[发明专利]基于极小化上界误差的视觉跟踪方法

说明书

技术领域

本发明属于计算机视觉技术领域，涉及视觉监控基于极小化上界误差的视觉跟踪方法。

背景技术

计算机视觉技术作为一种尖端的计算机技术广泛的应用于多媒体、视频监控以及人工智能等中。在计算机视觉中，如何准确的知道目标在视频图像中的位置甚至是大小、方向、形状，是一个基本的问题，也是视频跟踪技术所要解决的问题。只有基于鲁棒的视频跟踪，计算机视觉中的目标定位、轨迹标定等基础问题才能得到解决；只有基于鲁棒的视频跟踪，计算机视觉中的目标识别、行为理解等这些高层问题的分析才能有更广的应用。所以如何准确的跟踪视频图像中的目标一直以来都是计算机视觉研究的热点问题。

传统的方法把跟踪问题作为一个模板匹配的问题来处理，通过实时建立一个目标表象模板来搜索当前视频图像中最匹配的位置作为目标位置。由于建立的模型比较简单，这类方法对于复杂背景以及目标表象变化的适应性并不强。

为了解决传统跟踪方法的不足，一种基于在线分类器学习的跟踪方法被应用到了视觉跟踪领域。这类方法把跟踪问题看作一个目标与背景的分类问题，通过在线学习一个判定面来判定最有可能的目标位置。线性鉴别分析(Linear Discrimination Analysis，LDA)，支持向量机(Support Vector Machine，SVM)，提升算法(Boosting)等被广泛的应用于这一类方法。这类方法由于在线学习了一个更复杂的判定模型，所以比传统的跟踪方法更加鲁棒。但是它们利用每次的跟踪结果作为新的样本直接加入整个跟踪器的学习过程影响了跟踪过程的稳定性。这是因为每次的跟踪结果很难保证完全的准确，将不准确的样本加入到跟踪器的学习中必然带来误差，而且这个误差随着跟踪过程被累积，最后导致跟踪器失效。

为了解决这个问题，半监督的学习方法被引入到了原有的跟踪框架下。这种半监督的学习能够同时使用标注的与未标注的样本来训练分类器，从而达到比只用标注样本训练更好的分类效果。对于跟踪问题，在线新加入的训练样本来自于跟踪器本身的判断与标注，这个结果可能是准确的也可能是不准确的，所以这些样本更适合当作未标注的样本来处理。这样，跟踪问题就转化成了一个半监督的在线学习问题。

为了处理这一类问题，协同学习(Co-Training)作为一种极具代表性的半监督学习方法是一个很好的选择。然而，简单的将协同学习与原有的在线学习方法结合在一起并不能达到最佳的性能。这种组合需要在误差上界极小化这一通用的优化准则的指导下才能保证它的合理性与最优性。

发明内容

本发明的目的是提高视觉跟踪的稳定性与可靠性，为此，提供一种基于在线协同提升学习的视觉跟踪方法。

为了实现上述目的，本发明提出一种基于在线协同提升学习的视觉跟踪方法，实现所述方法的步骤包括如下：

步骤S1：利用跟踪器估计目标在当前帧中的区域，所述目标区域包括目标位置与目标大小；

步骤S2：以估计的目标区域为参照提取样本；

步骤S3：对提取的样本抽取两类不同性质的视觉特征；

步骤S4：利用抽取的各样本两类不同性质的视觉特征在线进行协同提升学习，并对跟踪器进行更新，在线协同提升学习中，利用两个并行的提升算法同时对两类不同性质的视觉特征进行选择，并在各级视觉特征选择中利用协同学习进行相互约束，在选择最佳的视觉特征提升跟踪器性能的同时利用协同学习配置最佳的样本属性。

本发明的有益效果：从上述方案可以看出，本发明是用半监督的在线学习方法提出在线协同提升学习作为跟踪器的在线学习更新方式，在不需要准确样本标签的前提下利用两类独立的样本特征对跟踪器进行准确的更新；在线学习的过程中并未用到目标背景的标注信息，这样即使在跟踪结果不太准确的情况下也不会对跟踪器的更新带来累积误差，提高了跟踪器的稳定性与可靠性。本发明的半监督在线学习过程是在误差上界极小化的优化条件下实现的，保证了跟踪器的最优性。

附图说明

图1为本发明极小化上界误差的基于在线协同提升学习的视觉跟踪方法的整体结构示意图；

图2为本发明极小化上界误差的基于在线协同提升学习的视觉跟踪方法的目标位置估计模块示意图；

图3为本发明极小化上界误差的基于在线协同提升学习的视觉跟踪方法的在线训练样本提取以及视觉特征抽取示意图；

图4为本发明极小化上界误差的基于在线协同提升学习的视觉跟踪方法的在线学习过程原理性流程图；

图5为本发明极小化上界误差的基于在线协同提升学习的视觉跟踪方法的实施效果示意图。

具体实施方式