平码五不中公式规律
  • / 10
  • 下载费用:30 金币  

一种基于支持向量机的粒子滤波联合跟踪方法.pdf

关 键 ?#21097;?/dt>
一种 基于 支持 向量 粒子 滤波 联合 跟踪 方法
  专利查询网所有资源均是用户自行上传分享,仅供网友学习交流,未经上传用户书面授权,请勿作他用。
摘要
申请专利号:

CN201611245193.2

申请日:

2016.12.29

公开号:

CN106683116A

公开日:

2017.05.17

当前法律状态:

实审

?#34892;?#24615;:

审中

法?#19978;?#24773;: 实质审查的生效IPC(主分类):G06T 7/246申请日:20161229|||公开
IPC分类号: G06T7/246(2017.01)I 主分类号: G06T7/246
申请人: 电子科?#21363;?#23398;
发明人: 孙彬; 胡琼; 邓桥; 吴于忠
地址: 611731 四川省成都市高新区(西区)西源大道2006号
优?#28909;ǎ?/td> 2016.08.31 CN 2016107899633
专利代理机构: 电子科?#21363;?#23398;专利?#34892;?51203 代理人: 周刘英
PDF完整版下载: PDF下载
法律状态
申请(专利)号:

CN201611245193.2

授权公告号:

|||

法律状态公告日:

2017.06.09|||2017.05.17

法律状态类型:

实质审查的生效|||公开

摘要

本发明公开了一种基于支持向量机的粒子滤波联合跟踪方法。本发明通过建立基于全局灰度特征的支持向量机判别模型,将粒子采样得到的候选目标进行分类,输出可靠性靠前的候选粒子,作为块稀疏生成模型的输入;构建基于块稀疏表示的生成模型,对输入的候选目标进行遮挡处理,并与参考信息进行相似度度量;同时通过更新支持向量机的训练样本与块稀疏模型的参考信息保持对目标表观变化的更新,以实现稳定跟踪。

权利要求书

1.一种基于支持向量机的粒子滤波联合跟踪方法,其特征在于,包括下列步骤:
步骤1:确定首帧的目标位置;
步骤2:基于首帧的目标位置训练得到线性SVM分类器,并定义为第一分类器,同时设置
第二分类器,初始值为第一分类器;
将目标位置进行重叠分块处理,得到M个图像块,记为基于k均值方
法对M个向量进行聚类,构建块稀疏模型的k维超完备?#20540;銬;
根据公式且β0≥0,求解参考稀疏系数β0,其中λ表示预设
权重;
在目标位置建立初始化粒子集合其中N为粒子数;
步骤3:读取下一帧,记为第t帧,若t为第二帧,则基于初始化粒子集合,使用目标的运
动模型预测粒子的状态,得到第t帧的粒子集合即候选粒子集合;若t为非第
二帧,则基于第t-1帧的跟踪结果,使用目标的运动模型预测粒子的状态,得到第t帧的粒子
集合即候选粒子集合;
步骤4:将候选粒子集合分别输入第一、二分类器,输出各候选粒子与第一、二分类器所
表示的最优分类面之间的欧式距离
步骤5:将作为各候选粒子的置信度,取前n个最大置信度的候选粒子执行步
骤6;
步骤6:采用滑动窗口对每个候选粒子进行重叠分块,得到M个图像块,记为
其中i=1,2,...,n;
步骤7:根据公式且βi≥0,求解第t帧的每个候选粒子的稀
疏系数βi,其中i=1,2,...,n;
步骤8:基于候选粒子的稀疏系数βi根据公式计算每个候选粒子的M维
重构误差向量r(yi),其中i=1,2,...,n;
将重构误差向量r(yi)的M个元素rim分别与预设阈值δ进行比较,若rim大于?#27169;?#21017;第m个图
像块为遮挡块;否则为无遮挡块,其中m=1,2,...,M;
在稀疏系数βi中,将遮挡块对应的稀疏向量置零,得到第t帧的n个候选粒子的去遮挡稀
疏系数在参考稀疏系数β0中,将n个候选粒子的遮挡块对应的稀疏向量置零,得到去遮挡
参考稀疏系数其中i=1,2,...,n;
步骤9:根据公式得到第t帧的n个候选粒子的相似性将n个候选粒
子中的具有最强相似性的候选粒子作为第t帧的跟踪结果,用I表示具有最强相似性的候选
粒子的粒子标号。
判断是否达到更新周期,若是,则对第二分类器、参考稀疏信息β0:
基于第t-1帧的跟踪结果训练SVM分类器,并将所述SVM分类器作为更新后的第二分类
器;
基于第t-1帧的候选粒子I的去遮挡稀疏系数得到更新后的参考稀疏信息β0:
其中μ为预设融合权值,且取值范围是0~1;
重复执行步骤3~9,直到处理完所有视频帧。
2.如权利要求1所述的方法,其特征在于,步骤1中,首帧的目标位置为矩形框的形式,
采用人工或基于图像检测法获取首帧的目标位置。
3.如权利要求1或2所述的方法,其特征在于,步骤3中,目标的运动模型采用随机游走
模型,即第t帧的粒子状态基于上一帧的粒子状态根据高斯分布采样得到。
4.如权利要求1所述的方法,其特征在于,第二分类器、参考稀疏信息β0的更新周期为5
帧。

