CN104680554A - 基于surf的压缩跟踪方法和系统 - Google Patents
基于surf的压缩跟踪方法和系统 Download PDFInfo
- Publication number
- CN104680554A CN104680554A CN201510007742.1A CN201510007742A CN104680554A CN 104680554 A CN104680554 A CN 104680554A CN 201510007742 A CN201510007742 A CN 201510007742A CN 104680554 A CN104680554 A CN 104680554A
- Authority
- CN
- China
- Prior art keywords
- sorter
- surf
- sample
- compressive features
- classifier
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000007906 compression Methods 0.000 title claims abstract description 44
- 230000006835 compression Effects 0.000 title claims abstract description 43
- 238000000034 method Methods 0.000 title abstract description 27
- 238000005516 engineering process Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 113
- 238000012549 training Methods 0.000 claims description 44
- 238000000605 extraction Methods 0.000 claims description 24
- 239000000284 extract Substances 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 abstract description 36
- 230000008859 change Effects 0.000 abstract description 11
- 238000005259 measurement Methods 0.000 abstract description 6
- 230000008447 perception Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 21
- 230000008569 process Effects 0.000 description 9
- 230000004044 response Effects 0.000 description 9
- 238000001514 detection method Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 5
- 238000005286 illumination Methods 0.000 description 5
- 230000000694 effects Effects 0.000 description 3
- 230000010354 integration Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 230000019552 anatomical structure morphogenesis Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000000903 blocking effect Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 230000001144 postural effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Image Analysis (AREA)
Abstract
本发明所提供的基于SURF的压缩跟踪方法和系统,通过分别采集视频文件的第t帧图像和第t-N帧到第t帧图像的正样本和负样本,利用SURF提取图像特征和压缩感知技术,得到第一分类器和第二分类器,将两者加权,得到第三分类器;使用第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。本发明所述目标跟踪方法及系统,由于采用了SURF提取图像特征,提取特征速度快,并且在目标环境发生尺度变换、旋转等变化时仍然能够正确提取图像特征,通过稀疏随机测量矩阵对原始图像特征进行压缩,所以所处理的数据少,并提高分类器的更新速度,因此所述目标跟踪方法,可以在复杂环境下准确跟踪目标,并且具有实时性和鲁棒性。
Description
技术领域
本发明涉及计算机视觉技术领域,尤其涉及的是一种基于SURF的压缩跟踪方法和系统。
背景技术
目标跟踪是指在视频图像序列中动态定位感兴趣运动目标所处的位置,我们所感兴趣目标应具有某些显著性的图像特征,比如纹理、颜色、形状、空间等图像信息。在目标跟踪过程中可以监控感兴趣目标的行为轨迹,同时为进一步对感兴趣目标的分析提供了可靠的数据信息。
