专利汇可以提供基于霍夫森林的视频目标跟踪方法专利检索,专利查询,专利分析的服务。并且本 发明 公开一种基于霍夫森林的视频目标 跟踪 方法,主要解决 现有技术 中当目标被部分遮挡或发生非刚性变化时容易跟踪失败的问题。其方法步骤为:(1)输入一段视频的第一 帧 ,并人工标记出待跟踪的目标;(2)从输入的第一帧视频图像中,提取视频图像的特征;(3)建立并初始化霍夫森林检测器;(4)检测目标并进行霍夫投票;(5)用Lucas-Kanade跟踪器跟踪目标,获得目标框大小的尺度变化s;(6)根据霍夫森林检测中的投票峰值和Lucas-Kanade跟踪器的跟踪结果,确定目标 位置 ;(7)根据目标框大小的尺度变化s调整目标框的宽和高,并显示;(8)重新训练霍夫森林检测器;(9)重复步骤(4)—步骤(8),直到视频结束。本发明具有对遮挡目标跟踪准确的优点,可用于 人机交互 和交通监控领域。,下面是基于霍夫森林的视频目标跟踪方法专利的具体信息内容。
1.一种基于霍夫森林的视频目标跟踪方法,包括以下步骤:
(1)输入一段视频的第一帧,并人工标记出待跟踪的目标;
(2)从输入的第一帧视频图像中,提取视频图像的特征,该特征包括:Lab特征,梯度方向直方图HOG特征,图像x方向的一阶导数特征、二阶导数特征,图像y方向的一阶导数特征、二阶导数特征;
(3)建立并初始化霍夫森林检测器
3a)设定霍夫森林检测器中的决策树数目为20个,为每个决策树随机产生8对范围在
0~12的块内位置偏移量(l,s)、(p,q),同时为每对块内位置偏移量l随机选取一种特征;
3b)将目标区域作为正样本,将目标区域以外的区域作为负样本,将目标区域向四周扩展20个像素作为样本更新区域,在样本更新区域内逐个像素取12×12的图像块,对每个决策树,根据8对块内位置偏移量(l,s)、(p,q)确定图像块的8个特征点对,提取这些特征点的特征i训练决策树,产生图像块特征值;若图像块为正样本,计算图像块中心与目标中心的位置偏移量d,更新图像块特征值对应的正负样本比及该决策树的正负样本比,存储图像块特征值对应的位置偏移量d,若图像块为负样本,则只更新图像块编码对应的正负样本比及该棵树的正负样本比;
3c)从已经建立的20个决策树中,选择正负样本比最高的10个决策树组成霍夫森林检测器;
(4)检测目标并进行霍夫投票
4a)载入新一帧视频图像,按照步骤(2)的方法提取新一帧视频图像的特征,并将上一帧的目标区域扩大一倍作为搜索区域,在搜索区域内,以每个像素点为中心取12×12得图像块,通过随机森林分类器中的决策树依次对图像块进行分类、计算图像块特征值,当决策树判定图像块属于目标时,根据图像块特征值对应的位置偏移量d和图像块的中心位置计算目标的中心位置并进行投票;
4b)取投票峰值的位置作为目标的位置;
(5)用Lucas-Kanade跟踪器跟踪目标,获得目标框大小的尺度变化s;
(6)根据霍夫森林检测中的投票峰值和Lucas-Kanade跟踪器的跟踪结果,按如下规则确定目标位置;
若霍夫森林检测中的投票峰值大于阈值1,则将检测到的位置作为目标在当前帧视频图像中的位置,并执行步骤(8);
若霍夫森林检测中的投票峰值大于阈值2且小于阈值1,则当检测到的结果和Lucas-Kanade跟踪得到的结果在x、y方向误差均小于5个像素时,取检测结果和跟踪结果的均值作为目标位置,且执行步骤(8),否则,将检测结果作为目标位置,执行步骤(7);
若霍夫森林检测中的投票峰值大于阈值3且小于阈值2,则将检测结果作为目标位置,执行步骤(7);
若霍夫森林检测中的投票峰值小于阈值3,则将Lucas-Kanade跟踪器的跟踪结果作为目标的位置,执行步骤(7);
(7)根据目标框大小的变化尺度s调整目标框的宽和高,并显示;
(8)重新训练霍夫森林分类器
8a)将目标区域作为正样本,将目标区域以外的区域作为负样本,将目标区域扩大20个像素,将此扩大的区域作为更新区域;
8b)在更新区域中,以每个像素点为中心取12×12的图像块,对每个决策树,确定该图像块的8对特征点并提取这些特征点的特征i训练决策树,产生图像块特征值,若图像块为正样本,则计算图像块中心与目标中心的位置偏移量d,更新图像块特征值对应的正负样本比及该决策树的正负样本比,存储图像块特征值对应的位置偏移量d,若该图像块为负样本则只更新图像块编码对应的正负样本比以及该决策树的正负样本比;
(9)重复步骤(4)—(8),直到视频结束。
2.根据权利要求1所述的基于霍夫森林的视频目标跟踪方法,其中步骤(2)所述的从输入的第一帧视频图像中,提取视频图像的特征,按如下步骤进行:
(2a)将视频图像由RGB颜色空间转化为Lab颜色空间,RGB颜色空间中R表示红色通道、G表示绿色通道、B表示蓝色通道,Lab颜色空间中L表示照度通道、a表示从红色至绿色的通道、b表示从黄色至蓝色的通道,将L通道、a通道、b通道作为提取的特征1~特征3。
