[发明专利]在线式视觉跟踪方法

权利要求书

1.一种在线式视觉跟踪方法，其特征在于，包括以下步骤进行：

(1)、初始化分类器：

获取第一帧图像，标示待跟踪目标区域；

计算所述目标区域中图像块的类哈尔特征，初始化第一分类器；

计算所述目标区域中图像块的二进制编码特征，初始化第二分类器；

(2)、自适应跟踪：基于结构化输出的支持向量机，并结合粒子滤波器的跟踪，建立运动模型；

(3)、重新捕获目标：利用第一分类器更新训练样本，之后利用第二分类器建立全局网格，进行全局的搜索。

2.根据权利要求1所述的在线式视觉跟踪方法，其特征在于，所述计算所述目标区域中图像块的类哈尔特征，初始化第一分类器的步骤包括，

计算哈尔特征值；

计算所述图像块的全部哈尔特征向量，利用所述哈尔特征向量初始化第一分类器。

3.根据权利要求1所述的在线式视觉跟踪方法，其特征在于，所述计算所述目标区域中图像块的二进制编码特征，初始化第二分类器的步骤包括，

仿射变换所述图像块；

计算所述仿射变换后的图像块的二进制编码特征；

以目标区域为基准，创建全局范围内的方框群，用于第二分类器的全局搜索。

4.根据权利要求1所述的在线式视觉跟踪方法，其特征在于，步骤(2)具体包括，

构建粒子滤波器的状态空间：以向量(x，y，s，w，h，C)表示状态空间，其中，(x，y)代表目标区域的点的坐标，w、h分别代表目标区域的宽度和高度，s代表尺度变化，C代表第一分类器；

初始化状态空间：初始化x，y，w，h以及分类器，其中，x，y，w，h由第一帧图像标记区域的位置决定；分类器由第一帧图像标记区域内图像块的哈尔特征值训练获得；

采用一阶自回归运动模型；

建立观察模型：基于结构输出的支持向量机为第一分类器，以判定目标区域的位置，包括测试和训练。

5.根据权利要求4所述的在线式视觉跟踪方法，其特征在于，所述测试具体为，当获取新的特征向量时，计算所述特征向量与支持向量的加权和，得到判断值，对于判定值最大的特征向量，作为目标区域的正样本，用于第一分类器训练。

6.根据权利要求5所述的在线式视觉跟踪方法，其特征在于，所述训练包括，

(1)、作为目标区域的正样本的特征向量，将所述特征向量归入支持向量队列中作为正支持向量，以所述正样本的方框为中心构建方框群；

(2)、计算方框群中各方框的梯度，选出梯度最小对应的方框，计算梯度最小对应的方框的特征向量，并归入支持向量队列作为相应的负支持向量；

(3)、对支持向量队列最小优化；

(4)、计算旧的支持向量队列相应的梯度，得到最大和最小的梯度，最大和最小的梯度分别作为正、负支持向量，并进行步骤(3)。

7.根据权利要求6所述的在线式视觉跟踪方法，其特征在于，所述对支持向量队列最小优化包括，

(1)、计算正支持向量与负支持向量的相关度；

(2)、更新正支持向量、负支持向量的权重系数；

(3)、更新正支持向量、负支持向量对应的梯度值。

8.根据权利要求1所述的在线式视觉跟踪方法，其特征在于，所述重新捕获目标包括，

(1)、初始化分类器，计算全局区域各个方框与标记方框的重叠率；

(2)、训练过程中，正样本获取自第一分类器，负样本获取自第一分类器低于阈值方框；

(3)、根据二进制码的数值，统计随机厥各个分支下正、负样本的比例；

(4)、第二分类器检测与第一分类器跟踪同步，当第二分类器检测到目标位置与第一分类器跟踪的位置不同，则对目标位置重新初始化；

(5)、根据所述特征向量与支持向量的加权和，得到判断值，进行整合目标的方框位置。

9.根据权利要求8所述的在线式视觉跟踪方法，其特征在于，所述训练过程包括，训练和测试，

训练，仿射变换正样本图像块，检测阈值范围判定负样本图像块，并计算正样本、负样本的二进制特征值，统计二进制特征值对应的正样本、负样本的数量，并计算正样本的比例；

测试，输入新的图像块，计算二进制特征值，匹配二进制特征值对应的正样本的比例，测试判断是否为正样本。

10.根据权利要求9所述的在线式视觉跟踪方法，其特征在于，所述阈值范围为第二分类器得出的判定值大于0.5，重叠率小于0.2。