说明书

一种基于支持向量机的粒子滤波联合跟踪方法

技术领域

本发明属于计算机视觉领域,具体涉及视?#30340;?#26631;的跟踪方法,可用于实现不同干
扰因素下目标的精确跟踪。

背景技术

基于图像视频序列的目标自动跟踪是机器视觉、模式识别领域的重要内容,在智
能监控、视觉导航、视频检索等领域有着广泛的应用,目前国内外对目标的鲁棒跟踪进行了
大量的研究,但在实际的应用中,由于目标的表观变化、姿态变化、成像环境变化、背景干扰
以及遮挡等因素,设计准确、稳定、实时的视频跟踪算法仍然是一项十分有挑战的任务。

目标跟踪算法主要分为两大类:判别式与生成式。基于判别式模型的跟踪算法估
计观测数据的条件概率分布,寻找能把目标和背景分离开的最优分类面。由于分类边界比
较灵活,所以这种跟踪方法区分性较好,缺点是不能描述目标的外观,即不能充分反映训练
数据本身的特性。基于生成式模型的跟踪算法估计观测数据的联合概率分布,生成目标的
外观模型,根据最大似然概率获得最匹配的目标。优点是能充分利用目标的外观信息,对光
照与颜色变化不敏感;缺点是没有考虑背景信息,区分性较差,?#20197;?#22797;杂背景下?#36164;?#21040;干
扰。

文献“Robust Object Tracking via Sparse Collaborative Appearance
Model,(IEEE Computer Vision and Pattern Recognition(CVPR),2012,1838-1845)”提
出了一种结合判别式模型与生成式模型的联合跟踪算法。该方法基于粒子滤波框架,先利
用基于全局灰度特征的稀疏判别分类器分离背景与前景目标,计算每个候选的置信度;同
时提出一种基于直方图的稀疏生成模型,考虑每个局?#38752;?#30340;空间结构信息,并对每个候选
进行相似度度量;最后联合模型部分采用最简单的方式?#22909;?#20010;候选的置信度与相似度相乘,
即为最终的似然概?#30465;?#35813;方法突破性的将判别模型与生成模型相结合,在处理遮挡、旋转、
光照等干扰因素时都取得了较好的效果。但该方法仍然存在以下不足:一是跟踪过程中判
别式模型与生成式模型的贡献作用?#36824;?#22343;衡,绝大多数情况下,仅运用生成式模型可以达
到与联合模型接近的效果。亦即,联合模型并没有充分利用判别模型的可分信息;二是此方
法中的判别模型与生成模型从逻辑结构上来讲,是分别处理数量庞大的候选粒子,最后综
合各自结果的过程,这导致计算量过大,从而影响实时性效果。

发明内容

本发明的发明目的在于:提出一种粒子滤波框架下基于支持向量机与块稀疏表示
模型的目标跟踪方法,以克服上述现有技术的不足,利用基于支持向量机的判别式模型输
出的可分信息,提高跟踪的实时性效果。

实现本发明的基本思路是:通过建立基于全局灰度特征的支持向量机判别模型,
将粒子采样得到的候选目标进行分类,输出可靠性靠前的候选粒子,作为块稀疏生成模型
的输入;构建基于块稀疏表示的生成模型,对输入的候选目标进行遮挡处理,并与参考稀疏
信息进行相似度度量;同时通过更新支持向量机的训练样本与块稀疏模型的参考信息保持
对目标表观变化的更新,以实现稳定跟踪。

