一种基于外观模型的学型视觉追踪方法

摘要

本发明提供了一种基于外观模型的学型视觉追踪方法，该方法首先把图像帧划分成若干超像素区域，然后把分割后的超像素区域聚为正包集和负包集，正包集和负包集可以解释为准确的前景和背景划分；最后使用一个贪心搜索算法来学每个包的分布，每个包的权重取决于显著性的大小。与现有的基于超像素的建模方法相比，本发明的建模方法在学过程中没有使用迭代，而是通过一种多示例的学任务对外观模型进行了建模，克服了基于边界框建模方法自身的局限性，提高了计算效率，能够适用于实时的目标追踪应用；此外，提出了一个两步的过程来进行置信度的划分，保证了置信度划分的有效性，从而大大提高了目标追踪的准确性。

主权项

一种基于外观模型的学习型视觉追踪方法，其特征在于，该方法包括以下步骤：步骤1：学习前景背景集：对训练中的帧进行过分割，整个过程符合(MIL)范式，使用正包来对边界框内部的目标进行建模，同时用负包集来表示背景；采用净化后的包来学习目标中的每一块，使得外观模型获得更准确的前景划分结果；步骤2：学习包集分布：采用贪心搜索算法获取正包集和负包集的数目，并分别对获取到的每个正包集和负包集进行学习；步骤3：学习每个包集的权重：给更有辨识度的块分配更大的权重，使正包集和负包集的边缘得到最大化；步骤4：对后续的帧进行判断：步骤4.1：对于一个新的帧，首先获取搜索区域并抽取出搜索区域内的N个超像素；步骤4.2：为上述每个超像素分配一个超像素值，进而获得每个超像素的置信度；步骤4.3：根据公式生成一些候选的目标状态，已知，目标状态与目标区域相对应，把候选的目标区域归一化成相同的尺寸；步骤4.4：当对该新的帧追踪完之后，把追踪完的该新的帧的信息加到训练集中，去掉最老的信息；每U帧更新一次外观模型。