流 場的水平分量，v (t)為光流場的豎直分量。
[0109] 在光流場w(t)上使用中值濾波核M，對于當前視頻幀I(t)中的任意一個像素點P (t) = (x(t)，y(t))，可以光滑跟蹤到該像素點在下一個視頻幀I(t+1)中的位置P(t+l) = (x (t+l)，y(t+l))，跟蹤公式如下：
[0110] P(t+l) = (x(t+l) ,y(t+l)) = (x(t) ,y(t)) + (M*w(t))
[0111] 其中，x(t)為像素點P(t)的橫坐標，y(t)為像素點P(t)的縱坐標。
[0112] 可見，通過上述步驟，根據(jù)每一幀視頻圖像的目標框的光流場，可以將當前幀的目 標框的每一個密度特征點與下一幀的目標框的對應的密度特征點光滑連接，對所有視頻幀 進行處理后，獲得了連續(xù)幀的目標框的密度軌跡線。
[0113] 其中，預設像素長度可以根據(jù)需要進行設置?？蛇x的，預設像素長度設置為5。
[0114] 本實施例提供了一種視頻跟蹤方法，在對視頻圖像進行視頻跟蹤處理后，選取連 續(xù)的視頻幀進行動作識別，通過獲取連續(xù)幀中的目標框的密度軌跡線，計算密度軌跡線的 運動特征，對H0G特征、H0F特征、MBH特征和SDEV特征進行譯碼，以使各特征的特征維度相 等，對H0G特征、H0F特征、MBH特征和SDEV特征進行特征融合，根據(jù)融合后的運動特征訓練動 作分類器，以使動作分類進行動作識別。本實施例提供的視頻跟蹤方法，由于根據(jù)融合后的 運動特征訓練動作分類器，可以使得動作分類器更加準確，進而使得通過動作分類器識別 的動作更加準確，提高了動作識別的準確性。
[0115] 最后應說明的是：以上各實施例僅用以說明本發(fā)明的技術方案，而非對其限制;盡 管參照前述各實施例對本發(fā)明進行了詳細的說明，本領域的普通技術人員應當理解:其依 然可以對前述各實施例所記載的技術方案進行修改，或者對其中部分或者全部技術特征進 行等同替換；而這些修改或者替換，并不使相應技術方案的本質脫離本發(fā)明各實施例技術 方案的范圍。
【主權項】
1. 一種視頻跟蹤方法，其特征在于，包括： 在視頻圖像的第一幀中確定目標框，為所述目標框建立目標視頻分類器； 在視頻圖像的第二幀中采用所述目標視頻分類器跟蹤所述目標框并識別出候選框，根 據(jù)所述目標框與所述候選框的位置判斷所述候選框是否遮擋所述目標框； 若所述候選框遮擋所述目標框，則為所述候選框建立候選視頻分類器，并在視頻圖像 的第三幀中采用所述候選視頻分類器跟蹤所述候選框并識別出所述目標框，根據(jù)所述目標 框與所述候選框的位置判斷所述候選框是否離開所述目標框，若是，則在視頻圖像的第四 幀中通過所述目標視頻分類器對所述目標框進行跟蹤;若否，則在視頻圖像的第四幀中通 過所述候選視頻分類器對所述候選框進行跟蹤;直至對所述視頻圖像的所有幀的跟蹤操作 完成。2. 根據(jù)權利要求1所述的視頻跟蹤方法，其特征在于，還包括： 若所述候選框沒有遮擋所述目標框，則在視頻圖像的第三幀中通過所述目標視頻分類 器對所述目標框進行跟蹤。3. 根據(jù)權利要求1所述的視頻跟蹤方法，其特征在于，所述為所述目標框建立目標視頻 分類器，包括： 在距離所述目標框預設范圍內采集正樣本和負樣本； 分別提取所述正樣本和所述負樣本的低維特征向量，所述低維特征向量中的每兩個分 量之間相互獨立； 根據(jù)所述低維特征向量訓練視頻分類器獲得所述目標視頻分類器。4. 