本发明的一种基于支持向量机的粒子滤波联合跟踪方法,包括下列步骤:

(1)确定首帧的目标位置。通常采用矩形框的形式在视频序列的第1帧标注出目标
位置,即初始目标位置(bounding box),用于构建支持向量机的初始训练样本与稀疏模型
的?#20540;洹?br />

(2)初始化第一线性分类器SVM1、第二线性分类器SVM2、参考稀疏系数β0、k维超完
备?#20540;銬、以及粒子集合:

基于首帧的目标位置训练得到线性SVM(support vector machine,支持向量机)
分类器,即在目标位置进行采样,训练得到SVM分类器。将当前训练得到的SVM分类器记为
SVM1;同时设置第二分类器SVM2,其初始值为SVM1,且SVM2将周期更新。

其中,SVM分类器的训练可以采用本领域惯用方式,如在目标?#34892;?#20301;置处以高斯分
布进行采样得到正样本、同样的方式在目标四周采集负样本,并对样本进行PCA(Principal
Component Analysis)降维处理(可选处理方式),对降维后的训练样本进行训练,得到初始
SVM分类器;

将目标的初始bounding box进行有重叠的分块处理,得到M个图像块,记为
利用k均值方法对M个向量进行聚类,构建块稀疏模型的k维超完备?#20540;?br />D;

根据稀疏表达式s.t.β0≥0求解参考稀疏系数β0;

在目标位置建立初始化粒子集合其中N为粒子数。

(3)读取视频序列的下一帧,记为第t帧,即当前处理帧。

若当前处理帧为第二帧(首帧的下一帧),则基于初始化粒子集合,使用目标的运
动模型预测粒子的状态,得到第t帧的粒子集合即候选粒子集合;

若当前处理帧为非第二帧(即非首帧的下一帧),则基于第t-1帧的跟踪结果,使用
目标的运动模型预测粒子的状态,得到第t帧的粒子集合即候选粒子集合。

其中,目标的运动模型可采用随机游走模型,即第t帧的粒子状态基于上一帧的粒
子状态根据高斯分布采样而得到:其中表示t时刻的粒子
状态的后验概?#21097;珿(xt-1,σ2)表示t时刻的粒子状态服从以t-1时刻的粒子状态为均值、方差
为σ2的高斯分布。

(4)将采样得到的候选粒子作为支持向量机的测试样本,即将候选
粒子集合分别输入第一分类器SVM1、第二分类器SVM2,输出分类结果,即候选粒子与SVM1所
表示的最优分类面之间的欧式距离候选粒子与SVM2所表示的最优分
类面之间的距离

若在训练SVM分类器时,对训练样本进行了降维处理,则对测试样本(候选粒子)进
?#22411;?#26679;的降维处理后,再分别输入第一分类器SVM1、第二分类器SVM2,输出分类结果。

(5)对候选粒子的可靠性?#21028;潁?#32852;合SVM1与SVM2得到候选粒子集合的各候选粒子
的置信度筛选置信度(可靠性)靠前(筛选比例为经验预设值,如可靠性前
50%)的粒子,作为下一步稀疏表示的输入;

(6)求解稀疏表示前的分块预处理:利用滑动窗口对候选粒子进行有重叠的块分
解,得到图像块,每个粒子对应M个图像块,记为其中n为可靠
性筛选后的粒子数;

(7)采用步骤(2)相同的方法,基于k维超完备?#20540;銬对n个粒子求解第t帧的每个候
选粒子的稀疏系数:s.t.βi≥0,其中i=1,2,...,n,?#22788;耰为对应yi的
稀疏系数。

(8)遮挡处理:利用步骤(7)得到的稀疏系数,计算每个候选粒子的M个图像块的重
构误差向量其中i=1,2,...,n,即

将重构误差r(yi)的M个元素分别与预设阈值δ进行比较,若大于?#27169;?#21017;当前图
像块为遮挡块;否则为无遮挡块,其中m=1,2,...,M;

在稀疏系数βi中,将遮挡块对应的稀疏向量置零,得到第t帧的去遮挡稀疏系数
在参考稀疏系数β0中,将遮挡块对应的稀疏向量置零,得到去遮挡参考稀疏系数其中i
=1,2,...,n;

(9)相似性度量得到第t帧的跟踪结果:利用相似性计算公式,度量步骤(8)遮挡处
理后得到的与的相似性具有最强相似性的候选粒子即为第t帧的跟踪结果。所述相
似性度量公式为:

在得到第t帧的跟踪结果后,需要判断是否达到更新周期,若是,则对第二分类器、
参考稀疏信息β0进行更新处理后,继续执行步骤3~9,直到处理完所有视频帧;否则,直接
执行步骤3-9,直到处理完所有视频帧。

其中更新处理具体为:

基于第t-1帧的跟踪结果训练线性SVM分类器,并将所述线性SVM分类器作为更新
后的第二分类器。其中SVM分类器的训练方式与SVM1相同,即在第t-1帧的跟踪结果处以高
斯分布进行采样得到正样本、同样的方式在目标四周采集负样本,并对样本进行PCA降维处
理,对降维后的训练样本进行训练。

基于第t-1帧的跟踪结果得到更新后的参考稀疏信息β0:对各视频帧,用I表示具
有最强相似性的候选粒子的粒子标号,则对应的去遮挡稀疏系数可以表示为基于预设
融合权值μ,根据第t-1帧的得到更新后的

本发明采用的基于支持向量机分类器的判别模型与基于块稀疏的生成模型相结
合的跟踪方法,二者?#22987;?#32852;结构,不同于已有的联合模型。本发明采用的级联结构(已有的
联合模型采用生成与判别式并联的计算方式)不仅融合了生成式与判别式跟踪模型的优
势,其中判别式模型采用联合支持向量机分类器(即双支持向量机结构),使得算法可以有
效处理背景与目标相似场景下的跟踪,在保留初始的目标信息的同时,剔除了背景杂波对
跟踪精度的影响;基于块稀疏的生成式模型能够处理遮挡等干扰因素下的跟踪;并且,在同
样的粒子数前提下,?#26723;?#20102;计算负担,提高了跟踪算法的实时性。

附图说明

图1是本发明的实现流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚,下面结合实施方式?#36879;?#22270;,对本发
明作进一步地详细描述。

首先,人工选择或利用检测算法获得图像序列的初始目标位置,构建初始训练样
本与初始粒子集,并利用k均?#37011;?#27861;聚类得到超完备?#20540;洌?#35745;算得到参考稀疏信息;然后在
粒子滤波跟踪框架下,对下一帧图像进行粒子采样,获得候选目标;随后输入基于支持向量
机的判别模型,筛选出可靠性高的候选;利用块稀疏生成模型对可靠性高的候选粒子进一
步评估:求解稀疏系数与块重构误差,并判断块的遮挡情况;去除遮挡块信息的粒子与首帧
参考稀疏信息做相似性度量,估计当前帧的目标位置;且每隔Ru帧(Ru=5)对参考稀疏信息
与训练样本进行更新,反复迭代保持对后续帧中目标的稳定跟踪。

本发明的流程如图1所示,包括:

步骤1,输入首帧目标的位置,获得初始化信息:初始粒子集、初始线性支持向量机
分类器SVM1、超完备?#20540;銬、首帧稀疏信息β0。

101:在目标?#34892;?#20301;置以高斯分布采样得到600个粒子(N=600),构建初始粒子集

102:在目标?#34892;?#20301;置与四周分别以高斯分布进行采样得到400个正样本、600个负
样本,并对样本进行PCA降维处理,解释程度设为95%,保留PCA的均值m1与?#25104;?#22522;U1,对降维
后的样本进行训练,得到初始线性SVM分类器,记为SVM1;同时设置第二分类器SVM2,其初始
值为SVM1,即SVM2的PCA的均值m2=m1、?#25104;?#22522;U2=U1。为了在目标的表观信息发生变化的过
程中对目标与背景正确分类,每隔5帧(Ru=5)更新一次SVM2;同时初始分类器SVM1保持不
变,SVM1与SVM2相互制约,对候选目标的可靠性?#21028;?#36215;到校正作用;

103:对首帧目标的矩形框做?#24459;?#21464;换,得到32*32的目标像素矩阵,利用大小为6*
6的滑动窗口以步长为2对该矩阵进行分块处理,得到M=196个6*6的图像块,记为
为了获得构建稀疏模型的超完备?#20540;洌?#23545;196个图像块进行k均值聚类
(k=50),去除冗余并?#26723;?#32500;数,得到?#20540;銬;为了避免?#20540;?#30340;更新引入漂移信息,D在跟踪过
程中保持不变;