目标跟踪是计算机视觉技术领域的一个重要研究方向,经常应用于视频安全监测、交通管制、人工智能、人机交互等方面广泛应用。军事应用方面,在军事侦察、空中目标监视和武器成像制导等军事方面得到广泛应用;民用方面,视觉监控已经广泛应用于生活的各个方面,保证了社区和重要公共场所的安全。交通方面,可以用于智能交通系统中进行车辆的实时追踪,并进一步得到关键信息,例如,车流量、车型、车速、车流密度等等许多有价值的交通流参数,同时还可以检测事故或故障等突发状况。根据上面这些应用可以推测出目标跟踪具有广泛的应用前景。
在目标跟踪算法中,根据跟踪算法的精度、实时性和鲁棒性来衡量算法的可行性。目前跟踪算法中存在的难题通常是当目标发生部分遮挡、光照变化、模糊、噪声干扰、尺度变换、姿势变化等干扰条件 时,容易导致跟踪失败。为了解决目标跟踪中的难题,相关领域的一些专家提出了很多种方法。常用的跟踪方法分为基于特征的跟踪、基于区域匹配跟踪、基于活动轮廓的跟踪、基于模型的跟踪和基于运动特征的跟踪方法。这些算法有的简单、易于实现,实时性好,但可靠性不高,在复杂场景和运动下算法容易失效;有的虽然可靠性较高,但算法过于复杂,不利于进行实时运算。考虑到实时性和准确性的因素。Kaihua Zhang等人根据压缩理论知识提出了压缩跟踪,对目标的跟踪满足一般实时性要求,由于是提取图像的haar-like特征,所以当目标发生部分遮挡、尺度变换、旋转、光照变化等干扰时,容易跟踪失败。
因此,现有技术存在缺陷,有待于改进和发展。
发明内容
本发明的目的在于针对上述现有技术中使用的目标跟踪算法在使用时,当目标发生部分遮挡、尺度变换、旋转、光照变化等干扰时,容易跟踪失败的缺陷,提供一种基于SURF的压缩跟踪方法和系统。
本发明的技术方案如下:
一种基于SURF的压缩跟踪方法,其中,包括:
A、采集视频文件的第t帧图像中的正样本和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第一分类器;
B、采集视频文件的第t-N帧到第t帧图像中目标图像的正样本 和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第二分类器;
C、将所述第一分类器和第二分类器进行加权,得到第三分类器;
D、提取视频文件的第t+1帧图像中目标图像的SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。
所述基于SURF的压缩跟踪方法,其中,所述步骤A中还包括:
A1、使用压缩特征向量训练贝叶斯分类器,得到第一弱分类器,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第一弱分类器组成第一分类器。
所述基于SURF的压缩跟踪方法,其中,所述步骤B中还包括:
B1、使用压缩特征向量训练朴素贝叶斯分类器,得到第二弱分类器,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第二弱分类器组成第二分类器。
所述基于SURF的压缩跟踪方法,其中,所述步骤A中:采用第t帧图像中所需跟踪的目标图像作为正样本,采集到的背景图像作为负样本。
所述基于SURF的压缩跟踪方法,其中,所述步骤B中:采用第t-N帧到第t帧图像中所需跟踪的目标图像作为正样本,采用第t帧图像中采集到的背景图像作为负样本。
所述基于SURF的压缩跟踪方法,其中,在所述步骤D中还包 括:
D1、在提取视频文件的第t+1帧图像中目标图像的SURF特征向量之前,首先在第t帧图像中所需跟踪的目标图像周围采集若干个扫描窗口,在提取目标图像的SURF特征向量时,仅通过采集到的若干个扫描窗口进行提取操作。
所述基于SURF的压缩跟踪方法,其中,所述区分度函数的定义为:
其中σ(hpos(vi))、σ(hneg(vi)),分别表示正样本和负样本的方差,Δσ=|σ(hneg(vi))-σ(hpos(vi))|表示正样本与负样本的方差之差,μ(hpos(vi))表示正样本均值,μ(hneg(vi))表示负样本的均值,σ(hpos(vi),hneg(vi))表示正样本和负样本之间的方差;
选择区分度满足预定条件为:选取区分度较高的S(S<n)个压缩特征去训练弱分类器,其中n为全部压缩特征的个数。
所述基于SURF的压缩跟踪方法,其中,所述步骤C中:
第三分类器由第一分类器和第二分类器加权得到,其公式如下:
其中L表示当前第t帧正样本的个数;N表示前N帧的正样本数;HL为第一分类器;HN第二分类器。
一种基于SURF的压缩跟踪系统,其中,包括:第一分类器构建模块,第二分类器构建模块、第三分类器构建模块和目标跟踪模块;
所述第一分类器构建模块,用于采集视频文件的第t帧图像中的 正样本和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第一分类器;
所述第二分类器构建模块,用于采集视频文件的第t-N帧到第t帧图像中目标图像的正样本和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第二分类器;
所述第三分类器构建模块,用于将所述第一分类器和第二分类器进行加权,得到第三分类器;
所述目标跟踪模块,用于提取视频文件的第t+1帧图像中目标图像的SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。
所述基于SURF的压缩跟踪系统,其中,所述第一分类器构建模块还包括:第一分类器训练单元;
所述第一分类器训练单元,用于使用压缩特征向量训练贝叶斯分类器,得到第一弱分类器,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第一弱分类器组成第一分类器。
