一种基于Online Boosting的粒子滤波行人目标跟踪方法

摘要

一种基于Online Boosting的粒子滤波跟踪方法，属于目标跟踪或图像处理技术。本发明通过对跟踪环境中具体情形进行分析，对跟踪行人相互遮挡建立遮挡矩阵，构成粒子滤波模型的中的加权因子，以此来对遮挡行人进行有效刻画，同时在改进的粒子滤波模型中，利用了Online Boosting实时更新刻画目标的优点，对跟踪过程中偏离目标进行了有效的抑制，能够有效的避免目标跟踪过程漂移的发生，使得跟踪更加的准确和鲁棒。本发明充分有效利用了行人运动过程的有效信息，在下一时刻行人目标跟踪时，在目标周围区域进行粒子重建，使得模型能很快地收敛，计算速度快，跟踪准确，同时，本方法对噪声具有较强的鲁棒性，算法稳定性较高。

主权项

一种基于Online Boosting的粒子滤波行人目标跟踪方法，该方法步骤如下：步骤1：提取目标先验信息步骤1‑1：采用公共数据集构建目标训练模型；利用现有公共数据集分别提取行人的梯度直方图特征和Luv颜色空间特征，然后进行特征融合，采用SVM(支持向量机)进行训练，得到行人分类器g(x)；步骤1‑2：对需要检测的图像，采用滑动窗口方法检测目标；对初始帧采用滑动窗口方法，检测需要跟踪的行人目标，提取目标区域tr_k，其中k为检测到的第k个行人；步骤2：建立Online Boosting模型步骤2‑1：构建弱分类器：采用LBP特征或者梯度直方图特征构建弱分类器；具体为：对于LBP特征，采用近邻学习生成一个距离函数D(·)，建立弱分类器：$h_j^{weak}\left(x\right)=sign\left(D\right(f_j\left(x\right),p_j)-D(f_j\left(x\right),n_j\left)\right)$其中，p_j和n_j分别表示正、负样本的聚类中心，x目标向量、j表示目标的编号、f_j(x)为目标投影函数、sign(·)符号函数，对于Hog特征，可以找出行人和非行人的特征分布，然后简单地确定θ，利用下式即可：$h_j\left(x\right)=\left\{\begin{array}{cc}1& \begin{array}{cc}if& {\beta }_{j}f<{\beta }_j\theta \end{array}\\ -1& else\end{array}\right.$其中，β_j为偏置项，θ为阈值；步骤2‑2：训练强分类器；用上述弱分类器构成多个选择子(Selctors)，每个选择子包含多个弱分类器，利用步骤一得到的目标区域进行初始化，在每一个选择子中选择最小错误率的弱分类器，同时计算权重，最后利用下式组合成强分类器h^strong(x)＝sign(conf(x))$conf\left(x\right)=\underset{j=1}{\overset{N}{\Sigma }}{\alpha }_j·h_j^{sel}\left(x\right)$其中，conf(x)为最后检测的可信度，以此可信度作为粒子滤波器权值的部分参数，就可以对目标进行检测跟踪；表示选择子，α_j表示加权系数；步骤3：对遮挡行人进行建模，假设目标i被目标j遮挡，如下：步骤3‑1：对两个目标的重叠区域进行积分，公式为：z_ij＝∫N_i(t)·N_j(t)dt其中，其中c_i第i个目标均值，C_i为方差；上式的积分结果为一个高斯函数：z_ij＝N(t_i；t_j,C_ij)，其中C_ij＝C_i+C_j，关注的遮挡时的重叠区域，采用下式来进行计算$V_{ij}=\exp (-\frac{1}{2}{\left[c_i-c_j\right]}^T{C}_{ij}^{-1}[c_i-c_j\left]\right)$其中：C_ij为i和j重叠区域，V_ij为协方差，c_j为第j个目标均值；步骤3‑2：定义目标的遮挡矩阵为：Φ＝(Φ_ij)_i,j其中Φ_ij＝σ_ij·V_ij,i≠j，Φ_ii＝0；对于Φ中某一行i和任意j列，Φ_ij表示i被j遮挡的部分；目标i的所有遮挡为j行的和，即：∑_jΦ_ij；目标i的可见部分为：max(0,1‑∑_jΦ_ij)；采用指数函数来定义目标的可见部分，公式为：$v_i\left(X\right)=\exp (-{\Sigma }_j{\Phi }_{ij}),\frac{\partial v_i\left(X\right)}{\partial X_j}=-\frac{\partial {\Phi }_{ij}}{\partial X_j}·v_i\left(X\right)$其中：X为待求目标，X_j表示第j个目标；步骤4：构建粒子加权模型；第i个粒子t‑1时刻的权重为t时刻的粒子权重为粒子权重的变化情况为：${\omega }_t^{\left(i\right)}={\omega }_{t-1}^{\left(i\right)}·p\left(y_t\right|x_t^{\left(i\right)})$其中，k_o,k_d,k_s,k_v为相应项的加权系数，同时有k_o+k_d+k_s+k_v＝1；步骤4‑1：强分类器检测的结果ρ⁽ⁱ⁾_o,t：对于第t时刻的i个粒子p⁽ⁱ⁾_t，获得最后的相似度，得到ρ⁽ⁱ⁾_o,t：ρ⁽ⁱ⁾_o,t＝conf(p⁽ⁱ⁾_t)其中conf(p⁽ⁱ⁾_t)为Onling Boosting的置信度计算公式；步骤4‑2：当前粒子距上一次目标跟踪的位置的距离ρ⁽ⁱ⁾_d,t：从目标运动过程来看，如果某个粒子距上一时刻的目标距离较远，那么该粒子描述跟踪目标的能力就较低，反之，如果粒子距上一时刻目标位置较近，则可信度较高。由于目标处于运动状态，上一个时刻的位置不一定是当前目标的位置，因此，为了增加可信度，对上一个时刻目标所处的位置周围某个区域的粒子设置相同的权重，而处于此区域以外的粒子随距离的增加而递减，即：${{\rho }^{\left(i\right)}}_{d,t}=\left\{\begin{array}{cc}1,& {D^{\left(i\right)}}_t<ϵ\\ \exp (-{\left({D^{\left(i\right)}}_t-ϵ\right)}^2),& else\end{array}\right.$其中，ε为一个固定数值，由行人目标运动的速度来度量；D⁽ⁱ⁾_t为第i个粒子距离上一时刻目标的位置。步骤4‑3：与上一次跟踪的相似度ρ⁽ⁱ⁾_s,t：由于行人的非刚性，因此上一时刻目标和当前时刻目标已经处于完全不同的状态，但是由于每一帧时间足够短，因此每一帧中行人外观变化不是特别大，因此，对特征变化太大的目标置一个较小的权重，对相似性很高的目标置一个较大的权重，即：${{\rho }^{\left(i\right)}}_{s,t}=\exp (-{\left(F_t^{\left(i\right)}-F_{t-1}\right)}^2)$其中为第i个粒子在t时刻的特征(使用HOG+LUV特征进行描述)，F_t‑1为t‑1时刻行人目标的特征；行人的可见部分ρ⁽ⁱ⁾_v,t：目标被遮挡的情况下可信度降低，可见部分的值也应该减小，而目标不存在遮挡时，可见部分应该增加；采用如下公式表示:${{\rho }^{\left(i\right)}}_{v,t}=\left\{\begin{array}{cc}\frac{V\left(i\right)}{{\mathrm{bb}}_i},& D_{i,j}^{\left(t\right)}<\zeta \\ 1,& else\end{array}\right.$其中，bb_i为目标未遮挡时的大小，V(i)为目标被目标j遮挡时的大小，为目标i与目标j的距离，ζ为距离阈值，根据实际情况确定；步骤5：预测位置，进行跟踪和更新由粒子滤波公式得到目标的最终位置，并跟新初始值和权系数；x(t)＝f(x(t‑1),u(t),w(t))y(t)＝h(x(t),e(t))其中，x(t)为t时刻状态，u(t)为t时刻控制量，w(t)和e(t)为观测模型和噪声模型，f(·)为观测方程，h(·)为状态方程，y(t)为最后的状态。