[发明专利]基于Online Boosting的目标轮廓跟踪方法

摘要

本发明提供了一种基于Online Boosting的目标轮廓跟踪方法，在目标精细跟踪的问题中使用超像素对含有跟踪目标的图像进行分块，每一个超像素被看做一个点，这降低了计算的复杂度；使用在线学习的方法来分割目标和背景。传统的Online Boosting算法中，训练样本的权重是相同的，不会随时间的变化而变化。但是在目标精细跟踪问题里面，由于运动目标时刻变化，所以对在线的分类器来说距离当前帧时间越久远的图像帧的权重应该越小，为了实现这种权重逐渐衰减的效果，本发明设计了一种样本权重随时间的久远程度而递减的Online Boosting分类器，随着视频帧数的增加，分类器的性能越来越好，从而实现准确的跟踪目标的精细轮廓。

主权项

1.基于Online Boosting的目标轮廓跟踪方法，其特征在于，包括以下步骤：1)初始化步骤：1‑1)将视频的第1帧图像分割成超像素；1‑2)对分割成超像素后的图像提取局部对数欧式距离协方差矩阵L2ECM特征X，L2ECM特征中每一列对应一个超像素的L2ECM特征x；将第1帧图像的L2ECM特征进行目标特征与背景特征的区分，得到每个超像素对应的分类标签y∈{‑1，+1}，+1表示目标，‑1表示背景，最终得到图像的分类结果Y；1‑3)使用的L2ECM特征X和分类结果Y训练Online Boosting分类器h；2)跟踪的步骤：2‑1)对视频中第t帧图像分割成超像素并提取L2ECM特征X，t＝2，3，...，使用Online Boosting分类器h对特征矩阵X的每一列进行分类，得到分类结果Y_p；2‑2)使用膨胀法连通目标中断开的区域，得到更新后的分类结果2‑3)使用L2ECM特征X和分类结果对Online Boosting分类器h进行更新，更新t＝t+1，返回步骤2‑1)处理视频中的下一帧图像；其中，Online Boosting分类器h由M个弱分类器h_m构成，弱分类器编号m∈{1，2，…，M}；Online Boosting分类器h训练的具体步骤如下：初始化步骤：初始设置弱分类器h_m分类的正确率错误率和惩罚系数λ，训练步骤：分类器h_m接收输入的超像素的L2ECM特征x与对应的分类标签y，判断当前分类器h_m对超像素的L2ECM特征x分类结果进行判断：如果h_m对超像素的L2ECM特征x分类结果正确h_m(x)＝y，则更新ε_m表示加上惩罚系数λ之后分类器h_m的错误率；如果h_m对超像素的L2ECM特征x分类结果错误h_m(x)≠y，则更新更新分类器为示性函数I：判断是否达到结束更新条件，如否，返回训练步骤，对下一个超像素的L2ECM特征x与对应的分类标签y进行处理，如是，结束训练步骤。