所述基于SURF的压缩跟踪系统,其中,所述第二分类器构建模块还包括:第二分类器训练单元;
所述第二分类器训练单元;使用压缩特征向量训练朴素贝叶斯分 类器,得到第二弱分类器,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第二弱分类器组成第二分类器。
所述基于SURF的压缩跟踪系统,其中,在所述目标跟踪模块中:第三分类器由第一分类器和第二分类器加权得到,其公式如下:
其中L表示当前第t帧正样本的个数;N表示前N帧的正样本数;HL为第一分类器;HN第二分类器。
有益效果:本发明所提供的基于SURF的压缩跟踪方法和系统,由于采用了SURF提取图像特征,提取特征速度快,并且在目标环境发生尺度变换、旋转等变化时仍然能够正确提取图像特征,且提取精度高,计算时间复杂度小;利用压缩感知知识,通过稀疏随机测量矩阵对原始图像特征进行压缩,所以所处理的数据比较少,并提高分类器的更新速度,所以对目标的跟踪能够实时跟踪,因此所述目标跟踪方法及系统,可以针对目标环境在发生遮挡、姿态变化、尺度变换、旋转和光照变化等复杂环境下准确跟踪,并且具有实时性和鲁棒性。
附图说明
图1为SURF算法提取目标特征的步骤流程图。
图2为本发明提供的所述方法中SURF特征描述因子生成的示意图。
图3为本发明提供的基于SURF的压缩跟踪方法的步骤流程图。
图4为本发明中利用压缩感知技术对图像特征进行压缩的示意图。
图5为本发明提供的基于SURF的压缩跟踪方法的具体实施例的示意图。
图6为本发明提供的基于SURF的压缩跟踪系统的原理结构示意图。
具体实施方式
为使本发明的目的、技术方案及效果更加清楚、明确,以下参照附图并举实例对本发明进一步详细说明。应当理解,此处所描述的具体实施例仅用以解释本发明,并不用于限定本发明。
加速鲁棒特征Speeded-Up Robust Features(SURF)算法是一种图像的局部特征检查算法,当目标图像发生尺度变换、旋转、光照等环境变化时,该算法仍然具有鲁棒性,并且计算精度高。SURF算法可分为特征点检测和特征描述因子形成两部分。图1为SURF算法的步骤示意图,如图所示:在特征点检测部分,利用图像积分图提高计算效率,使用快速Hessian矩阵在所建立的尺度空间提取图像特征点;在特征描述因子形成部分,为每个特征点分配一个主方向,首先确定以特征点为中心的圆形区域的主方向,然后沿主方向构造一个窗口区域,在窗口内提取一个64维特征向量,用该特征向量描述特征点形成特征描述因子。具体说明如下:
SURF特征点检测
在特征点检测过程中,使用了Hessian矩阵检测图像的特征点,同时为了提高计算效率,使用图像积分图进行计算。下面针对特征点检测过程进行分析。
图像积分图
给定一个图像I(x,y),0≤x≤M,0≤y≤N(M×N表示图像的大小),则该图像的积分图为:
其中I(i,j)表示图像在点(i,j)的像素值。假设存在分别位于图像左上、左下、右上、右下的四个顶点A(x1,y1),B(x2,y2),C(x3,y3),D(x4,y4),则由这四个顶点所组成的矩形区域的积分图就是该区域的图像像素值的和,可表示为IΣ(D)+IΣ(A)-IΣ(B)-IΣ(C)。
关于尺度空间的构建
为了满足图像特征的尺度不变性,SURF在不同的尺度空间提取特征点。SURF在建立尺度空间时,不需要做差值,保持原始图像不变。通过改变滤波器的大小,得到尺度空间,每个尺度包括x,y和xy方向的箱式滤波器。在计算的过程中采用了箱式滤波器(box filters)和积分图像,不会重复计算采样层,不同尺度的采样层只需计算一次,所以加快了计算速度。通过不同尺寸箱式滤波器和积分图像求取Hessian矩阵行列式的响应图像,然后,在响应图像上采用3D非极大值抑制,求取各种不同尺度的特征点。
快速Hessian矩阵检测
利用Hessian矩阵的行列式判断图像上某一点是否为极值点,Hessian矩阵由函数f(x,y)的偏导数组成,假设函数f(x,y)存在二阶偏导数,则Hessian矩阵定义如下:
矩阵H的行列式为:
矩阵的行列式是矩阵H的特征值的乘积。如果det(H)<0,即矩阵H的特征值异号,则点(x,y)不是局部极值点;若det(H)>0,即矩阵H的特征值为同号,则点(x,y)被认为是极值点。
将上述方法应用于图像当中,用图像像素值I(x,y)代替函数值f(x,y),选用尺度归一化的二阶高斯滤波计算图像的二阶偏导数。则定义图像I(x,y)在尺度σ的Hessian矩阵为:
其中,Lxx(x,y,σ)是表示高斯二阶偏导数与图像在点(x,y)上的卷积;同理类似定义Lyy(x,y,σ),Lxy(x,y,σ)。利用该Hessian矩阵行列式可计算图像上的特征点和尺度信息。
在SURF算法中,利用箱式滤波器近似二阶高斯核函数,在这里采用9×9的箱式滤波器近似二阶高斯核函数。如下图3所示,图中黑色区域表示值为0,箱式滤波器利用积分图加速卷积运算,计算时间与箱式滤波器的大小无关,提高计算效率,对应的二阶高斯核函数尺度因子σ=1.2。
箱式滤波器与图像卷积后的值分别记为Dxy,Dxx,Dyy;为了方便计算,这里引入了一个二阶高斯核函数和近似二阶高斯核函数比例因子ω,则矩阵H的行列式可表示为:
det(Happrox)=DxxDyy-(ωDxy)2 (1.5)
其中,det(Happrox)表示为在图像点(x,y)周围区域的箱式滤波器的响应值,det(Happrox)可用来检测图像的极值点,比例因子ω定义如下:
式中,|·|F表示Frobenius范数。