104:构建首帧的块稀疏表达方程,求解得到β0:s.t.β0≥
0,将β0定义为参考稀疏系数;跟踪过程伴随着表观信息的变化,参考稀疏系数的更新对于
稳定跟踪是必要的,因此参考稀疏系数β0将在步骤7中更新。

步骤2,读取下一帧,记为第t帧,以第t-1帧的跟踪结果为依据,使用目标的运动模
型预测粒子的状态,本具体实施方式中,采用随机游走模型描述目标的运动,即基于第t-1
帧的粒子状态,根据高斯分布采样得到第t帧的粒子集合

步骤3,每个粒子都表示一个平行四边形区域(由粒子的状态决定,包括?#34892;?br />位置、长宽、旋转角、?#38408;?#35282;),将其作为支持向量机的测试样本,并分别对应SVM1与
SVM2训练样本进?#22411;?#26679;的PCA处理,得到降维处理后的候选粒子:

随即将分别输入线性分类器SVM1与SVM2,对各粒子进行置信度度量,输出
各粒子与SVM1所表示的最优分类面之间的距离与SVM2
所表示的最优分类面之间的距离联合SVM1与SVM2得到
置信度筛选置信度从大?#21015;?#25490;列的可靠性前50%(300个)的粒子。记为
且作为下一步块稀疏模型的输入。

步骤4,对Yt进行分块处理,与步骤1的第3步类似,利用大小为6*6的滑动窗口以步
长为2分别对大小为32*32的进行分块处理,得到M=196个6*6的图像块,记为

根据公式s.t.βi≥0,求解第t帧的经过可靠性筛选的每个
候选粒子的稀疏系数βi,其中i=1,2,...,300,D为超完备?#20540;洌耍?.01。

步骤5,计算每个粒子196个图像块的重构误差
将的元素与阈值δ进行比较,若图像块m重构误差大于?#33041;?#21028;定该块发生
遮挡,遮挡标?#37117;?#20026;0,否则判为无遮挡发生,遮挡标?#37117;?#20026;1:


其中,?#27169;?.04,m=1,2,...,196。

获得粒子yi的196的块的遮挡标识后,为避免引入漂移信息,在进行相似性度量评
估前去除被遮挡块的信息。将第t帧的βi中发生遮挡的稀疏向量置零,得到第t帧的去遮挡
稀疏系数相对应的参考稀疏系数β0进?#22411;?#26679;的置零处理,得到去遮挡参考稀疏系数

步骤6,相似性度量得到第t帧的跟踪结果:采用直方图相似性度量公式
比较可靠候选粒子经步骤5去遮挡处理后的与的
相似性。具有最强相似性的候选粒子即为第t帧的跟踪结果,记该粒子标号为I且
I粒子的去遮挡稀疏系数记为

步骤7,若视频序列尚未处理完毕,则根据更?#28388;?#29575;Ru=5判断是否需要进行更新
处理。即每处理5帧后,更新分类器SVM2与参考稀疏信息β0:

701:更新分类器SVM2:在上一帧(第t-1帧)的跟踪结果的?#34892;?#20301;置以坐标轴方向
均值为0,方差为1的高斯分布采取100个正样本,在上一帧结果的四周以同样的方式采样得
600个负样本;进行PCA处理,解释程度为95%,得到新的m2,U2,并训练新的SVM2;

702:更新参考稀疏信息:将第t-1帧的I粒子的去遮挡稀疏系数以权值μ=0.95
与参考稀疏信息β0相融合,所述融合公式为:

SVM2、β0更新完毕后,返回步骤2,继续估计下一帧的目标位置,反复迭代直至处理
完?#31232;?br />

关于本文
本文标题:一种基于支持向量机的粒子滤波联合跟踪方法.pdf
链接地址:http://www.pqiex.tw/p-6079659.html
关于我们 - 网站声明 - 网?#38236;?#22270; - 资源地图 - 友情链接 - 网站客服 - 联系我们

[email protected] 2017-2018 zhuanlichaxun.net网站版权所有
经营许可证编号:粤ICP备17046363号-1 
 


收起
展开
平码五不中公式规律 免费股票推荐 四川福彩中奖规则 澳洲幸运10是不是真的 彩票站如何合买彩票 贵州11选5开奖号 爱玩棋牌app下载安装 十一运夺金的投注计划 辽宁11选5开奖图表 分析股票涨跌影响因素 微信玩北京赛车判多久