǐng)域具有廣泛應(yīng)用前景。 雖然國內(nèi)外學(xué)者經(jīng)過大量研究提出多種目標(biāo)跟蹤方法,但是由于其固有的復(fù)雜性,包括目 標(biāo)的形變、旋轉(zhuǎn)、遮擋、光照變化、運(yùn)動模糊等,如何構(gòu)造一個準(zhǔn)確、魯棒和實(shí)時的目標(biāo)跟蹤 系統(tǒng)一直是個值得深入研究的問題。
      [0003] 外觀模型在一個魯棒的跟蹤算法中具有關(guān)鍵性的作用。目前提出的跟蹤算法根據(jù) 他們外觀模型的不同可以劃分為生成式模型和判別式模型兩類。生成式模型首先學(xué)習(xí)一個 外觀模型來表示目標(biāo),然后在各幀中搜索與該外觀模型最相似的區(qū)域。由于沒有考慮背景, 生成式模型在跟蹤過程中丟失了很多有用的信息。判別式模型即基于檢測的跟蹤,它將跟 蹤作為一個二元分類問題,運(yùn)用分類器將目標(biāo)從背景中分離出來。作為基于檢測跟蹤的最 近的代表性算法,多示例學(xué)習(xí)跟蹤算法在目標(biāo)跟蹤領(lǐng)域取得了巨大成功。
      [0004] 使用Haar-like特征進(jìn)行目標(biāo)表示是多示例學(xué)習(xí)跟蹤算法取得良好性能的重要 因素。2001年,Viola等首先將基于Haar-like小波的AdaBoost算法引入到人臉檢測中。 由于將積分圖像的思想應(yīng)用到Haar-like小波特征的計(jì)算中,極大地提高了特征的獲取速 度。受此啟發(fā),2011年Babenko等通過在線多示例學(xué)習(xí)訓(xùn)練分類器的方法,利用Haar-like 特征對目標(biāo)和背景訓(xùn)練一個判別式模型實(shí)現(xiàn)了跟蹤。與傳統(tǒng)的基于統(tǒng)計(jì)的直方圖目標(biāo)表示 不同,Haar-like特征是基于結(jié)構(gòu)的特征,對顏色和紋理等信息不敏感。因此,原始多示例 學(xué)習(xí)算法對彩色視頻跟蹤時通常采用RGB圖像的某一單通道信息或?qū)⑵滢D(zhuǎn)化為灰度圖像 進(jìn)行跟蹤。顯然,無論是采用單通道信息或?qū)⑵浜唵稳诤铣苫叶葓D像,都會對原始彩色圖像 造成信息丟失。此外,原始多示例學(xué)習(xí)算法通過Haar-like特征在正負(fù)樣本上的響應(yīng)實(shí)時 訓(xùn)練分類器進(jìn)行跟蹤。Haar-like特征在第一幀時隨機(jī)生成,并在隨后各幀中一直使用。由 于跟蹤過程中目標(biāo)和背景的漸進(jìn)變化,某些判別力較弱的Haar-like特征會失效,在特征 選擇過程中將不被使用。Haar-like特征"一次生成,永久使用",難以滿足跟蹤過程中目標(biāo) 本身和外界條件的實(shí)時變化要求。


      【發(fā)明內(nèi)容】

      [0005] 本發(fā)明的目的在于克服上述現(xiàn)有技術(shù)的缺點(diǎn),提供了一種基于多通道Haar-like 特征的魯棒目標(biāo)跟蹤方法,該方法可以滿足彩色圖像的跟蹤,同時滿足跟蹤過程中目標(biāo)本 身及外界條件的實(shí)時變化。
      [0006] 為達(dá)到上述目的,本發(fā)明所述的基于多通道Haar-like特征的魯棒目標(biāo)跟蹤方法 包括以下步驟:
      [0007] 1)在目標(biāo)跟蹤的過程中,用戶在第一幀中標(biāo)定目標(biāo)位置,然后在該目標(biāo)位置對應(yīng) 的環(huán)形區(qū)域內(nèi)采集若干正負(fù)樣本塊,其中,每個正負(fù)樣本塊對應(yīng)若干個多通道Haar-like 特征,每個多通道Haar-like特征包含若干個矩形塊,隨機(jī)產(chǎn)生每個矩形塊的六個參數(shù),所 述六個參數(shù)分別為矩形塊的左上角橫坐標(biāo)、縱坐標(biāo)、寬度、高度、權(quán)重及通道,并根據(jù)各矩形 塊所在的通道采用積分圖像的方法計(jì)算每個矩形塊的特征值,再將各通道的所有特征值根 據(jù)矩形塊的權(quán)重進(jìn)行加權(quán)求和,加權(quán)求和的結(jié)果作為該多通道Haar-like特征的特征值, 然后根據(jù)各多通道Haar-like特征訓(xùn)練出相應(yīng)的Μ個候選弱分類器,再基于Boosting算法 從所有Μ個候選弱分類器中選出K個響應(yīng)最大的弱分類器,然后通過選出的K個響應(yīng)最大 的弱分類器構(gòu)造響應(yīng)為P (y = 11X)的強(qiáng)分類器,其中,X是圖像塊的特征值,y是二進(jìn)制變 量,在時刻t,感興趣目標(biāo)位置為/,\設(shè)1 (X)表示候選圖像塊X的位置;
      [0008] 2)在下一幀目標(biāo)周圍半徑s的區(qū)域內(nèi)截取圖像塊集