为了得到图像特征点位置和尺度,由上面式子(1.5)求得Hessian矩阵的行列式,并根据矩阵行列式得到不同尺度层的极值点,每一个极值点及其在同一尺度层的8个相邻点以及它上下两个尺度层的各9个点,形成一个3×3×3的立体邻域。将尺度空间中的每个极值点及其立体邻域相邻的26个点进行比较,只有当极值点的值大于(或小于)所有26个相邻点时,才将此极值点作为候选特征点。得到候选特征点后在尺度空间和图像空间中用M.Brown等人所提方法进行插值运算,得到亚像素级的特征点位置及所在的尺度值。
SURF特征描述因子
SURF特征描述因子的生成分为两部分:第一部分是确定特征点的主方向;第二部分是用Haar小波响应生成特征描述因子。
为了保持图像旋转不变性,我们为每个特征点确定主方向。在以特征点为中心半径为6s(s为特征点的尺度值)的圆形邻域上的点分别计算x和y方向的Haar小波响应。Haar小波的尺寸选为4s。使用的 高斯函数σ=2s对小波的响应值进行加权,以特征点为中心,以为一个扇形区域,计算Haar小波响应的向量加权和,这样得到一系列的向量,选择最长的向量为该特征点的主方向。
如图2所示,SURF特征点的描述特征向量是以特征点为中心,与特征点主方向平行的矩形区域内进行提取。以特征点为中心,平行于特征点主方向构造20s×20s的矩形窗口,并将其分割成4×4的子区域。对每一个子区域,分别计算其平行于特征点主方向及其垂直主方向上的Haar小波响应,分别记为dx和dy。为了提高尺度变换、旋转不变性和定位的鲁棒性,在每一个子区域中,在特征点主方向和垂直与主方向的Haar小波响应dx、dy和高斯权值σ=3.3s,计算每个子区域的累加值Σdx、Σdy、Σ|dx|、Σ|dy|,这些累加值反映图像在该子区域的特性。则形成一个4D的特征向量V=(Σdx,Σdy,Σ|dx|,Σ|dx|),分别求出4×4个子区域的特征向量,则形成一个4×4×4=64维的特征向量。将特征向量进行归一化后构成SURF特征点的描述因子。
本发明还利用了压缩感知技术,即是利用稀疏测量矩阵压缩特征向量,其说明如下:
根据压缩感知理论知识,由SURF特征向量组成的高维空间图像X∈Rm,可由满足Restricted isometry property(RIP)条件的稀疏测量矩阵R∈Rn×m进行压缩处理,得到低维空间图像V∈Rn,定义如下:
V=RX (1.6)
其中n<<m,即经过稀疏测量矩阵观测之后的图像处理数据大大减 小。根据压缩感知理论知识可以知道当稀疏测量矩阵R∈Rn×m满足RIP条件时,可以从低维图像信息V∈Rn以最小误差恢复出原始图像的信息X∈Rm。
这里采用的稀疏随机测量矩阵是满足Johnson-Lindenstrauss推论的矩阵R,其元素定义如下:
Achlioptas已经证明当s=2或s=3时,该矩阵满足Johnson-Lindenstrauss推论。当s=3时,该矩阵非常稀疏,只需计算原来1/3的数据。我们设置s=m/4(x∈Rm),得到一个非常稀疏的矩阵,并且在矩阵的每一行中只需计算c≤4个元素值,计算时间复杂度非常低O(cn),n为若分类器的个数。经过稀疏测量矩阵进行特征压缩,并且能够保持其原始的特征信息,同时降低计算复杂度,使目标的跟踪过程中能够得到实时性。
本发明提供了一种基于SURF的压缩跟踪方法便是通过SURF提取图像特征和压缩感知技术来实现目标的准确和快速跟踪。
下面结合如图3所示所述方法的步骤流程对所述方法进行进一步的解释。
S1、采集视频文件的第t帧图像中的正样本和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述 SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第一分类器。
本步骤中,首先采集视频文件的第t帧图像中的目标样本,具体的采用第t帧图像中所需跟踪的目标图像作为正样本,采集到的背景图像作为负样本,并对正样本和负样本提取SURF特征向量,使用稀疏随机测量矩阵R去观测原始图像特征X∈Rm,得到压缩特征V∈Rn,压缩特征过程如下图4所示。
Diaconis和Freedman指出高维随机向量的随机投射总是满足高斯分布。因此,我们由稀疏随机测量矩阵投射之后,得到的压缩特征向量是满足高斯分布的。我们这里采用了基于样本特征相互独立的朴素贝叶斯分类器。对于样本S∈Rm,压缩后得到的低维特征向量v=(v1,v2,...,vn)T∈Rn,其中n<<m,通过朴素贝叶斯分类器构造模型如下:
(1.8)
其中,y表示样本类别,y=1表示正样本,y=0表示负样本,且两个先验概率p(y=1)=p(y=0)。由于p(vi/y=1)和p(vi/y=0)在分类器H(v)中服从高斯分布,则由高斯分布的参数来进行如下描述:
其中,在朴素贝叶斯分类器的更新过程中,参数更新按下列表达式进行:
其中, λ>0表示学习速率,λ越小表示学习速率越快。在目标跟踪过程中,对于检测到的样本集合中分类器H(v)最大值的样本位置为目标跟踪到的位置。
具体的,在本步骤中,使用压缩特征向量训练贝叶斯分类器,得到第一弱分类器,为了能够提供目标跟踪的鲁棒性,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第一弱分类器组成第一分类器。
由于选取区分度较高的压缩特征去训练分类器得到弱分类器,而不是选取所有的压缩特征。因此,选取区分度较高的压缩特征的过程就是选择其对应的弱分类器。区分度函数定义如下:
其中σ(hpos(vi))、σ(hneg(vi))表示正样本(目标)、负样本(背景)的方差,Δσ=|σ(hneg(vi))-σ(hpos(vi))|表示正、负样本的方差之差,μ(hpos(vi))、μ(hneg(vi))表示正、负样本的均值,σ(hpos(vi);hneg(vi))表示正负样本之间的方差。该区分度函数主要是利用正负样本之间的方差和样本各自方差之比,同时利用样本各自均值之差。因为我们知道,若正样本方差越小,负样本方差越大,则表示正、负样本之间的区分度就越高。所以利用区分度较高的压缩特征去训练分类器,能够提高目标跟踪效果。因此,我们选取区分度较高的S(S<n)个压缩特征去训练弱分类 器。选择区分度较高的每一维特征fi对应的弱分类器为h(fi),由式子(1.8)和(1.12),可以得到区分度较高的分类器定义如下:
因此通过公式(1.13),可以得到第一分类器。
S2、采集视频文件的第t-N帧到第t帧图像中目标图像的正样本和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第二分类器。
在本步骤中,采用第t-N帧到第t帧图像中所需跟踪的目标图像作为正样本,采用第t帧图像中采集到的背景图像作为负样本。
通过如上述步骤S1中同样的方法,得到第二分类器。
同样的,本步骤中使用压缩特征向量训练朴素贝叶斯分类器,得到第二弱分类器,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第二弱分类器组成第二分类器。
S3、将所述第一分类器和第二分类器进行加权,得到第三分类器。
具体的,由第一分类器和第二分类器加权得到第三分类器的公式如下:
其中L表示当前第t帧正样本的个数;N表示前N帧的正样本数;HL为第一分类器;HN第二分类器。所述第一分类器HL和第二分类器HN均时通过公式(1.13)得到的。
S4、提取视频文件的第t+1帧图像中目标图像的SURF特征向量, 利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。
在提取视频文件的第t+1帧图像中目标图像的SURF特征向量之前,为了提高提取目标特征的速度,首先在第t帧图像中所需跟踪的目标图像周围采集若干个扫描窗口,在提取目标图像的SURF特征向量时,仅通过采集到的若干个扫描窗口进行提取操作。
本发明所述方法在训练分类器的时候充分利用了前N帧的正样本信息,并且选取区分度较高的压缩特征向量去训练分类器,所以在当前帧目标发生遮挡时,依然能够正确的跟踪的目标,不会跟踪失败,且基于SURF特征提取和压缩感知技术,从而使视频图像中目标跟踪具有鲁棒性、准确性、高精度和实时性,能够满足复杂环境下的目标跟踪。
如图5所示为本发明所述方法在具体实施时的步骤流程图,如图所示:
在具体实施时,其包含以下步骤:
A)、在视频的第t帧图像中,首先采集若干目标图像(正样本)和背景图像(负样本)然后分别对正负样本图像提取SURF特征向量,再通过一个稀疏测量矩阵观测特征向量,得到降维特征向量(压缩特征向量),最后利用正负样本的压缩特征向量去训练朴素贝叶斯分类器得到弱分类器,然后通过判别区分度函数选择区分度较高的压缩特征训练成的弱分类器组成第一分类器。
B)、利用前面跟踪到的目标信息,即对前面t-N帧到第t帧之间所跟踪到的目标作为训练分类器的正样本,负样本采用第t帧所采集到的背景图像,然后分别对正负样本图像提取SURF特征向量,再通过一个稀疏测量矩阵观测特征向量,得到降维特征向量(压缩特征向量),最后利用正负样本的压缩特征向量去训练朴素贝叶斯分类器得到弱分类器,然后通过判别区分度函数选择区分度较高的压缩特征训练成的弱分类器组成第二分类器。
C)、对第一分类器和第二分类器进行加权得到第三分类器。
D)、在第t+1帧,首先在上一帧跟踪到的目标位置的周围采样n个扫描窗口(避免去扫描整幅图像),提取目标样本的SURF特征向量,进一步使用相同的稀疏测量矩阵观测特征向量,得到压缩特征向量,最后利用第t帧已经训练好的朴素贝叶斯分类器进行分类,根据朴素贝叶斯的原理认为分类概率最大的窗口就认为是t+1帧的目标窗口。这样就实现了从t帧到t+1帧的目标跟踪。
在上述方法的基础上,本发明还提供了一种基于SURF的压缩跟踪系统,如图6所示,所述系统包括:第一分类器构建模块10,第二分类器构建模块20、第三分类器构建模块30和目标跟踪模块40;
所述第一分类器构建模块10,用于采集视频文件的第t帧图像中的正样本和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第一分类器;
所述第二分类器构建模块20,用于采集视频文件的第t-N帧到第 t帧图像中目标图像的正样本和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第二分类器;
所述第三分类器构建模块30,用于将所述第一分类器和第二分类器进行加权,得到第三分类器;
所述目标跟踪模块40,用于提取视频文件的第t+1帧图像中目标图像的SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。
所述第一分类器构建模块还包括:第一分类器训练单元;
所述第一分类器训练单元,用于使用压缩特征向量训练贝叶斯分类器,得到第一弱分类器,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第一弱分类器组成第一分类器。
所述第二分类器构建模块还包括:第二分类器训练单元;
所述第二分类器训练单元;使用压缩特征向量训练朴素贝叶斯分类器,得到第二弱分类器,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第二弱分类器组成第二分类器。
在所述目标跟踪模块中:第三分类器由第一分类器和第二分类器加权得到,其公式如下:
其中L表示当前第t帧正样本的个数;N表示前N帧的正样本 数;HL为第一分类器;HN第二分类器。
