[发明专利]基于高斯混合模型的刚体目标在线特征分类与跟踪方法

权利要求书

1.一种基于高斯混合模型的刚体目标在线特征分类与跟踪方法，其特征在于，包括以下步骤：

1)在初始图像中选定感兴趣的目标区域，并在目标区域检测SURF特征；

2)为每个SURF特征创建分类器，其中每个强分类器对应一个SURF特征，每个强分类器包括若干弱分类器；

3)在新图像到来时，利用分类器对初始图像中的SURF特征与新图像检测到的SURF特征进行匹配，形成匹配点对；在分类器的匹配过程中，采用基于高斯混合模型的在线分类机制判别正样本和负样本；所述基于高斯混合模型的在线分类机制，对于每个弱分类器利用K高斯混合模型对其建模；当样本不断积累使得所述高斯混合模型中各个分量内样本间的差异开始显现且类内距离较大时，采取自组织学习的方法，重新抽取各个分量中样本内在的特征并形成数据分布拓扑，自动对当前的样本进行聚类，减小类内距离、增大类间距离，实现优化K高斯分量的目的；

4)根据得到的匹配点对，采用随机采样一致性算法计算得出运动参数，从而确定当前图像的目标区域，实现目标跟踪。

2.如权利要求1所述的方法，其特征在于，还包括在线更新步骤：在对目标区域完成定位后，对建立对应关系的特征点对进行验证，对每个分类器进行在线更新。

3.如权利要求1或2所述的方法，其特征在于：步骤1)检测SURF特征时，利用积分图像计算Hessian矩阵行列式，再通过选取极值来定位SURF特征点，并通过调整方格滤波器的尺寸来建立尺度空间；SURF特征的旋转不变性通过求取主方向实现。

4.如权利要求1或2所述的方法，其特征在于：步骤2)中，每个弱分类器对应SURF特征邻域内的一个Haar特征，Haar特征经过尺度和主方向的归一化，由弱分类器构成的强分类器同时具备尺度和旋转的不变性。

5.如权利要求1或2所述的方法，其特征在于：步骤3)进行特征匹配时，用分类器在每一个新的SURF检测点的匹配分数来比较，匹配分数的值越大，表示当前检测点作为对应点的可能性越大。

6.如权利要求1或2所述的方法，其特征在于：步骤3)所述基于高斯混合模型的在线分类机制，聚焦正样本的Haar特征分布，而忽略负样本对弱分类器的判决影响。

7.如权利要求6所述的方法，其特征在于：所述基于高斯混合模型的在线分类机制，对于每个弱分类器利用K高斯混合模型对其建模的公式为：

其中，x表示输入变量，K表示高斯分量的个数，每个高斯密度N(x|μ_k,σ_k)表示混合模型中的一个成分，用均值μ_k和方差σ_k来衡量，参数π_k称为混合系数；在分类器判别过程中，首先计算当前SURF特征点对应的Haar特征值，如果该特征值处于高斯混合模型的任意一个成分对应的区间范围(μ_k-ωσ_k,μ_k+ωσ_k)，其中w为常量，则认为该特征是正样本，反之将其划为负样本。

8.如权利要求1所述的方法，其特征在于：基于高斯分量的个数K，采取K均值聚类的方式对样本分布进行自组织学习。

9.如权利要求2所述的方法，其特征在于：进行在线更新时，对强分类器的更新是基于对弱分类器更新完成的，对于每个弱分类器，首先根据正样本计算出当前弱分类器对应的Haar特征响应值x，并判断x距离高斯混合模型的哪个分量的均值最近，然后采用顺序更新的方式对模型进行更新。