(2b)将视频图像由RGB图像转化为灰度图像,计算灰度图像中每个像素点的梯度方向,以40°为一个区域,将各个像素点的梯度方向归并量化为9个方向,统计各个方向的像素点数目,即可得到9维的梯度方向直方图HOG,将HOG的9维向量作为特征4~特征12。
(2c)对灰度图像进行中值滤波得到滤波后的图像I,对图像I的x方向求一阶导数作为特征13,对图像I求x方向求二阶导数作为特征14,对图像I求y方向求一阶导数作为特征15,对图像I求y方向二阶导数作为特征16。
3.根据权利要求1所述的基于霍夫森林的视频目标跟踪方法,其中步骤3b)所述的根据8个块内位置偏移量(lj,rj,pj,qj)确定图像块的8个特征点对,提取这些特征点对的特征i训练决策树,产生图像块特征值,如下步骤进行:
(3a)假设图像块的中心位置为(x,y),且一个特征点对包括特征点1和特征点2,将(x,y)与第j对块内位置偏移量(l,s)、(p,q)相加,得到坐标(x+lj,y+rj)和坐标(x+pj,y+qj),将坐标(x+lj,y+rj)所对应的像素点作为第j个特征点对的特征点1,将坐标(x+lx2,y+ly2)所对应的像素点作为第j个特征点对的特征点2;
(3b)比较第j个特征点对的特征点1和特征点2的特征值得到第j个特征点对的标识位mj,若特征点1的特征值大于特征点2的特征值,则mj=1,若特征点1的特征值小于特征点2的特征值,则mj=0;
(3c)将8个特征点对的标识位m1~m8依次排列得到图像块特征值m1m2m3m4m5m6m7m8。
4.根据权利要求1所述的基于霍夫森林的视频目标跟踪方法,其中步骤(5)所述的用Lucas-Kanade跟踪器跟踪目标,获得目标框大小的尺度变化s,按如下步骤进行:
(4a)在t-1时刻视频图像I1的目标区域中均匀产生一系列N个跟踪点p1,p2...pN,用Lucas-Kanade跟踪器跟踪这些点,得到p1,p2…pN在t时刻视频图像I2中的对应点q1,q2...qN;
(4b)对t时刻视频图像I2中的点q1,q2...qN,用Lucas-Kanade跟踪器跟踪得到q1,q2...qN在t-1时刻视频图像I1中的对应点p'1,p'2...P’N;
(4c)计算t-1时刻视频图像I1中跟踪点p1,p2...pN和p'1,p'2...p'N对应点之间的前向-后向误差fb,计算p1,p2...pN和q1,q2...qN的标准互相关系数ncc,取q1,q2...qN中满足以下两个要求的点作为可信跟踪点:①前向-后向误差fb小于前向-后向误差中值fb_m;②标准互相关系数ncc大于标准互相关系数中值ncc_m;
(4d)分别计算z个可信跟踪点在t-1时刻视频图像I1中任意两点之间的距离ai,和可信跟踪点在t时刻视频图像I2中任意两点之间的距离bi,并将两类距离之比 的均值,作为目标框大小的变化尺度s,其中i=1,2…k, !表示阶乘。
5.根据权利要求1所述的基于霍夫森林的视频目标跟踪方法,其中步骤(7)所述的根据目标框大小的变化尺度s调整目标框的宽和高,是通过以下两个公式实现:
Ws=w×s
hs=h×s
其中,w表示调整前的目标框宽,s表示目标框大小的变化尺度,Ws表示调整后的目标框宽,h表示调整前的目标框高,hs表示调整后的目标框高。
标题 | 发布/更新时间 | 阅读量 |
---|---|---|
一种基于功率熵谱-随机森林的航空发动机滚动轴承故障诊断方法 | 2020-05-11 | 518 |
一种基于数据挖掘的结构安全评估及预报方法 | 2020-05-12 | 427 |
一种基于投票集成学习的心电数据智能分类方法 | 2020-05-12 | 330 |
一种基于深度强化学习的订单信息处理方法 | 2020-05-08 | 589 |
一种快速建模的方法 | 2020-05-11 | 53 |
一种吹塑成形工艺参数在线调控方法 | 2020-05-12 | 739 |
一种基于特征选择的皮肤检测混合颜色空间的选取方法 | 2020-05-13 | 992 |
基于最大熵特征的葡萄分类提取方法 | 2020-05-11 | 297 |
一种基于核主成分分析和多项式特征的脑血管病神经功能损伤程度预测模型 | 2020-05-11 | 347 |
一种基于误差匹配的中低压燃气调压器故障检测方法 | 2020-05-12 | 774 |
高效检索全球专利专利汇是专利免费检索,专利查询,专利分析-国家发明专利查询检索分析平台,是提供专利分析,专利查询,专利检索等数据服务功能的知识产权数据服务商。
我们的产品包含105个国家的1.26亿组数据,免费查、免费专利分析。
专利汇分析报告产品可以对行业情报数据进行梳理分析,涉及维度包括行业专利基本状况分析、地域分析、技术分析、发明人分析、申请人分析、专利权人分析、失效分析、核心专利分析、法律分析、研发重点分析、企业专利处境分析、技术处境分析、专利寿命分析、企业定位分析、引证分析等超过60个分析角度,系统通过AI智能系统对图表进行解读,只需1分钟,一键生成行业专利分析报告。