本发明所提供的基于SURF的压缩跟踪方法和系统,通过分别采集视频文件的第t帧图像和第t-N帧到第t帧图像的正样本和负样本,利用SURF提取图像特征和压缩感知技术,得到第一分类器和第二分类器,将两者加权,得到第三分类器;使用第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。本发明所述目标跟踪方法及系统,由于采用了SURF提取图像特征,提取特征速度快,并且在目标环境发生尺度变换、旋转等变化时仍然能够正确提取图像特征,通过稀疏随机测量矩阵对原始图像特征进行压缩,所以所处理的数据少,并提高分类器的更新速度,因此所述目标跟踪方法,可以在复杂环境下准确跟踪目标,并且具有实时性和鲁棒性。
应当理解的是,对本领域普通技术人员来说,可以根据上述说明加以改进或变换,而所有这些改进和变换都应属于本发明所附权利要求的保护范围。
Claims (12)
1.一种基于SURF的压缩跟踪方法,其特征在于,包括:
A、采集视频文件的第t帧图像中的正样本和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第一分类器;
B、采集视频文件的第t-N帧到第t帧图像中目标图像的正样本和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第二分类器;
C、将所述第一分类器和第二分类器进行加权,得到第三分类器;
D、提取视频文件的第t+1帧图像中目标图像的SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。
2.根据权利要求1所述基于SURF的压缩跟踪方法,其特征在于,所述步骤A中还包括:
A1、使用压缩特征向量训练贝叶斯分类器,得到第一弱分类器,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第一弱分类器组成第一分类器。
3.根据权利要求1所述基于SURF的压缩跟踪方法,其特征在于,所述步骤B中还包括:
B1、使用压缩特征向量训练朴素贝叶斯分类器,得到第二弱分类器,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成 的第二弱分类器组成第二分类器。
4.根据权利要求1所述基于SURF的压缩跟踪方法,其特征在于,所述步骤A中:采用第t帧图像中所需跟踪的目标图像作为正样本,采集到的背景图像作为负样本。
5.根据权利要求1所述基于SURF的压缩跟踪方法,其特征在于,所述步骤B中:采用第t-N帧到第t帧图像中所需跟踪的目标图像作为正样本,采用第t帧图像中采集到的背景图像作为负样本。
6.根据权利要求1所述基于SURF的压缩跟踪方法,其特征在于,在所述步骤D中还包括:
D1、在提取视频文件的第t+1帧图像中目标图像的SURF特征向量之前,首先在第t帧图像中所需跟踪的目标图像周围采集若干个扫描窗口,在提取目标图像的SURF特征向量时,仅通过采集到的若干个扫描窗口进行提取操作。
7.根据权利要求2或3所述基于SURF的压缩跟踪方法,其特征在于,所述区分度函数的定义为:
其中σ(hpos(vi))、σ(hneg(vi)),分别表示正样本和负样本的方差,Δσ=|σ(hneg(vi))-σ(hpos(vi))|表示正样本与负样本的方差之差,μ(hpos(vi))表示正样本均值,μ(hneg(vi))表示负样本的均值,σ(hpos(vi),hneg(vi))表示正样本和负样本之间的方差;
选择区分度满足预定条件为:选取区分度较高的S(S<n)个压缩特征去训练弱分类器,其中n为全部压缩特征的个数。
8.根据权利要求1所述基于SURF的压缩跟踪方法,其特征在于,所述步骤C中:
第三分类器由第一分类器和第二分类器加权得到,其公式如下:
其中L表示当前第t帧正样本的个数;N表示前N帧的正样本数;HL为第一分类器;HN第二分类器。
9.一种基于SURF的压缩跟踪系统,其特征在于,包括:第一分类器构建模块,第二分类器构建模块、第三分类器构建模块和目标跟踪模块;
所述第一分类器构建模块,用于采集视频文件的第t帧图像中的正样本和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第一分类器;
所述第二分类器构建模块,用于采集视频文件的第t-N帧到第t帧图像中目标图像的正样本和负样本,对正样本和负样本提取SURF特征向量,利用压缩感知技术,获得表征所述SURF特征向量的压缩特征向量,使用所述压缩特征向量训练贝叶斯分类器,得到第二分类器;
所述第三分类器构建模块,用于将所述第一分类器和第二分类器进行加权,得到第三分类器;
所述目标跟踪模块,用于提取视频文件的第t+1帧图像中目标图像的SURF特征向量,利用压缩感知技术,获得表征所述SURF特征 向量的压缩特征向量,使用所述第三分类器对视频文件第t+1帧图像中目标图像进行跟踪。
10.根据权利要求9所述基于SURF的压缩跟踪系统,其特征在于,所述第一分类器构建模块还包括:第一分类器训练单元;
所述第一分类器训练单元,用于使用压缩特征向量训练贝叶斯分类器,得到第一弱分类器,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第一弱分类器组成第一分类器。
11.根据权利要求9所述基于SURF的压缩跟踪系统,其特征在于,所述第二分类器构建模块还包括:第二分类器训练单元;
所述第二分类器训练单元;使用压缩特征向量训练朴素贝叶斯分类器,得到第二弱分类器,通过判别区分度函数选择区分度满足预定条件的压缩特征训练成的第二弱分类器组成第二分类器。
12.根据权利要求9所述基于SURF的压缩跟踪系统,其特征在于,在所述目标跟踪模块中:第三分类器由第一分类器和第二分类器加权得到,其公式如下:
