本發(fā)明專利技術(shù)涉及一種基于在線初始化梯度增強回歸樹的目標(biāo)跟蹤方法及系統(tǒng)，在視頻輸入端、跟蹤目標(biāo)輸出端以及在線訓(xùn)練分類器構(gòu)成的系統(tǒng)中，方法步驟為：1）在視頻序列中選擇跟蹤目標(biāo)，提取類Haar特征的正負(fù)樣本；2）根據(jù)所述正負(fù)樣本隨機建立在線分類器得到訓(xùn)練殘差；3）將所述訓(xùn)練殘差作為在線分類器的訓(xùn)練樣本進(jìn)行訓(xùn)練修正，建立目標(biāo)模型；4）從下一幀視頻圖像獲取圖像置信圖，目標(biāo)窗口確定置信值最大的位置，完成跟蹤。本發(fā)明專利技術(shù)使得其能夠快速收斂到最優(yōu)點，完成對隨機森林檢測的優(yōu)化，并且通過在線學(xué)習(xí)實現(xiàn)分類器的更新，很好地解決了目標(biāo)外觀變化、快速運動以及遮擋等問題。
【技術(shù)實現(xiàn)步驟摘要】
本專利技術(shù)屬于機器視覺領(lǐng)域目標(biāo)跟蹤和智能人機交互領(lǐng)域，具體涉及一種魯棒的基于在線初始化梯度增強回歸樹的目標(biāo)跟蹤方法，屬于機器視覺領(lǐng)域目標(biāo)跟蹤及智能人機交互領(lǐng)域。
技術(shù)介紹
視覺目標(biāo)跟蹤技術(shù)是機器視覺研究的核心課題之一，它融合了圖像處理、模式識別、人工智能、自動控制等許多領(lǐng)域的關(guān)鍵技術(shù)。視覺目標(biāo)跟蹤技術(shù)廣泛應(yīng)用于視頻監(jiān)控、智能機器人、智能交通等人機交互領(lǐng)域，以及軍事領(lǐng)域。因為具有巨大的應(yīng)用前景，國際和國內(nèi)對視覺目標(biāo)跟蹤的研究方興未艾。在現(xiàn)實場景中，受日光和燈光的影響，光線變化較大；背景中靜態(tài)干擾物雜亂無章和動態(tài)干擾物形態(tài)且運動方式無法預(yù)測；目標(biāo)與環(huán)境中的其他物體之間容易相互遮擋；長時間跟蹤運動目標(biāo)外觀、尺度、姿態(tài)變化大。面對這些困難，如何實現(xiàn)穩(wěn)定的目標(biāo)跟蹤，從而進(jìn)行更加智能和更加魯棒的人機交互，具有重要的研究意義。當(dāng)前視覺目標(biāo)跟蹤的傳統(tǒng)方法可以分為基于區(qū)域的跟蹤、基于特征的跟蹤、基于變形模版的跟蹤以及基于模型的跟蹤方法。算法執(zhí)行順序遵循預(yù)測-檢測-匹配-更新四個步驟，以前一幀目標(biāo)位置和運動模型為基礎(chǔ)，預(yù)測當(dāng)前幀中目標(biāo)的可能位置。在可能位置處候選區(qū)域的特征和初始特征進(jìn)行匹配，通過優(yōu)化匹配準(zhǔn)則來選擇最好的匹配，其相應(yīng)目標(biāo)區(qū)域即為目標(biāo)在本幀的位置。上述傳統(tǒng)方法在魯棒性方面依賴于針對特定環(huán)境的特征的融合，并且缺乏可靠的理論基礎(chǔ)。而機器學(xué)習(xí)方法獲得的分類器已經(jīng)在人臉識別、目標(biāo)識另O、人體識別等領(lǐng)域取得了令人矚目的成果，近年來機器學(xué)習(xí)在機器視覺領(lǐng)域得到了廣泛的研究，基于分類器的目標(biāo)檢測方法為目標(biāo)跟蹤提供了更高的魯棒性，并且在線學(xué)習(xí)的視覺跟蹤可以很好的解決目標(biāo)外觀的變 化問題。并且傳統(tǒng)的離線學(xué)習(xí)的方法通過大量的樣本訓(xùn)練分類器，然后再對目標(biāo)進(jìn)行檢測與跟蹤。因此對訓(xùn)練樣本提出了很高的要求，比如必須包括跟蹤目標(biāo)在各種情況下可能出現(xiàn)的狀態(tài)；而且即使擁有這樣的訓(xùn)練樣本，由于它們的變化性太大，也可能很難提出比較好的特征來用于檢測或者分類。所以將在線初始化梯度增強回歸樹的機器學(xué)習(xí)方法應(yīng)用于目標(biāo)跟蹤具有重要的理論研究和應(yīng)用意義。用于視覺追蹤的機器學(xué)習(xí)算法最常用是兩種集群學(xué)習(xí)方法，分別為自適應(yīng)增強(Adaboost)和隨機森林(Random Forest)。Saffari在文獻(xiàn) A.Saffari, C.Leistner, J.Santner, M.Godec and H.Bischof, ' 'On-lineRandom Forests,IEEEInternational Conference on Computer VisionWorkshops, pp.1393-1400, 2009.中提出了在線隨機森林算法,但是準(zhǔn)確率不高。
