一种基于类相似性测量的实时目标跟踪算法

摘要

本发明公开了一种基于类相似性测量的实时目标跟踪算法，目标跟踪对实时性要求非常高，在目前主流的基于检测跟踪的框架下，根据测试样本与目标类和背景类的相似度比较来确定目标在新帧中的目标位置。本方法首先在当前帧采集目标类和背景类集合，计算出它们的统计特征，并在下一帧采集测试样本集合。本方法定义了一种计算测试样本与类之间相似度的量化标准，通过找出与目标类相似以及和背景类不相似的测试样本来确定目标位置。本方法明显提高了跟踪的实时性以及跟踪精度。

主权项

一种基于类相似性测量的实时目标跟踪算法，其特征在于，包括以下步骤：步骤1：对于获取的包括N帧的视频序列，从t＝1帧开始，确定第t帧的目标它的位置为其中是一个矩形框，框内是需要跟踪的目标；包含四个参数：目标在该帧中的行坐标列坐标宽度width和高度height；初始化参数为0，这四个参数分别表示目标类的均值、方差和背景类的均值、方差，其中上标“+”表示目标类，“‑”表示背景类，下标i表示从样本提取的第i个特征；步骤2：在周围半径r_p个像素内采集目标类样本集这里x_t表示第t帧目标类中的样本，l(x_t)表示样本x_t所在的位置；在周围半径r_in、r_on像素之间采集背景类样本集这里x_t表示第t帧背景类中的样本，l(x_t)表示样本x_t所在的位置；其中r_p，r_in，r_on是经验参数，单位为像素；步骤3：对目标类和背景类中的每个样本提取n_f个类哈尔特征步骤4：计算目标类和背景类在第t帧的统计特征步骤5：根据学习率λ更新参数其中学习率是经验参数；步骤6：在第t+1帧的周围半径r_s个像素内采集测试样本并根据步骤3中的方法提取出它们的类哈尔特征；步骤7：定义样本与类之间的距离为d(x,χ)，计算每个测试样本与目标类在第i个特征上的距离d_i(x,χ⁺)，以及每个测试样本与背景类在第i个特征上的距离d_i(x,χ^‑)，将它们的和作为样本与目标类和背景类之间的距离，即：步骤8：定义样本与类之间的相似度为S(x,χ)；分别计算测试样本与目标类之间的相似度S(x,χ⁺)＝exp(‑d(x,χ⁺))，以及测试样本与背景类之间的相似度S(x,χ^‑)＝exp(‑d(x,χ^‑))；步骤9：定义目标函数J(x)，选择测试样本中与目标类相似且与背景类不相似的样本作为目标在t+1帧的位置；步骤10：判断，t+1帧是不是最后一帧；若t+1帧不是最后一帧，则令t＝t+1，回转执行所述的步骤1；若t+1帧是最后一帧，则本算法结束。