根據(jù)權利要求1所述的視頻跟蹤方法，其特征在于，所述在視頻圖像的第二幀中采用 所述目標視頻分類器跟蹤所述目標框并識別出候選框，包括： 在視頻圖像的第二幀中采集樣本框； 采用所述目標視頻分類器在所述樣本框中識別出所述目標框； 計算所述目標框與除所述目標框之外的任意一個樣本框之間的方差，若所述方差大于 預設閾值，則采用所述目標視頻分類器判斷所述樣本框包含所述目標框的概率，若所述概 率大于預設門限值，則將所述樣本框識別為所述候選框。5. 根據(jù)權利要求4所述的視頻跟蹤方法，其特征在于，所述采用所述目標視頻分類器在 所述樣本框中識別出所述目標框之后，還包括： 采用所述目標視頻分類器對在距離所述目標框預設范圍內的每一個樣本框識別為正 樣本或者負樣本； 分別提取所述正樣本和所述負樣本的低維特征向量，所述低維特征向量中的每兩個分 量之間相互獨立； 根據(jù)所述低維特征向量更新所述目標視頻分類器。6. 根據(jù)權利要求1所述的視頻跟蹤方法，其特征在于，還包括： 在視頻圖像的每一幀中獲取所述目標框的坐標； 將所述目標框的坐標與預設的坐標分類等級進行比較，獲得所述目標框對應的坐標分 類等級； 根據(jù)所述目標框對應的坐標分類等級，為所述目標框選擇與所述坐標分類等級對應的 顯示規(guī)格。7. 根據(jù)權利要求1所述的視頻跟蹤方法，其特征在于，還包括： 獲取視頻圖像中預設數(shù)值個連續(xù)幀中的目標框； 計算所述連續(xù)幀中的目標框的運動特征，根據(jù)所述運動特征進行動作識別。8. 根據(jù)權利要求7所述的視頻跟蹤方法，其特征在于，所述計算所述連續(xù)幀中的目標框 的運動特征，根據(jù)所述運動特征進行動作識別，包括： 獲取所述連續(xù)幀中的目標框的密度軌跡線； 計算所述密度軌跡線的運動特征，所述運動特征包括:方向梯度直方圖HOG特征、光流 直方圖H0F特征、運動邊界直方圖MBH特征和SDEV特征； 對所述HOG特征、所述H0F特征、所述MBH特征和所述SDEV特征進行譯碼，以使各特征的 特征維度相等； 對所述HOG特征、所述H0F特征、所述MBH特征和所述SDEV特征進行特征融合，根據(jù)融合 后的運動特征訓練動作分類器，以使所述動作分類進行動作識別。9. 根據(jù)權利要求8所述的視頻跟蹤方法，其特征在于，所述獲取所述連續(xù)幀中的目標框 的密度軌跡線，包括： 對所述連續(xù)幀中的每一幀的目標框以預設像素長度計算密度特征點； 獲取所述連續(xù)幀中的每一幀的目標框的光流場，從所述連續(xù)幀中的第一幀開始，根據(jù) 當前幀的目標框的光流場將當前幀的目標框的每一個密度特征點與下一幀的目標框的對 應的密度特征點光滑連接，直至所述連續(xù)幀中的最后一幀，獲得所述連續(xù)幀的目標框的密 度軌跡線。10. 根據(jù)權利要求8所述的視頻跟蹤方法，其特征在于，所述動作分類器為基于徑向基 函數(shù)RBF的支持向量機SVM分類器。
【專利摘要】本發(fā)明提供一種視頻跟蹤方法，包括：為目標框建立目標視頻分類器，采用目標視頻分類器跟蹤目標框并識別出候選框，若候選框遮擋目標框，則為候選框建立候選視頻分類器，并采用候選視頻分類器跟蹤候選框并識別出目標框，若候選框離開目標框，則重新通過目標視頻分類器對目標框進行跟蹤，若候選框繼續(xù)遮擋目標框，則繼續(xù)通過候選視頻分類器對候選框進行跟蹤；直至對視頻圖像的所有幀的跟蹤操作完成。本發(fā)明提供的視頻跟蹤方法，可以有效解決運動視頻中的遮擋問題，當跟蹤目標被遮擋后不會將跟蹤目標跟丟，提高了視頻跟蹤的正確率。
【IPC分類】G06K9/00, G06T7/20
【公開號】CN105512618
【申請?zhí)枴緾N201510846671
【發(fā)明人】王蘊紅, 盧江虎, 黃迪
【申請人】北京航空航天大學
【公開日】2016年4月20日
【申請日】2015年11月27日