技術(shù)實現(xiàn)思路
本專利技術(shù)的目的是在以檢測做跟蹤的框架下，將基于初始化梯度增強回歸樹方法進(jìn)行逐巾貞檢測分類，初始化梯度增強回歸樹方法可參見(H.Grabner, C.Leistner andH.Bischof, ''Sem1-supervised On-Line Boosting for Robust Tracking, EuropeanConference on Computer Vision,pp.234-247, 2008.) (B.Babenko,M.Yang andS.Belongie,' Visual Tracking wiht Online Multiple Instance Learning, IEEEConference on Computer Vision and Pattern Recognition, pp.983-990,2009.)(J.Santner, C.Leisner, A.Saffari, T.Pock and H.Bischof, ''PROST:Parallel RobustOnline Simple Tracking, IEEE Conference on Computer Vision and PatternRecognition, pp.720-730, 2010.)通過在線學(xué)習(xí)進(jìn)行樣本更新,從而實現(xiàn)對現(xiàn)實應(yīng)用場景連續(xù)的魯棒的目標(biāo)跟蹤。本專利技術(shù)通過初始化梯度增強回歸樹的方法，即將隨機森林的結(jié)果初始化梯度增強回歸樹用來修正隨機森林的結(jié)果，大大提高了追蹤的準(zhǔn)確率和魯棒性。本專利技術(shù)方案如下:一種基于在線初始化梯度增強回歸樹的目標(biāo)跟蹤方法，其步驟為:I)在視頻序列中選擇跟蹤目標(biāo)，提取類Haar特征的正負(fù)樣本；2)根據(jù)所述正負(fù)樣本隨機建立在線隨機森林分類器得到訓(xùn)練殘差；3)將所述訓(xùn)練殘差作為在線梯度增強回歸樹分類器的訓(xùn)練樣本進(jìn)行訓(xùn)練修正，建立目標(biāo)模型；4)從下一幀視頻圖像獲取圖像置信圖，目標(biāo)窗口根據(jù)所述目標(biāo)模型確定置信值最大的位置，完成跟蹤。更進(jìn)一步，所述目標(biāo)跟蹤方法還包括:輸出置信值最大的位置后更新所述在線分類器。更進(jìn)一步，在目標(biāo)窗口內(nèi)提取類Haar特征為所述正樣本，目標(biāo)窗口外兩倍目標(biāo)大小的類Haar特征為所述負(fù)樣本。更進(jìn)一步，所述在 線隨機森林分類器在訓(xùn)練每棵樹時，從全部訓(xùn)練樣本中任意選取一個子集進(jìn)行訓(xùn)練，并評估其他未被選中的子集數(shù)據(jù)的隨機森林?jǐn)?shù)泛化誤差，通過所述泛化誤差決定是否構(gòu)建新樹。更進(jìn)一步，所述在線隨機森林分類器在每個節(jié)點隨機選取所有樣本的一個子集，計算隨機森林中的決策樹的節(jié)點的分裂函數(shù)。更進(jìn)一步，所述在線梯度增強回歸樹分類器在殘差減少的梯度方向上建立一新目標(biāo)模型。更進(jìn)一步，當(dāng)所述梯度增強回歸樹小于一閾值，則在線構(gòu)造新樹。更進(jìn)一步，在構(gòu)造目標(biāo)模型過程中，當(dāng)樣本數(shù)大于閾值時，進(jìn)行殘差的更新，并作為新的梯度增強回歸樹的輸入。本專利技術(shù)還提出一種基于在線初始化梯度增強回歸樹的目標(biāo)跟蹤系統(tǒng)，其特征在于，包括:視頻輸入端、跟蹤目標(biāo)輸出端以及在線訓(xùn)練分類器，所述視頻輸入端，包括可獲取RGB圖像的攝像設(shè)備；所述跟蹤目標(biāo)輸出端，輸出選定的跟蹤目標(biāo)在圖像中的位置；所述在線訓(xùn)練分類器，I)在視頻序列中選擇跟蹤目標(biāo)，提取類Haar特征的正負(fù)樣本；2)根據(jù)所述正負(fù)樣本隨機建立在線隨機森林分類器得到訓(xùn)練殘差；3)將所述訓(xùn)練殘差作為在線梯度增強回歸樹分類器的訓(xùn)練樣本進(jìn)行訓(xùn)練修正，建立目標(biāo)模型；4)從下一幀視頻圖像獲取圖像置信圖，目標(biāo)窗口根據(jù)所述目標(biāo)模型確定置信值最大的位置，完成跟蹤。