[发明专利]基于霍夫森林的视频目标跟踪方法

摘要

本发明公开一种基于霍夫森林的视频目标跟踪方法，主要解决现有技术中当目标被部分遮挡或发生非刚性变化时容易跟踪失败的问题。其方法步骤为：(1)输入一段视频的第一帧，并人工标记出待跟踪的目标；（2）从输入的第一帧视频图像中，提取视频图像的特征；(3)建立并初始化霍夫森林检测器；(4)检测目标并进行霍夫投票；(5)用Lucas-Kanade跟踪器跟踪目标，获得目标框大小的尺度变化s；(6)根据霍夫森林检测中的投票峰值和Lucas-Kanade跟踪器的跟踪结果，确定目标位置；(7)根据目标框大小的尺度变化s调整目标框的宽和高，并显示；（8）重新训练霍夫森林检测器；(9)重复步骤(4)—步骤(8)，直到视频结束。本发明具有对遮挡目标跟踪准确的优点，可用于人机交互和交通监控领域。

主权项

一种基于霍夫森林的视频目标跟踪方法，包括以下步骤：（1）输入一段视频的第一帧，并人工标记出待跟踪的目标；（2）从输入的第一帧视频图像中，提取视频图像的特征，该特征包括：Lab特征，梯度方向直方图HOG特征，图像x方向的一阶导数特征、二阶导数特征，图像y方向的一阶导数特征、二阶导数特征；（3）建立并初始化霍夫森林检测器3a)设定霍夫森林检测器中的决策树数目为20个，为每个决策树随机产生8对范围在0~12的块内位置偏移量(l,s)、(p,q)，同时为每对块内位置偏移量l随机选取一种特征；3b)将目标区域作为正样本，将目标区域以外的区域作为负样本，将目标区域向四周扩展20个像素作为样本更新区域，在样本更新区域内逐个像素取12×12的图像块，对每个决策树，根据8对块内位置偏移量(l,s)、(p,q)确定图像块的8个特征点对，提取这些特征点的特征i训练决策树，产生图像块特征值；若图像块为正样本，计算图像块中心与目标中心的位置偏移量d，更新图像块特征值对应的正负样本比及该决策树的正负样本比，存储图像块特征值对应的位置偏移量d，若图像块为负样本，则只更新图像块编码对应的正负样本比及该棵树的正负样本比；3c)从已经建立的20个决策树中，选择正负样本比最高的10个决策树组成霍夫森林检测器；（4）检测目标并进行霍夫投票4a)载入新一帧视频图像，按照步骤(2)的方法提取新一帧视频图像的特征，并将上一帧的目标区域扩大一倍作为搜索区域，在搜索区域内，以每个像素点为中心取12×12得图像块，通过随机森林分类器中的决策树依次对图像块进行分类、计算图像块特征值，当决策树判定图像块属于目标时，根据图像块特征值对应的位置偏移量d和图像块的中心位置计算目标的中心位置并进行投票；4b)取投票峰值的位置作为目标的位置；（5）用Lucas‑Kanade跟踪器跟踪目标，获得目标框大小的尺度变化s；（6）根据霍夫森林检测中的投票峰值和Lucas‑Kanade跟踪器的跟踪结果，按如下规则确定目标位置；若霍夫森林检测中的投票峰值大于阈值1，则将检测到的位置作为目标在当前帧视频图像中的位置，并执行步骤（8）；若霍夫森林检测中的投票峰值大于阈值2且小于阈值1，则当检测到的结果和Lucas‑Kanade跟踪得到的结果在x、y方向误差均小于5个像素时，取检测结果和跟踪结果的均值作为目标位置，且执行步骤（8），否则，将检测结果作为目标位置，执行步骤（7）；若霍夫森林检测中的投票峰值大于阈值3且小于阈值2，则将检测结果作为目标位置，执行步骤（7）；若霍夫森林检测中的投票峰值小于阈值3，则将Lucas‑Kanade跟踪器的跟踪结果作为目标的位置，执行步骤（7）；（7）根据目标框大小的变化尺度s调整目标框的宽和高，并显示；（8）重新训练霍夫森林分类器8a)将目标区域作为正样本，将目标区域以外的区域作为负样本，将目标区域扩大20个像素，将此扩大的区域作为更新区域；8b)在更新区域中，以每个像素点为中心取12×12的图像块，对每个决策树，确定该图像块的8对特征点并提取这些特征点的特征i训练决策树，产生图像块特征值，若图像块为正样本，则计算图像块中心与目标中心的位置偏移量d，更新图像块特征值对应的正负样本比及该决策树的正负样本比，存储图像块特征值对应的位置偏移量d，若该图像块为负样本则只更新图像块编码对应的正负样本比以及该决策树的正负样本比；（9）重复步骤（4）—（8），直到视频结束。