基于随机蕨丛和随机投影的在线目标跟踪方法

摘要

本发明公开了一种基于随机蕨丛和随机投影的在线目标跟踪方法。主要解决在线跟踪方法中计算量大及跟踪结果不准确的问题。其实现步骤是：首先采用随机蕨丛检测器检测图像中的目标位置；然后利用中值流跟踪器跟踪目标的大致位置；再用检测器和跟踪器的结果相互融合得到最终的目标位置；最后用IIR滤波器在线更新检测器，以对下一帧待检测图像进行检测分类。本发明具有跟踪效率高、跟踪结果准确、内存资源和计算资源消耗少的优点，可用于嵌入式系统的视觉跟踪中。

主权项

一种基于随机蕨丛和随机投影的在线目标跟踪方法，包括如下步骤：(1)将待检测图像中大小为w×h个像素的图像块用特征集F＝{f₁,f₂,...,f_q,...,f_n}来表示，其中q＝1,2,...,n；把特征集F分为S个子集F_i＝{f₁,f₂,...,f_j,...,f_N}，其中j＝1,2,...,N,N＝n/S，每个子集对应一个蕨，蕨内部保持数据的相关性，蕨与蕨之间是相互独立的；根据蕨的划分将图像块特征表示为：F＝{F₁,F₂,...,F_i,...,F_S}；(2)在图像块内随机选取像素对，通过像素对坐标位置以及灰度值信息建立特征值表示函数：f_i,j＝I(x¹(i,j))‑I(x²(i,j))，其中，x¹(i,j)和x²(i,j)分别表示第i个蕨中随机产生的的第j个像素对的第一个像素的坐标和第二个像素的坐标，I(x¹(i,j))和I(x²(i,j))分别表示图像在坐标x¹(i,j)和x²(i,j)处的灰度值，f_i,j表示第i个蕨中第j个像素对的特征值，S表示图像块中蕨的个数；(3)通过特征值表示函数计算出每个蕨中的每个像素对的特征值；(4)用随机投影方法对每个蕨中的多个特征值进行映射处理，即将每一个蕨中的N个像素对特征值化成一个实数值F_k：$F_k=\underset{t=1}{\overset{N}{\Sigma }}{w}_t{f}_{k,t},$其中，f_k,t表示第k个蕨的第t个像素对的特征值，w_t是根据高斯分布随机产生的实数值；(5)根据图像块中所有蕨经映射处理得到的S个F_k，用半朴素贝叶斯分类器得到图像块的随机蕨分类器：$c=\underset{c\in H}{\arg \max }p\left(c\right|F_1,F_2,...,F_S),$其中c表示类的随机变量，H表示图像的前景和背景的集合，$p\left(c\right|F_1,F_2,...,F_S)=\frac{p\left(c\right)\underset{k}{\overset{S}{\Pi }}p\left(F_k\right|c)}{p(F_1,F_2,...,F_S)},$p(c)是假设的均匀概率分布，p(F₁,F₂,...,F_S)是一个与类别无关的数，p(F_k|c)是被模拟为高斯分布的类条件下的特征值概率，p(c)和p(F₁,F₂,...,F_S)均为确定的常数；(6)将每个随机蕨分类器检测器，对下一帧图像中的图像块分类，得到目标在下一帧的几个位置；(7)对视频序列的首帧通过手动确定目标所在位置，用矩形框表示目标位置，在矩形框内初始化一些光流点，用中值流跟踪器跟踪这些点，在下一帧图像中获得目标的一个位置；(8)将步骤(6)中检测器得到的目标位置和步骤(7)中跟踪器得到的目标位置进行融合，确定出最终的目标位置；(9)在最终目标位置周围采集样本获得训练数据集，通过标准随机蕨丛方法中的IIR滤波器在线更新随机蕨分类器，以对下一帧待检测图像进行检测分类。