      【權(quán)利要求】
      1. 一種基于多通道Haar-like特征的魯棒目標(biāo)跟蹤方法,其特征在于,包括以下步驟: 1) 在目標(biāo)跟蹤的過程中,用戶在第一幀中標(biāo)定目標(biāo)位置,然后在該目標(biāo)位置對應(yīng)的環(huán) 形區(qū)域內(nèi)采集若干正負(fù)樣本塊,其中,每個正負(fù)樣本塊對應(yīng)若干個多通道Haar-like特征, 每個多通道Haar-like特征包含若干個矩形塊,隨機(jī)產(chǎn)生每個矩形塊的六個參數(shù),所述六 個參數(shù)分別為矩形塊的左上角橫坐標(biāo)、縱坐標(biāo)、寬度、高度、權(quán)重及通道,并根據(jù)各矩形塊所 在的通道采用積分圖像的方法計(jì)算每個矩形塊的特征值,再將各通道的所有特征值根據(jù)矩 形塊的權(quán)重進(jìn)行加權(quán)求和,加權(quán)求和的結(jié)果作為該多通道Haar-like特征的特征值,然后 根據(jù)各多通道Haar-like特征訓(xùn)練出相應(yīng)的Μ個候選弱分類器,再基于Boosting算法從所 有Μ個候選弱分類器中選出K個響應(yīng)最大的弱分類器,然后通過選出的K個響應(yīng)最大的弱 分類器構(gòu)造響應(yīng)為P (y = 11X)的強(qiáng)分類器,其中,X是圖像塊的特征值,y是二進(jìn)制變量,在 時刻t,感興趣目標(biāo)位置為(,設(shè)1 (X)表示候選圖像塊X的位置; 2) 在下一幀目標(biāo)周圍半徑s的區(qū)域內(nèi)截取圖像塊集
      ,并計(jì)算 X e Xs范圍內(nèi)所有候選塊的p(y|x);然后根據(jù)
      更新目標(biāo)位置,同時更 新目標(biāo)的外觀模型; 3) 依次剔除N個弱分類器響應(yīng)最小的多通道Haar-like特征,再加入隨機(jī)產(chǎn)生的N個 新的多通道Haar-like特征,然后根據(jù)新Μ個多通道Haar-like特征訓(xùn)練出新的Μ個弱分 類器,再從新的Μ各弱分類器中挑選出新的響應(yīng)最大的Κ個弱分類器,并通過所述新的響應(yīng) 最大的Κ個弱分類器構(gòu)構(gòu)建新的強(qiáng)分類器; 4) 重復(fù)步驟2)及步驟3),得到各幀中目標(biāo)的位置及外觀模型,完成目標(biāo)的跟蹤。
      2. 根據(jù)權(quán)利要求1所述的基于多通道Haar-like特征的魯棒目標(biāo)跟蹤方法,其特征在 于,所述通道為RGB三通道。
      3. 根據(jù)權(quán)利要求1所述的基于多通道Haar-like特征的魯棒目標(biāo)跟蹤方法,其特征在 于,每個多通道Haar-like特征包含2-4個矩形塊。
      【文檔編號】G06K9/00GK104050451SQ201410273897
      【公開日】2014年9月17日 申請日期:2014年6月18日 優(yōu)先權(quán)日:2014年6月18日
      【發(fā)明者】趙耀博, 寧紀(jì)鋒 申請人:西北農(nóng)林科技大學(xué)
      網(wǎng)友詢問留言 已有0條留言
      • 還沒有人留言評論。精彩留言會獲得點(diǎn)贊!
      1