基于隨機投影蕨的實時目標跟蹤算法
【技術領域】
[0001] 本發(fā)明涉及計算機視覺與模式識別技術，具體涉及一種基于隨機投影蕨的實時目 標跟蹤算法，可應用于人機交互，視頻監(jiān)控等領域。
【背景技術】
[0002] 目標跟蹤一直是計算機視覺，模式識別領域中的熱點問題，它在視頻監(jiān)控，人機交 互，車輛導航等方面都有廣泛的應用。目前，目標跟蹤面臨著很多挑戰(zhàn)，例如，光照變化，姿 態(tài)變化，遮擋干擾等等。當前跟蹤算法可以從目標外觀表達機制分為兩大類：基于生成模型 的目標跟蹤算法和基于判別模型的目標跟蹤算法。其中，生成模型是指構建一個自適應模 型，即學習一個具有代表性的外觀模型，通過此模型按照某種相似性度量去搜索圖像區(qū)域， 并最小化重構誤差。然而，由于生成模型僅僅利用了目標外觀信息，因此在背景復雜等情況 下容易出現(xiàn)目標框漂移，甚至跟蹤失敗的情況。判別模型的重點在于設計一種魯棒的分類 器，用以區(qū)分前景和背景，分類器的好壞直接決定了算法跟蹤性能的優(yōu)劣。與生成模型相 比，基于判別模型的算法由于在訓練分類器的過程中添加了來自背景的負樣本，因此為目 標跟蹤提供了更高的魯棒性，并且分類器的在線訓練過程也可以很好的解決目標外觀的變 化問題。
[0003] 近些年來，越來越多的機器學習方法被應用于分類器設計中，Zhang等人利用隨機 投影實現(xiàn)一種基于壓縮感知的跟蹤算法，將原始圖像從高維空間映射到低位空間，并完成 分類。在目標識別領域中，Ozuysal等人提出一種簡單有效的方法對圖像進行描述，即隨機 蕨（Random fern)，通過利用隨機選擇的像素點對的灰度值比較，將一個圖像片離散表示為 一個二值編碼，每個二值編碼對應一個后驗概率，因此可以利用貝葉斯定理完成對樣本的 分類。Kalal等人成功將隨機蕨作為分類器應用在目標跟蹤之中。然而，隨機蕨也存在著一 些缺陷：首先，每個像素對的灰度值比較僅僅有兩個輸出，〇或者1，因此不能充分地表達目 標信息。其次，該方法對內存需求較大，與每棵蕨上的像素點對數(shù)呈指數(shù)倍關系，因此對于 嵌入式系統(tǒng)移植或一些要求高幀率的應用場合是不利的。有關基于隨機蕨的目標跟蹤的改 進算法及技術，在公開號為CN102982340A的申請文件中已有披露，但該方法并沒有解決隨 機蕨的自身缺陷，而且在跟蹤的過程中結合了光流法，對內存的消耗更大。
[0004] 針對以上問題，本發(fā)明采用判別模型作為算法設計架構，提出一種基于隨機蕨和 隨機投影的目標跟蹤算法，該算法不僅能夠實時、魯棒地對目標進行跟蹤，而且內存需求 低，十分適合應用在嵌入式系統(tǒng)。

【發(fā)明內容】

[0005] 1.目的：本發(fā)明的目的是提供一種基于隨機投影蕨的實時目標跟蹤算法，通過選 取包含目標更多信息的特征，并引入隨機投影矩陣，提高了跟蹤效果的實時性和魯棒性，同 時減少算法的內存需求，易于嵌入式系統(tǒng)移植。
[0006] 2.技術方案：本發(fā)明提供一種基于隨機投影蕨的實時目標跟蹤算法，該算法包括 如下步驟：
[0007] 步驟1、算法初始化模塊：在視頻序列第一幀中人工標記或自動識別出待跟蹤目 標，并將圖像轉換為灰度圖像，根據(jù)初始目標寬和高的尺寸信息，生成遍歷整幅圖像的η種 尺度的矩形掃描窗口，并計算當前幀所有掃描窗口與目標框的重疊率，取重疊率大于設定 閾值的窗口圖像作為正樣本，在重疊率小于設定閾值的窗口圖像中隨機選擇若干個作為負 樣本；
[0008] 步驟2、隨機投影蕨訓練模塊：對當前幀得到的正負樣本，提取圖像特征，利用高 斯投影矩陣將特征值轉換至投影空間，完成對分類器的訓練；
[0009] 步驟3、隨機投影蕨分類模塊：讀入視頻序列下一幀，并將圖像轉換為灰度圖像， 利用步驟二訓練得到的分類器，對當前幀待檢測掃描窗口是正樣本的后驗概率和負樣本的 后驗概率分別進行計算，利用判別函數(shù)求得當前幀目標所在位置；
[0010] 步驟4、訓練集更新模塊：利用步驟三得到的跟蹤結果，在當前幀提取正負樣本， 完成訓練集的更新。
[0011] 其中，步驟1所述算法初始化模塊的具體過程為：在視頻序列第一幀中人工標記 或自動識別出待跟蹤目標，并將圖像轉換為灰度圖像，根據(jù)初始目標寬和高的尺寸信息，按 照一定的尺度縮放比，水平步長，垂直步長，以及限定掃描窗口的最小尺寸，遍歷整幅圖像 生成η種尺度下的矩形掃描窗口，計算當前幀所有掃描窗口與目標框的重疊率，取重疊率 大于設定閾值的窗口圖像作為正樣本，在重疊率小于設定閾值的窗口圖像中隨機選擇若干 個作為負樣本；
