发明名称 |
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。 |
申请公布号 |
CN106327516A |
申请公布日期 |
2017.01.11 |
申请号 |
CN201510367183.5 |
申请日期 |
2015.06.29 |
申请人 |
北京雷动云合智能技术有限公司 |
发明人 |
周瑜;明安龙;廖鸿宇;孙放 |
分类号 |
G06T7/20(2006.01)I |
主分类号 |
G06T7/20(2006.01)I |
代理机构 |
|
代理人 |
|
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。 |
地址 |
100876 北京市海淀区农大南路88号1号楼B1-317 |