[发明专利]利用两层级联的Boosting分类算法实现视频目标跟踪的方法

摘要

本发明公开了一种利用两层级联的Boosting分类算法实现视频目标跟踪的方法，该方法包括：图像的预处理，获取目标样本与目标区域中的图像块；通过滤波器提取特征，得到正负样本的特征值；包含在线特征选择和权重训练的两层Boosting级联算法；分类器检测的目标跟踪等步骤。本发明使用多个滤波器对图像块提取特征，更为精细地表达出图像块的特征，解决了使用类Haar特征构造模板单一，丢失图像色彩和纹理细节的问题；另外，使用两层级联的结构，对滤波器类型和图像块位置分别进行选择，使所选择的特征更加适用于跟踪任务。

主权项

1.利用两层级联的Boosting分类算法实现视频目标跟踪的方法，其特征在于该方法包括以下具体步骤：S1、预处理在图像序列的第一帧中，首先标出跟踪的目标区域并在目标区域中随机产生出若干大小和相对位置的图像块；使用AlexNet深度神经网络中第一层中卷积层的卷积核组作为基滤波器库FB，并对FB做归一化处理；缩放FB，使得FB中的每个滤波器与目标区域中的图像块宽高大小一致，缩放结果作为滤波器库F＝{f1,f2,…,fN},N＝96；S2、正负样本的特征提取以目标区域作为正样本，目标区域周边四个同样大小区域作为负样本，在正负样本中同样的相对位置取出图像块与对应F中的fj分别逐元素即像素相乘并求和得到特征值hs；S3、特征选择和权重训练的两层Boosting级联算法第一级Boosting算法是对滤波器作选择，使用步骤S2求得的特征值hs训练第一级Boosting的弱分类器并获得第一级参数其中α为第一级弱分类器的置信值，pfmean为第一级正样本均值，nfmean为负样本均值，thrf为分类阈值，parf为弱分类器符号，为弱分类器分类正确数，为弱分类器分类错误数，ef为弱分类器错误率；第二级Boosting算法是对图像块作选择，使用第一级弱分类器的置信值α与正负样本特征值hs的加权结果W作为特征值输入第二级，并获得第二级Boosting弱分类器参数其中β为第二级弱分类器的置信值，ppmean为第二级正样本均值，npmean为负样本均值，thrp为分类阈值，parp为弱分类器符号，为弱分类器分类正确数，为弱分类器分类错误数，ep为弱分类器错误率；S4、分类器检测的目标跟踪在下一帧图像中的设定范围内设置候选样本，在候选样本中取出图像块大小和相对位置与正样本保持一致，与F中对应的fj求得第一级特征值hd；将hd与第一级弱分类器的置信值α加权组合得到第二级特征值Wd，Wd再与第二级弱分类器的置信值β加权组合，得到强分类器分类结果gstrong；最大gstrong值的候选样本作为下一帧的目标区域；重复步骤S2-S4，实现持续目标跟踪。