[0012] 其中，步驟2所述隨機投影蕨訓練模塊的具體過程為：首先建立隨機投影蕨，蕨的 個數(shù)為Μ，每棵蕨包含的像素點對數(shù)為S ;利用當前幀得到的正負樣本，選取像素點對的灰 度差值4 j作為特征：
[0013] fi_ j= I (d 1 (i, j))-I (d2(i, j)) (I)
[0014] 其中，I表示當前幀待處理的窗口圖像，Cl1(Lj)和d2(i，j)表示第i棵蕨中第j 個像素對的像素點坐標；
[0015] 利用高斯投影矩陣將所有特征值轉換至投影空間，每棵蕨得到一個對應的實數(shù)值 F1:
[0016]
(2)
[0017] 其中，〇^是一個隨機生成的符合高斯分布的實數(shù)值；
[0018] 利用高斯分布模型分別對正樣本，負樣本的后驗概率進行建模，每棵蕨的參數(shù) (///，<)可根據(jù)下式進行更新：
[0021] 其中，步驟3所述隨機投影蕨分類模塊的具體過程為：讀入視頻序列下一幀，并將 圖像轉換為灰度圖像；以上一幀跟蹤目標框的中心為圓心，以y = aXmax (height, width) 為搜索半徑，其中，width，height表示上一幀跟蹤目標框的寬和高，a為調整搜索半徑的系 數(shù)，γ的取值可根據(jù)上一幀目標框的尺寸進行自適應調整；在當前幀，采用步驟二所述方 式求得圓狀搜索區(qū)域內所有窗口圖像的蕨類特征值fu，并通過高斯投影矩陣求得每棵蕨 對應的實數(shù)值F 1，然后利用F1對當前幀窗口圖片是正樣本的后驗概率和負樣本的后驗概率 分別進行計算，窗口圖像所屬類別的判別函數(shù)為：
[0022]
(4)
[0023] 其中，ye {〇，1}表示正負樣本標簽，F(xiàn) ={&，&，...&}表示對于當前幀任一窗口 圖像的各個蕨的計算結果總集；
[0024] 通過求解H(F)最大值所在位置，即為當前幀的跟蹤結果；
[0025] 其中，步驟4所述訓練集更新模塊的具體過程為：利用步驟三求得當前幀的目標 位置，計算當前幀所有掃描窗口與目標框的重疊率，取重疊率大于設定閾值的窗口圖像作 為正樣本，在重疊率小于設定閾值的窗口圖像中隨機選擇若干個作為負樣本；轉至步驟二， 利用這些正負樣本對分類器在線訓練；
[0026] 至此，當前幀圖像中目標的位置，尺度參數(shù)已經(jīng)全部得到，接下來要繼續(xù)對后續(xù)幀 中的目標進行跟蹤，直到跟蹤結束。
[0027] 3.本發(fā)明與現(xiàn)有技術相比的優(yōu)點在于：
[0028] (1)相比較于傳統(tǒng)隨機蕨分類器采用的二值特征，本發(fā)明采用了一種取值范圍為 整個實數(shù)域的特征，該特征可以更具體地表達每個像素對的具體灰度值差異，因此對目標 的表達更充分；
[0029] (2)引入隨機投影矩陣，降低了內存需求，易于嵌入式系統(tǒng)移植；
[0030] (3)跟蹤步驟簡單，易于實現(xiàn)，實時性高。
[0031] (4)本發(fā)明方法不僅可以得到每幀圖像中運動目標的位置，而且可以得到運動目 標的尺度信息，即可以為具有PTZ功能的攝像機和基于目標跟蹤的視覺導引提供控制參 數(shù)，從而提高整個跟蹤系統(tǒng)運行的穩(wěn)定性。
【附圖說明】
[0032] 圖1為本發(fā)明所述的基于隨機投影蕨的實時目標跟蹤算法的流程圖。
【具體實施方式】
[0033] 下面結合附圖進一步說明本發(fā)明。應指出，此處所描述的【具體實施方式】僅是用于 解釋本發(fā)明，使本發(fā)明的目的、技術方案及優(yōu)點更清晰具體，并不用于限定本發(fā)明的保護范 圍，凡其他圍繞本發(fā)明的原理而進行的任何改進和完善，應當視為本發(fā)明的保護范圍。
[0034] 參照附圖1，本發(fā)明提供的一種基于隨機投影蕨的實時目標跟蹤算法，主要包括以 下步驟：
[0035] 步驟1、算法初始化模塊：在視頻序列第一幀中人工標記或自動識別出待跟蹤目 標，并將圖像轉換為灰度圖像，根據(jù)初始目標寬和高的尺寸信息，生成遍歷整幅圖像的η種 尺度的矩形掃描窗口，并計算當前幀所有掃描窗口與目標框的重疊率，取重疊率大于設定 閾值的窗口圖像作為正樣本，在重疊率