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)