1.一种最小障碍距离加权跟踪方法,其特征在于,包括以下步骤:(1)输入视频序列的某一帧,设置一个搜索窗口,在搜索窗口内进行采样产生一组候选样本;
(2)将当前帧的边界框分为不重叠的图像块并扩大为扩展边界框,提取每个图像块的特征;
(3)以边界图像块作为种子节点,计算其他节点与种子节点的最小障碍距离,然后得到距离转换图;
(4)将最小障碍距离作为权重加于对应的图像块特征上,得到空间有序的加权图像块特征描述子,带有图像特征的组合权重被合并到结构化支持向量机中以执行跟踪;
所述步骤(3)包括以下步骤:
(31)在获取当前边界框的特征图之后,利用该图构建无向图,根据包含N*N个图像块的扩展边界框建立图G=
(32)选取背景节点,提取图像四周的边界图像块为种子节点集合,分别选取图像上、下、左、右四边位置在扩展边界框以内和边界框以外的图像块组成种子节点集合;
对于图G=(V,E>,任意两个图像块之间的边权定义为:其中,π(0)表示种子节点,π(k)表示边界框中第k个节点,G(π(i))表示图G上连接种子节点到i节点的路径;路径π=<π(0),π(1),...,π(k)>代表一个从π(0)到π(k)的序列,这个序列包含任意一个路径<π(i),π(i‑1)>,π(i)与π(i‑1)是相邻节点且<π(i),π(i‑1)>∈E;
(33)图G在初始化状态下,种子节点的最小障碍距离被设置为0,其余节点的最小障碍距离为∞,H和L分别被设置为初始的图G;边界图像块被设置为背景种子节点,用目标到背景的距离表示目标的权重,到背景节点的最小障碍距离值越大,说明当前图像块与种子节点的相似性越小,它是目标的概率越大,反之说明是背景的概率越大;
(34)利用光栅扫描的方法迭代计算每个图像块到背景种子节点的最小障碍距离,利用最小障碍距离生成距离转换图,距离转换的代价函数表示为:D(x)=min{D(x),βG(πx∪b)}其中,πx代表连接x节点到种子节点的路径,b代表x的邻接节点,πx∪b表示连接x节点到种子节点且经过b节点的路径,D(x)表示连接x节点到种子节点的一些路径的最小障碍距离路径成本,x的每个相邻节点b用于迭代地最小化x处的路径成本;
(35)距离转换图通过光栅扫描的方法迭代计算直至收敛,距离转换图迭代过程表示为:
βG(πb)=max{H(b),G(x)}‑min{L(b),G(x)}其中,H和L是两个辅助图,H(b)表示路径πb上的最高值,L(b)表示路径πb上的最低值,H和L被用来跟踪每个节点在当前路径上的最高值和最低值;
(36)如果βG(πb)<D(x),就将D(x)更新为D(x)=βG(πx∪b),同时,更新H(x)为H(x)=max{H(b),G(x)},更新L(x)为L(x)=min{L(b),G(x)};
(37)正光栅扫描中,通过不断重复步骤(34)~(36)来更新每个节点x到种子节点的最小障碍距离D(x),反之,正光栅扫描执行同样的操作,直至收敛并得到最终的距离转换图D。
2.根据权利要求1所述的一种最小障碍距离加权跟踪方法,其特征在于,所述步骤(1)中,先输入视频序列的某一帧,在当前帧中设置一个搜索窗口,搜索窗口用前一帧跟踪结果目标边界框对应位置的中心为中心,半径为对初始边界框的面积求平方根,并在搜索窗口内进行采样产生一组候选样本。
3.根据权利要求2所述的一种最小障碍距离加权跟踪方法,其特征在于,所述半径为半径,其中w为初始边界框的宽,h为初始边界框的高。
4.根据权利要求1所述的一种最小障碍距离加权跟踪方法,其特征在于,所述步骤(2)包括以下步骤:
(21)根据边界框的大小计算像素点的总数,根据像素点的个数指定每个图像块的宽和高;
(22)以当前边界框的坐标分别减去图像块的宽和高,作为扩展边界框的坐标,以边界框的宽和高分别加上图像块宽和高的N倍作为扩展边界框的宽和高,将边界框扩展为扩展边界框;
(23)将边界框分成大小均等的图像块并使用RGB颜色直方图和方向梯度直方图特征的组合进行特征提取,按通道提取每个图像块的特征,并将每个特征维度相加,得到当前边界框的特征图,即包含每个图像块特征的矩阵;
(24)对每一个样本,提取图像块的方向梯度直方图和RGB颜色直方图特征,根据每个图像块的特征值用障碍距离来计算它们到边框图像块的相似性。
5.根据权利要求4所述的一种最小障碍距离加权跟踪方法,其特征在于,所述步骤(21)中,按一个边界框的宽除以一个倍数所得到的最大整数作为每个图像块的宽,同理按一个边界框的高除以同样的倍数所得到的最大整数作为每个图像块的高。
6.根据权利要求1所述的一种最小障碍距离加权跟踪方法,其特征在于,所述步骤(4)包括以下步骤:
(41)距离转换图中每个节点的最小障碍距离作为当前节点的权重,被附加到对应节点特征上,构建加权图像块特征描述子,用公式表示为:T
其中,Dt(i)表示第t帧边界框中第i个图像块的权重,fi表示第i个图像块的特征向量,表示第t帧边界框r的加权特征描述子;
(42)将加权特征描述子合并到传统的跟踪算法Struck SVM中,第一帧的加权特征描述子学习到的分类器与前一帧的跟踪结果被用于当前帧的跟踪;
(43)通过最大化分类器得分来估计当前帧中的目标边界框,通过以下公式最大化分类器得分:
其中,w0表示第一帧的决策平面的法向量,w表示前一帧的决策平面的法向量,γ是一个平衡参数,表示第一帧与前一帧在评估当前帧目标边界框过程中各占比重的大小。