[发明专利]基于连续时空置信图和半监督极限学习机的目标追踪方法

摘要

本发明公开了一种基于连续时空置信图和半监督极限学习机的目标追踪方法，该方法考虑到视频图像帧在时间上是连续的，同时待追踪目标位置也不会发生突变，另外视频图像帧在空间上也是连续的，空间连续性体现在目标和目标周围背景存在某种特定关系，当目标的外观发生很大变化时，这种关系可以帮助区分待追踪目标和背景区域。本发明针对形变以及遮挡问题，充分考虑到真实目标所能提供的信息，充分挖掘有标签样本和无标签样本的分布相似性，提高追踪的精度，提出了一种挖掘有标签样本和无标签样本分布相似性的基于极限学习机的半监督追踪方法，将上述两种方法结合在一个耦合的追踪框架中，本发明实现了一种健壮性佳、高鲁棒性的追踪。

主权项

一种基于连续时空置信图和半监督极限学习机的目标追踪方法，其特征在于，包括以下步骤：步骤一、在特定待追踪监控场景中采集n帧待追踪目标视频A＝{I1,…,Ii,…In}，其中Ii表示第i帧待追踪视频图像序列，利用图像滤波去噪、对比度增强预处理待追踪视频序列降低噪声且突出感兴趣待追踪区域；步骤二、在第t帧待追踪视频图像序列It中使用矩形窗口选取待追踪目标O，确定目标中心位置o*，O表示新目标在场景中的存在，o代表新目标位置，定义一个二维待追踪目标O的置信图模型Ct(o)；将待追踪目标区域扩大两倍形成局部背景区域表示为在内提取坐标位置k处的强度位置特征w(k)，组成强度位置特征集I(k)表示坐标位置k处图像的亮度，表示坐标o*的邻域。建立第t帧待追踪目标的先验模型P(w(k)|O)，以此推算出t帧时空模型步骤三、在待追踪目标中心位置所在区域重叠采样，获得N1个区域块图像作为正样本和N2个区域块图像作为负样本，提取正负样本数据特征xj，记正样本的类别标签是1，负样本的类别标签是0，yj∈{1,0}；建立有标注样本集和无标注样本集Xu组成训练样本集X＝{Xs,Xu}＝{(xj,yj)},j＝1,...,N1+N2；步骤四、用步骤三得到的训练样本集X训练半监督极限学习机网络模型；步骤五、在It+1中，利用步骤二求得的第t帧时空模型进行模型更新，计算得到第t+1帧的时空模型利用求得的t+1帧时空模型卷积It+1得到新目标的时空置信图Ct+1(o)，最大化Ct+1(o)确定在t+1帧中目标位置o；步骤六、判断目标是否被遮挡，若目标未被遮挡，进入步骤五，反之，进入步骤七；步骤七、在It+1中，由It中已求得的o*为目标位置，在目标位置o*所在区域，以目标区域矩形窗口大小重叠采样，获得N个区域块图像作为候选目标，提取候选目标数据特征建立待追踪目标图像块测试样本集将测试样本集输入步骤四已训练完成的半监督极限学习机网络，得到t+1帧测试输出T，最大化半监督极限学习机最大分类响应位置，得到t+1帧中目标位置o；步骤八、对最大分类响应结果进行半监督极限学习机网络模型更新阈值判定，若半监督极限学习机模型不需要更新，进入步骤五，反之进入步骤九；步骤九、由步骤三得到的有标注数据集和步骤七得到的测试样本集作为无标注数据集Xu＝Xt+1，进行步骤四，重新训练半监督极限学习机网络模型；循环重复上述步骤，直至追踪完成整个视频序列。