[发明专利]一种基于代价敏感结构化SVM的目标跟踪方法

说明书

本发明公开了一种基于代价敏感结构化SVM的目标跟踪方法。方法为：首先建立用于目标跟踪的代价敏感结构化SVM模型，根据拉格朗日乘子法，将代价敏感结构化SVM模型转化为对偶问题；然后采用对偶坐标下降原理求解代价敏感结构化SVM模型，估计目标的状态；最后采用多尺度目标跟踪方法进行评估，选取最大响应的作为跟踪结果。本发明解决了现有基于结构化SVM进行目标跟踪方法中存在的easy pair和hard pair不平衡问题，提高了基于结构化SVM的目标跟踪算法的准确度和成功率。

技术领域

本发明涉及计算机视觉目标跟踪技术领域，特别是一种基于代价敏感结构化SVM的目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域中的基础研究课题，是视频分析中的一项重要技术，其目标是利用视频数据估计目标的状态。目标跟踪在视频监控、车辆导航、人机交互、智能交通、运动分析和姿态估计等民用领域，以及视觉制导、目标定位和火力控制等军事领域均有重要的应用价值。近年来，虽然目标跟踪有了较大发展，但是其仍然面临复杂背景、目标变化和快速运动等诸多难题，目前仍然是计算机视觉领域中研究的热点问题。

目前，目标跟踪领域中的研究者已经提了出众多目标跟踪方法，其核心组件是表观模型，包括产生式模型和判别式模型两类，与其相应的目标跟踪方法分别称为产生式跟踪和判别式跟踪。产生式跟踪仅仅使用目标表观特征跟踪目标，其比较有代表性的方法有IVT跟踪[Ross D A,Lim J,Lin R S,et al.Incremental Learning for Robust VisualTracking[J].International Journal of Computer Vision,2008,77(1-3):125-141.]、L1跟踪[Mei X,Ling H.Robust visual tracking using L1 minimization[A].Proceedings of IEEE Conference on Computer Vision[C].Kyoto,Japan:IEEEComputer Society Press,2009,1436-1443.]和孪生网络跟踪[Bertinetto L.,ValmadreJ.,Henriques J.F.,Vedaldi A.,Torr P.H.S.Fully-Convolutional Siamese Networksfor Object Tracking[A].Proceedings of European conference on Computer Vision[C].Amsterdam,The Netherlands:IEEE Computer Society Press,2016,850-865.]等方法。产生式跟踪计算效率较高，但是它对复杂背景的鲁棒性较差。为了克服这一问题，一些学者提出了判别式跟踪。判别式跟踪把目标跟踪看作二分类问题，它不但利用目标表观信息而且也利用目标的背景信息，对复杂背景表现更为鲁棒，在视觉跟踪中逐渐占据了主流地位，其比较有代表性的方法有MIL跟踪[Babenko B,Yang M H,Belongie S.Robustobject tracking with online multiple instance learning[J].IEEE Transactionson Pattern Analysis and Machine Intelligence,2011,33(8):1619-1632.]、TLD跟踪[Kalal Z,Mikolajczyk K,Matas J.Tracking-learning-detection[J].IEEETransactions on Pattern Analysis and Machine Intelligence,2012,34(7):1409-1422.]、随机森林跟踪[Saffari A,Leistner C,Santner J,Godec M,Bischof H.Onlinerandom forests[A].Proceedings of the IEEE Conference on Computer Vision[C].Kyoto,Japan:IEEE Computer Society Press,2009,1393-1400.]、SVM跟踪[Hare S,Saffari A,Torr P H S.Struck:structured output tracking with kernels[A].Proceedings of IEEE International Conference on Computer Vision[C].Barcelona,Spain:IEEE Computer Society Press,2011,263-270.]和深度跟踪[Wang N,Yeung D Y.Learning a Deep Compact Image Representation for Visual Tracking[A].Proceedings of Neural Information Processing Systems[C].CurranAssociates:IEEE Computer Society Press,2013,809-817.]等，其中基于SVM的目标跟踪由于其优异的性能而受到了广泛关注。