[发明专利]一种在线自适应调整的目标图像区域跟踪方法

摘要

本发明涉及一种在线自适应调整的目标图像区域跟踪方法，其步骤：在新输入视频帧中的不同预估位置上采集Haar特征，并利用Boosting构造的分类器对这些位置的图像区域进行似然度的计算，将具有最大似然度的图像区域作为当前帧中的目标图像区域。通过设置弱分类器池以及辅助分类器池使得分类器以在线的方式进行更新，进一步提高分类器对目标物外观变化的适应性；因为背景与目标物图像样本出现概率的非对称性，根据各弱分类器的分类误差调整样本的分布权值，使得分类器对于视频帧中目标物的出现具有较强的敏感性，因此该发明所设计的目标跟踪方法能够更为稳定地对视频中的目标物进行跟踪。

主权项

一种目标图像区域跟踪方法，包括：步骤一、在一视频的第一帧图像中，选取任意一区域作为目标图像区域，并记录该目标图像区域在所述第一帧图像中的位置，在该目标图像区域周围随机采集背景图像区域；步骤二、设置T个弱分类器池和一辅助分类器池，并设定每个弱分类器池和所述辅助分类器池中包括的弱分类器个数N；步骤三、所述目标图像区域和背景图像区域分别作为目标图像区域样本和背景图像区域样本，以计算Haar特征值x，且设Haar特征值x都服从高斯分布，即目标图像区域样本的Haar特征值所服从的高斯分布函数为N(μ₊，σ₊)，而背景图像区域样本的Haar特征值所服从的高斯分布函数为N(μ_‑，σ_‑)；σ₊和σ_‑分别表示目标图像区域样本的Haar特征值高斯分布的方差和背景图像区域样本的Haar特征值高斯分布的方差；根据所述目标图像区域样本、背景图像区域样本进行训练，以分别调整所述目标图像区域样本的Haar特征值高斯分布的均值μ₊和背景图像区域样本的Haar特征值高斯分布的均值μ_‑；将所述目标图像区域样本和背景图像区域样本的Haar特征值输入各弱分类器，则各弱分类器以阈值分类器的形式对于Haar特征值的判别值h_i(x)计算为：$h_i\left(x\right)=sign(x-\frac{{\mathrm{\μ}}_{+}+{\mathrm{\μ}}_{-}}{2})\·sign({\mathrm{\μ}}_{+}-{\mathrm{\μ}}_{-});$步骤四、在目标图像区域样本和背景图像区域样本的基础上，通过累积重要性权值计算出各弱分类器的分类误差e，并以具有最小分类误差的弱分类器作为弱分类池中所选取的弱分类器，并计算相应弱分类器的投票权值α：当分类误差e≥0.5时，α为0；当分类误差e＜0.5时，α＝log[(1‑e)/e]；同时计算出分类误差高的弱分类器，并利用所述辅助分类器池中的弱分类器分别替换掉各弱分类器池中所述分类误差高的弱分类器；步骤五、在所述视频的下一帧图像中，根据上一帧视频所记录的目标图像区域样本在当前帧中的位置，在该位置周围随机采样能成为当前帧图像中的目标图像区域的候选图像区域；步骤六、累计各弱分类器池中所选出的弱分类器对于候选图像区域的判别值h_i(x)，并计算出每个候选图像区域的似然度conf(x_i)，选取具有最大似然度的候选图像区域作为所述当前帧中的目标图像区域，其中似然度conf(x)的计算公式为：$conf\left(x\right)={\mathrm{\Σ}}_{i=1}^T{\mathrm{\α}}_i\·h_i\left(x\right);$其中α_i表示第i个弱分类器池中所选出的弱分类器的投票权值；步骤七、根据所述步骤六选取的目标图像区域记录该目标图像区域样本在当前帧图像中的位置，在该目标图像区域周围随机采集背景图像区域；返回步骤三，完成后续一帧图像中的目标图像区域跟踪；所述步骤四中通过累积重要性权值计算出各弱分类器的分类误差e的方法包括：分类误差e的计算公式为：$e=\frac{{\mathrm{\λ}}_w}{{\mathrm{\λ}}_w+{\mathrm{\λ}}_c};$其中，λ_w、λ_c分别为错误分类的重要性权值累积、正确分类的重要性权值累积，即，当弱分类器分类正确时，重要性权值累积过程为λ_c＝λ_c+λ；当弱分类器分类错误时，重要性权值累积过程为λ_w＝λ_w+λ；其中λ是重要性权值；所述目标图像区域样本和背景图像区域样本构成训练样本；所述重要性权值λ的更新方法包括：所述分类器池对训练样本的分布情况进行估计，并生成相应的估计值，即样本分布权值；在每一帧视频中完成目标跟踪任务后，对每一个弱分类器池的样本分布权值进行更新；在样本分布权值更新过程中，每一个弱分类器池的样本分布权值计算都依赖于前一个已更新样本分布权值的分类器池；依次通过对每个弱分类器池的样本分布权值进行更新计算以更新所有弱分类器池分布权值；根据训练样本的实际类别以及分类器池所选弱分类器对训练样本的判别结果，分别将样本分布权值分为4类，即D_tp、D_fp、D_tn、D_fn，其中，D为用于在各分类器池之间传递分布权值；若训练样本实际类别为目标图像区域样本，而弱分类器判别结果为目标图像区域样本时，则第i个弱分类器池所具有的样本分布权值更新过程为i取值范围为1，2，3......，N；随后更新分布权值的传递值若训练样本实际类别为目标图像区域样本，而弱分类器判别结果为背景图像样本时，则样本分布权值更新过程光随后更新分布权值的传递值若训练样本实际类别为背景图像样本，而弱分类器判别结果为目标图像区域样本时，则样本分布权值更新过程为随后更新分布权值的传递值若训练样本实际类别为背景图像样本，而弱分类器判别结果为背景图像样本时，则样本分布权值更新过程为并更新分布权值的传递值其中，a_i表示目标图像区域样本分布权值的估计，对于分类器池的每次更新，a_i的计算公式为针对弱分类器分类，计算调整系数；$M_i=\exp \left(\left(\log M-{\mathrm{\Σ}}_{m=1}^i\log \left(i_m\right)+\left(T-i\right)\·{\mathrm{\γ}}_i\right)/\left(T-i+1\right)\right);$其中M为中间量，即中间量γ_i＝log((1‑α_i)/α_i)；在此基础上，第i个弱分类器池分类误差的调整为：当弱分类器的判别结果与训练样本的实际类别不一致时，相应的分类误差为当弱分类器的判别结果与训练样本的实际类别一致时，相应的分类误差为$e_i=(D_i^{\mathrm{tp}}\·M_i+D_i^{\mathrm{tn}}/M_i)/((D_i^{\mathrm{tp}}+D_i^{\mathrm{fp}})\·M_i+(D_i^{\mathrm{tn}}+D_i^{\mathrm{fn}})/M_i);$在得到第i个弱分类器池的分类误差后，重要性权值为：当弱分类器池中所选弱分类器的判别结果与训练样本的实际类别不一致时，λ_i＝λ_i‑1/(2·e_i‑1)；当弱分类器池中所选弱分类器的判别结果与训练样本的实际类别一致时，λ_i＝λ_i‑1/(2·(1‑e_i‑1))；其中λ_i‑1为前一分类器池中所选弱分类器调整后的重要性权值。