其中L表示当前第t帧正样本的个数;N表示前N帧的正样本数;HL为第一分类器;HN第二分类器。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510007742.1A CN104680554B (zh) | 2015-01-08 | 2015-01-08 | 基于surf的压缩跟踪方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510007742.1A CN104680554B (zh) | 2015-01-08 | 2015-01-08 | 基于surf的压缩跟踪方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104680554A true CN104680554A (zh) | 2015-06-03 |
CN104680554B CN104680554B (zh) | 2017-10-31 |
Family
ID=53315547
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510007742.1A Expired - Fee Related CN104680554B (zh) | 2015-01-08 | 2015-01-08 | 基于surf的压缩跟踪方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104680554B (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427339A (zh) * | 2015-11-05 | 2016-03-23 | 天津工业大学 | 一种结合特征筛选与二次定位的快速压缩跟踪方法 |
CN106778831A (zh) * | 2016-11-28 | 2017-05-31 | 国家计算机网络与信息安全管理中心 | 基于高斯混合模型的刚体目标在线特征分类与跟踪方法 |
CN106846363A (zh) * | 2016-12-29 | 2017-06-13 | 西安电子科技大学 | 一种改进稀疏矩阵的尺度自适应性压缩跟踪方法 |
CN110461270A (zh) * | 2017-02-14 | 2019-11-15 | 阿特雷塞斯有限责任公司 | 具有压缩和/或cmos开窗的高速光学跟踪 |
CN111062291A (zh) * | 2019-12-10 | 2020-04-24 | 中国人民解放军海军航空大学 | 一种机器人视觉跟踪方法及系统 |
CN112884808A (zh) * | 2021-01-26 | 2021-06-01 | 石家庄铁道大学 | 保留目标真实交互行为的视频浓缩管集划分方法 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108256572B (zh) * | 2018-01-16 | 2022-04-19 | 哈尔滨职业技术学院 | 一种基于改进朴素贝叶斯的室内视觉特征分类方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325125A (zh) * | 2013-07-03 | 2013-09-25 | 北京工业大学 | 基于改进多示例学习算法的运动目标跟踪方法 |
CN103632382A (zh) * | 2013-12-19 | 2014-03-12 | 中国矿业大学(北京) | 一种基于压缩感知的实时多尺度目标跟踪方法 |
CN103839273A (zh) * | 2014-03-25 | 2014-06-04 | 武汉大学 | 基于压缩感知特征选择的实时检测跟踪框架与跟踪方法 |
CN104021577A (zh) * | 2014-06-19 | 2014-09-03 | 上海交通大学 | 一种基于局部背景学习的视频跟踪方法 |
CN104156978A (zh) * | 2014-07-04 | 2014-11-19 | 合肥工业大学 | 基于球载平台的多目标动态跟踪方法 |
-
2015
- 2015-01-08 CN CN201510007742.1A patent/CN104680554B/zh not_active Expired - Fee Related
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103325125A (zh) * | 2013-07-03 | 2013-09-25 | 北京工业大学 | 基于改进多示例学习算法的运动目标跟踪方法 |
CN103632382A (zh) * | 2013-12-19 | 2014-03-12 | 中国矿业大学(北京) | 一种基于压缩感知的实时多尺度目标跟踪方法 |
CN103839273A (zh) * | 2014-03-25 | 2014-06-04 | 武汉大学 | 基于压缩感知特征选择的实时检测跟踪框架与跟踪方法 |
CN104021577A (zh) * | 2014-06-19 | 2014-09-03 | 上海交通大学 | 一种基于局部背景学习的视频跟踪方法 |
CN104156978A (zh) * | 2014-07-04 | 2014-11-19 | 合肥工业大学 | 基于球载平台的多目标动态跟踪方法 |
Non-Patent Citations (2)
Title |
---|
卢维 等: "基于自适应多特征表观模型的目标压缩跟踪", 《浙江大学学报(工学版)》 * |