更進(jìn)一步，輸出置信值最大的位置后更新所述在線訓(xùn)練分類器。本專利技術(shù)的技術(shù)效果:本專利技術(shù)實現(xiàn)了魯棒的基于視覺的目標(biāo)跟蹤，通過融合隨機森林和梯度增強回歸樹，即利用隨機森林的目標(biāo)檢測結(jié)果的殘差初始化梯度增強回歸樹，使得其能夠快速收斂到最優(yōu)點，完成對隨機森林檢測的優(yōu)化，并且通過在線學(xué)習(xí)實現(xiàn)分類器的更新，很好地解決了目標(biāo)外觀變化、快速運動以及遮擋等問題。本專利技術(shù)的框架也適合進(jìn)行不同跟蹤器和分類器的擴(kuò)展，使之能滿足更多的應(yīng)用需求。本專利技術(shù)的效果圖如圖3 Ca) 一圖3 (f)所示:其中方框標(biāo)注的為本專利技術(shù)的效果，從圖中可以看出本專利技術(shù)的目標(biāo)跟蹤效果最好。附圖說明:圖1是本專利技術(shù)的目標(biāo)跟蹤方法的流程示意圖；圖2是本專利技術(shù)的隨機森林分類器和梯度增強回歸樹分類器上方法操作流程圖。圖3 Ca) 一圖3 (f)是本專利技術(shù)的目標(biāo)跟蹤效果圖示意圖，方框內(nèi)表示的是本專利技術(shù)的跟蹤效果。具體實施方式:下面將結(jié)合本專利技術(shù)實施例中的附圖，對本專利技術(shù)實施例中的技術(shù)方案進(jìn)行清楚本文檔來自技高網(wǎng)...
【技術(shù)保護(hù)點】
一種基于在線初始化梯度增強回歸樹的目標(biāo)跟蹤方法，其步驟為：1）在視頻序列中選擇跟蹤目標(biāo)，提取類Haar特征的正負(fù)樣本；2）根據(jù)所述正負(fù)樣本隨機建立在線隨機森林分類器得到訓(xùn)練殘差；3）將所述訓(xùn)練殘差作為在線梯度增強回歸樹分類器的訓(xùn)練樣本進(jìn)行訓(xùn)練修正，建立目標(biāo)模型；4）從下一幀視頻圖像獲取圖像置信圖，目標(biāo)窗口根據(jù)所述目標(biāo)模型確定置信值最大的位置，完成跟蹤。
【技術(shù)特征摘要】
1.一種基于在線初始化梯度增強回歸樹的目標(biāo)跟蹤方法，其步驟為: 1)在視頻序列中選擇跟蹤目標(biāo)，提取類Haar特征的正負(fù)樣本； 2)根據(jù)所述正負(fù)樣本隨機建立在線隨機森林分類器得到訓(xùn)練殘差； 3)將所述訓(xùn)練殘差作為在線梯度增強回歸樹分類器的訓(xùn)練樣本進(jìn)行訓(xùn)練修正，建立目標(biāo)模型； 4)從下一幀視頻圖像獲取圖像置信圖，目標(biāo)窗口根據(jù)所述目標(biāo)模型確定置信值最大的位置，完成跟蹤。2.如權(quán)利要求1所述的基于在線初始化梯度增強回歸樹的目標(biāo)跟蹤方法，其特征在于，所述目標(biāo)跟蹤方法還包括:輸出置信值最大的位置后更新所述在線分類器。3.如權(quán)利要求1所述的基于在線初始化梯度增強回歸樹的目標(biāo)跟蹤方法，其特征在于，在目標(biāo)窗口內(nèi)提取類Haar特征為所述正樣本，目標(biāo)窗口外兩倍目標(biāo)大小的類Haar特征為所述負(fù)樣本。4.如權(quán)利要求1所述的基于在線初始化梯度增強回歸樹的目標(biāo)跟蹤方法，其特征在于，所述在線隨機森林分類器在訓(xùn)練每棵樹時，從全部訓(xùn)練樣本中任意選取一個子集進(jìn)行訓(xùn)練，并評估其他未被選中的子集數(shù)據(jù)的隨機森林?jǐn)?shù)泛化誤差，通過所述泛化誤差決定是否構(gòu)建新樹。5.如權(quán)利要求1所述的基于在線初始化梯度增強回歸樹的目標(biāo)跟蹤方法，其特征在于，所述在線隨機森林分類器在每個節(jié)點隨機選取所有樣本的一個子集，計算隨機森林中的決策樹的節(jié)點的分裂函數(shù)。6...
【專利技術(shù)屬性】
技術(shù)研發(fā)人員：劉宏，梁子琳，丁潤偉，
申請(專利權(quán))人：北京大學(xué)深圳研究生院，
類型：發(fā)明
國別省市：
還沒有人留言評論。發(fā)表了對其他瀏覽者有用的留言會獲得科技券。