[发明专利]基于改进Online Boosting和卡尔曼滤波器改进的TLD跟踪方法

说明书

本发明提出了一种基于改进Online Boosting和卡尔曼滤波器改进的TLD跟踪方法，属于机器视觉、人工智能、人机交互、目标跟踪技术领域。该方法包括如下步骤：(1)初始化：利用选定目标并仿射变换形成的初始样本集初始化改进Online Boosting分类器和P‑N学习器；(2)图像跟踪：选取特征点，用两次L‑K光流法对其进行跟踪，两次跟踪误差与阈值比较，得出跟踪结果；(3)图像检测：经卡尔曼滤波器、方差分类器、Online Boosting分类器、KNN分类器后得出检测器结果；(4)综合跟踪与检测结果：评估跟踪器与检测器结果的置信度，得出最终采用哪一模块结果；(5)在线学习：P‑N学习器用来修正跟踪器、检测器结果，并丰富样本集。本发明可有效克服遮挡问题并提高原方法的速度，同时有效提高检测器精度和鲁棒性。

技术领域

本发明涉及一种基于改进Online Boosting(在线级联分类器)和卡尔曼滤波器改进的TLD(Tracking-Learning-Detection跟踪-学习-检测)跟踪方法，属于机器视觉、人工智能、人机交互和目标跟踪技术领域。

背景技术

视频图像跟踪一直是计算机和图像领域所关注的焦点。早期的视频跟踪主要使用的是基于特征匹配的目标跟踪技术，主要利用图像序列中运动目标的明暗、边缘、颜色、纹理和时空上的差异来检测出运动物体的。其中文献(Comaniciu D,Meer P提出的Meanshift:一种对于特征空间分析的鲁棒方法，发表于IEEE模式识别与机器智能方向)和文献(Allen J G,Xu R Y D,Jin J S提出的使用camshift算法和多量化特征空间的对象跟踪，发表于泛悉尼地区研讨会论文集的可视信息处理方向和澳大利亚电脑学会)提出的Meanshift和Camshift跟踪方法是基于颜色特征对目标进行跟踪的，其中Camshift方法是对meanshift方法的改进，其可以克服目标大小和形状的变化对跟踪效果的影响。但是当背景与目标颜色相近时，很容易跟踪失败。还有一种跟踪方法是基于模型的目标跟踪，主要是对目标物体的模型进行预测并利用其对目标进行跟踪，其中文献(Ristic B,ArulampalamS,Gordon N J提出的优于卡尔曼滤波器：粒子滤波器的跟踪应用)利用粒子滤波器对目标物体实现了跟踪，并证明了该方法比之前提出的基于卡尔曼滤波器的跟踪方法效果要好，但此类方法对外观变化和明暗变化的鲁棒性并不是很好。

近年随着计算机技术的快速发展，出现了很多人工智能相关的方法，这也大大促进了机器视觉领域的发展，基于检测的跟踪技术应运而生。文献(Kalal Z,Mikolajczyk K,Matas J提出的跟踪-学习-检测方法发表于IEEE模式识别与机器智能方向)提出的基于检测器和学习器的跟踪方法，该方法可以对单目标进行长时间有效的跟踪，而且可以克服尺度变化、旋转变化、光照变化、部分遮挡对跟踪效果造成的影响。但是当目标被大面积遮挡时该方法对目标跟踪精度严重下降，且当初始跟踪时，样本较少，检测器的鲁棒性较差。

现有TLD方法中检测器为随机蕨分类器，由于集成随机蕨分类器的弱分类器是单个随机蕨分类器。分类图像时，随机蕨分类器只简单地比较N组像素点间的亮度值，得到的结果和训练样本后的统计结果相对比得出分类结果。集成随机蕨分类器的每个弱分类器的训练样本是一样的，而且不管分类对错，样本的权重没有变化。

发明内容

本发明提出了一种基于改进Online Boosting和卡尔曼滤波器改进的TLD跟踪方法，将原TLD方法中检测器的随机蕨分类器改进为一种基于特征的改进Boosting分类器，并加入了卡尔曼滤波器来提高该方法效率，使得方法精度与素的都有提升，这对于跟踪方法的整体性能有很大程度的改善。

本发明为解决其技术问题采用如下技术方案：

一种基于改进Online Boosting和卡尔曼滤波器改进的TLD跟踪方法，包括如下步骤：

(1)初始化