[发明专利]一种基于多通道Haar-like特征的鲁棒目标跟踪方法

摘要

本发明公开了一种基于多通道Haar-like特征的鲁棒目标跟踪方法，包括以下步骤：在目标跟踪的过程中，先获得多通道Haar-like特征的特征值，然后根据各多通道Haar-like特征训练出相应的候选弱分类器；再在所有M个候选弱分类器中选出响应最大的K个弱分类器构造响应为p(y＝1|x)的强分类器，并更换其中判别力最弱的N个弱分类器；然后根据所述强分类器更新目标的外观模型及目标的位置，循环往复，从而得到各帧中目标的位置及外观模型。本发明可以满足彩色图像的跟踪，同时满足跟踪过程中目标本身及外界条件的实时变化。

主权项

一种基于多通道Haar‑like特征的鲁棒目标跟踪方法，其特征在于，包括以下步骤：1)在目标跟踪的过程中，用户在第一帧中标定目标位置，然后在该目标位置对应的环形区域内采集若干正负样本块，其中，每个正负样本块对应若干个多通道Haar‑like特征，每个多通道Haar‑like特征包含若干个矩形块，随机产生每个矩形块的六个参数，所述六个参数分别为矩形块的左上角横坐标、纵坐标、宽度、高度、权重及通道，并根据各矩形块所在的通道采用积分图像的方法计算每个矩形块的特征值，再将各通道的所有特征值根据矩形块的权重进行加权求和，加权求和的结果作为该多通道Haar‑like特征的特征值，然后根据各多通道Haar‑like特征训练出相应的M个候选弱分类器，再基于Boosting算法从所有M个候选弱分类器中选出K个响应最大的弱分类器，然后通过选出的K个响应最大的弱分类器构造响应为p(y＝1|x)的强分类器，其中，x是图像块的特征值，y是二进制变量，在时刻t，感兴趣目标位置为，设l(x)表示候选图像块x的位置；2)在下一帧目标周围半径s的区域内截取图像块集并计算x∈X^s范围内所有候选块的p(y|x)；然后根据更新目标位置，同时更新目标的外观模型；3)依次剔除N个弱分类器响应最小的多通道Haar‑like特征，再加入随机产生的N个新的多通道Haar‑like特征，然后根据新M个多通道Haar‑like特征训练出新的M个弱分类器，再从新的M各弱分类器中挑选出新的响应最大的K个弱分类器，并通过所述新的响应最大的K个弱分类器构构建新的强分类器；4)重复步骤2)及步骤3)，得到各帧中目标的位置及外观模型，完成目标的跟踪。