[发明专利]基于极限学习机的复杂背景下目标跟踪方法

摘要

本发明涉及一种基于极限学习机的复杂背景下目标跟踪方法,提供一检测模块、一跟踪模块以及一综合模块，所述检测模块与跟踪模块可同时独立运行，用以对需要跟踪的目标进行检测与跟踪；其中所述检测模块内的检测器在上一帧中跟踪目标进行多尺度检测并输出结果；所述跟踪模块内的跟踪器对上一帧中跟踪目标进行跟踪，并输出跟踪结果；所述整合模块接收所述步骤S5中检测模块与跟踪模块输出的结果，并对所有结果进行综合分析，将置信度最高的结果作为当前帧的跟踪目标进行输出；重复上述步骤，直至视频最后帧。在本发明中由于检测模块跟跟踪模块同时并独立运行，整合模块再综合两模块的结果，能够有效提高跟踪的精度和鲁棒性。

主权项

1.一种基于极限学习机的复杂背景下目标跟踪方法，其特征在于包括以下步骤：步骤S1：进行目标定位：在视频第一帧中框出需要跟踪的目标或对前期目标检测算法检测到的目标进行跟踪；步骤S2：提供一检测模块、一跟踪模块以及一综合模块，所述检测模块与跟踪模块可同时独立运行，用以对需要跟踪的目标进行检测与跟踪；步骤S3：模块初始化：根据所述步骤S1中框出需要跟踪的目标，对所述检测模块内设置的检测器以及所述跟踪模块内设置的跟踪器进行初始化；步骤S4：下一帧图像输入：根据既定的帧率，输入下一帧图像；步骤S5：同时进入检测模块与跟踪模块：所述检测模块内的检测器在上一帧中跟踪目标进行多尺度检测并输出结果；所述跟踪模块内的跟踪器对上一帧中跟踪目标进行跟踪，并输出跟踪结果；步骤S6：进入整合模块：所述整合模块接收所述步骤S5中检测模块与跟踪模块输出的结果，并对所有结果进行综合分析，将置信度最高的结果作为当前帧的跟踪目标进行输出；步骤S7：结果显示：对所述步骤S6中整合模块的输出进行判断，若有输出结果，则在当前视频帧中框出需要跟踪的目标，若没有则不做操作；步骤S8：判断视频帧是否结束，若该视频帧还没结束，则返回步骤S4，若该视频帧结束，则结束，完成目标跟踪任务；所述步骤S5中所述检测器包括方差过滤器与极限学习机分类器，所述方差过滤器用以在快速将大部分的背景区域滤除，并求取留下的极少部分候选区域的方向梯度直方图，将所述方向梯度直方图送入训练好的极限学习机分类器中进行分类，丢弃背景区域；所述步骤S5中所述检测器在上一帧中跟踪目标进行多尺度检测的检测策略为：在上一帧中跟踪目标位置的局部区域内进行多尺度检测，若检测到跟踪目标则输出结果，若没有检测到跟踪目标，则在当前帧的全局区域进行多尺度检测并输出结果；所述极限学习机分类器在所述步骤S2中完成初始化训练，具体训练过程为：随机提取10张与目标区域重叠80%以上的图像块，并分别作仿射变换生成200张目标训练样本；在远离目标的区域随机提取200张图像块作为背景训练样本，对所述背景训练样本进行尺度归一化并提取方向梯度直方图作为特征训练极限学习机；所述步骤S5中，所述跟踪器对上一帧中跟踪目标进行跟踪的跟踪策略为：采用前向后向跟踪算法，求取特征点的SIFT描述子用以匹配跟踪目标，具体包括以下步骤：步骤S51:将当前帧图像进行网格化，并选择网格的左上角的点作为特征点；步骤S52：采用Lucas‑Kanade光流法预测特征点在下一帧的位置；步骤S53：采用Lucas‑Kanade光流法从下一帧往回跟踪，获得前向预测跟反向预测轨迹位移偏差，丢弃位移偏差超过阈值的特征点；步骤S54：取当前帧中剩下的特征点的SIFT描述子，以及下一帧相对应特征点的SIFT描述子；步骤S55：对所述步骤S54中所有求取的当前帧和后一帧两两相对应的SIFT描述子刻画的特征点对进行相似度计算，若某一特征点对的相似度小于所有特征点对相似度的中值，则丢弃该特征点，若一特征点的相似度不小于中值，则保留该特征点；步骤S56：若所述步骤S55保留的特征点个数少于阈值，则没有得到跟踪的目标区域，若所述步骤S55保留的特征点个数大于阈值，则输出跟踪到的目标区域；所述阈值为10个特征点；所述步骤S6中所述整合模块接收结果与综合分析的具体方法为：所述整合模块首先判断所述跟踪模块与所述检测模块是否有结果输出，若两个模块都没有输出结果的话，则表示该帧没有跟踪到目标，则无结果输出；若两个模块均有结果输出则先判断两个模块的输出结果区域重叠率是否大于0.6，若重叠率大于0.6，则对重叠的目标区域进行聚类并输出最终的结果；若重叠率不大于0.6，则将所有的候选区域与目标模型进行匹配，若匹配的置信度大于0.5，则将置信度最大的区域作为最终的目标区域。