[发明专利]基于改进Online Boosting和卡尔曼滤波器改进的TLD跟踪方法

摘要

本发明提出了一种基于改进Online Boosting和卡尔曼滤波器改进的TLD跟踪方法，属于机器视觉、人工智能、人机交互、目标跟踪技术领域。该方法包括如下步骤：(1)初始化：利用选定目标并仿射变换形成的初始样本集初始化改进Online Boosting分类器和P‑N学习器；(2)图像跟踪：选取特征点，用两次L‑K光流法对其进行跟踪，两次跟踪误差与阈值比较，得出跟踪结果；(3)图像检测：经卡尔曼滤波器、方差分类器、Online Boosting分类器、KNN分类器后得出检测器结果；(4)综合跟踪与检测结果：评估跟踪器与检测器结果的置信度，得出最终采用哪一模块结果；(5)在线学习：P‑N学习器用来修正跟踪器、检测器结果，并丰富样本集。本发明可有效克服遮挡问题并提高原方法的速度，同时有效提高检测器精度和鲁棒性。

主权项

1.一种基于改进Online Boosting和卡尔曼滤波器改进的TLD跟踪方法，其特征在于，包括如下步骤：(1) 初始化圈定跟踪目标，并进行仿射变换，形成初始正负样本集；利用该样本集初始化改进Online Boosting分类器，对输入样本提取Harr‑like和LBP特征，形成一个特征池，利用其训练一个Online Boosting分类器；然后利用初始样本集初始化P‑N学习器中的分类器；(2) 图像跟踪采集下一帧图像，在上一帧图像的选定范围中选取一些特征点，然后对前后两帧图像使用两次L‑K光流法对特征点进行跟踪，并计算两次跟踪误差，小于预先设定阈值的特征点被保留下来，并根据跟踪误差得出本次跟踪成功还是失败；(3) 图像检测将待跟踪图像输入至卡尔曼滤波器，预测目标的大致位置；将缩小范围后的图像通过方差分类器大致区分前景还是背景，并利用初始训练的Online Boosting分类器分类通过方差分类器的前景样本，然后将Online Boosting分类器输出的正样本作为KNN分类器的输入，通过KNN分类器判定的正样本，被认为最终的正样本，否则被认为负样本，最后将检测器形成的正负样本集加入到初始正负样本集中；(4) 综合跟踪与检测结果根据正负样本集评估跟踪器结果与检测器结果的置信度，得出最终采用哪一模块的结果作为最终结果；若目标移出视场范围，跟踪器将跟踪失败，若检测器也未检测到目标，此时认为视场范围内没有目标；当目标再次移入视场范围时，检测器若检测到目标，便重新初始化跟踪器，让其继续工作；(5) 在线学习将分类出的正负样本通过P‑N学习器，修正跟踪器和检测器的结果，并将学习结果加入到正负样本集中。