基于前景概率的目标跟踪方法

摘要

本发明属于模式识别领域，涉及图像处理中的目标跟踪方法。具体地说是一种基于前景概率的目标跟踪方法，可以用于各种视频监控、交通管制等系统中的目标检测与跟踪。针对Mean shift跟踪算法中权值在减小背景影响的同时削弱了目标模型的表示，为了减小权值对模型表示的影响，提出了由目标模型、候选模型以及像素点属于前景的概率构成的权值图来加强前景和背景的差异，从而抑制背景像素的影响。通过Adaboost得到投影向量，计算出前景的概率图，并利用其概率与Mean shift的权值融合，利用加强前景和背景差异化的投影向量的更新来适应光照或背景等变化，根据改进的权值的矩特征确定目标的中心位置、尺度以及旋转角度，实现目标的跟踪。

主权项

基于前景概率的目标跟踪方法，包括： (1)通过Adaboost算法加强前景和背景的差异，首在目标区域选择正负样本，构建弱分类器的表达式h_k(x_i)和错误率ε_k选择具有判决性的特征维，找到区分前景和背景的投影向量W，设投影后图像像素点属于前景的分布为高斯分布，利用投影图像得到像素点属于前景的概率图将原始图像进行超平面投影得到投影图像。(2)构造目标模型和每个像素点的权值w″。本发明假设投影后图像像素点属于前景的分布为高斯分布，计算投影图的概率分布p(x_i)，由此可以得到目标模型和每个像素点的权值，如下所示：其中C为归一化常数，k为核函数，x_i表示目标区域中第i个像素点的坐标，b(x_i)为像素点x_i映射到对应特征空间。为以y₀为中心的候选区域的特征模型。每个像素在迭代过程中不会严格的将其归属到前景或者背景，而是以不同程度归属到这两类，抑制背景像素的影响。(3)通过改进的权值图的矩特征确定目标的中心位置、尺度及旋转角度，实现目标的跟踪。 (4)为了适应运动过程中光照或背景等变化，需要每隔8帧对投影向量进行更新。image＝[image(1)+image(2)]/2，image＝[image+image(3)]/2，依此类推，image＝[image(i)+image]/2。最后基于新的图像求出新的投影向量W_N，则即将到来的第i+1帧中用于计算前景概率的投影向量为W′＝(W+W_N)/2。