谢娟英 等: "基于特征子集区分度与支持向量机的特征选择算法", 《计算机学报》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105427339A (zh) * | 2015-11-05 | 2016-03-23 | 天津工业大学 | 一种结合特征筛选与二次定位的快速压缩跟踪方法 |
CN105427339B (zh) * | 2015-11-05 | 2018-11-23 | 天津工业大学 | 一种结合特征筛选与二次定位的快速压缩跟踪方法 |
CN106778831A (zh) * | 2016-11-28 | 2017-05-31 | 国家计算机网络与信息安全管理中心 | 基于高斯混合模型的刚体目标在线特征分类与跟踪方法 |
CN106778831B (zh) * | 2016-11-28 | 2020-04-24 | 国家计算机网络与信息安全管理中心 | 基于高斯混合模型的刚体目标在线特征分类与跟踪方法 |
CN106846363A (zh) * | 2016-12-29 | 2017-06-13 | 西安电子科技大学 | 一种改进稀疏矩阵的尺度自适应性压缩跟踪方法 |
CN110461270A (zh) * | 2017-02-14 | 2019-11-15 | 阿特雷塞斯有限责任公司 | 具有压缩和/或cmos开窗的高速光学跟踪 |
CN111062291A (zh) * | 2019-12-10 | 2020-04-24 | 中国人民解放军海军航空大学 | 一种机器人视觉跟踪方法及系统 |
CN112884808A (zh) * | 2021-01-26 | 2021-06-01 | 石家庄铁道大学 | 保留目标真实交互行为的视频浓缩管集划分方法 |
Also Published As
Publication number | Publication date |
---|---|
CN104680554B (zh) | 2017-10-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104680554A (zh) | 基于surf的压缩跟踪方法和系统 | |
US10706285B2 (en) | Automatic ship tracking method and system based on deep learning network and mean shift | |
Hur et al. | Multi-lane detection in urban driving environments using conditional random fields | |
Yuan | Video-based smoke detection with histogram sequence of LBP and LBPV pyramids | |
CN101719216B (zh) | 基于模板匹配的运动人体异常行为识别方法 | |
CN106203274A (zh) | 一种视频监控中行人实时检测系统及方法 | |
CN111860274B (zh) | 基于头部朝向与上半身骨架特征的交警指挥手势识别方法 | |
CN106204640A (zh) | 一种运动目标检测系统及方法 | |
CN103810717B (zh) | 一种人体行为检测方法及装置 | |
Yan et al. | Driving posture recognition by joint application of motion history image and pyramid histogram of oriented gradients | |
CN104008370A (zh) | 一种视频人脸识别方法 | |
CN103455797A (zh) | 航拍视频中运动小目标的检测与跟踪方法 | |
CN104182985A (zh) | 遥感图像变化检测方法 | |
CN101493943B (zh) | 一种粒子滤波跟踪方法和跟踪装置 | |
CN106023245A (zh) | 基于中智集相似度量测的静态背景下运动目标检测方法 | |
CN106128121A (zh) | 基于局部特征分析的车辆排队长度快速检测算法 | |
CN109829405A (zh) | 视频目标的数据关联方法、装置及存储介质 | |
Fürst et al. | Lrpd: Long range 3d pedestrian detection leveraging specific strengths of lidar and rgb | |
CN116469020A (zh) | 一种基于多尺度和高斯Wasserstein距离的无人机图像目标检测方法 | |
CN113129336A (zh) | 一种端到端多车辆跟踪方法、系统及计算机可读介质 | |
CN102682291A (zh) | 一种场景人数统计方法、装置和系统 | |
CN115861669A (zh) | 一种基于聚类思想的红外弱小目标检测方法 | |
CN109636834A (zh) | 基于tld改进算法的视频车辆目标跟踪算法 | |
CN110084146B (zh) | 基于遮挡感知自监督学习的行人检测方法及装置 | |
Han et al. | Neuromorphic convolutional recurrent neural network for road safety or safety near the road |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171031 |