《基于在线学习的遮挡目标跟踪方法.pdf》由会员分享，可在线阅读，更多相关《基于在线学习的遮挡目标跟踪方法.pdf（14页珍藏版）》请在专利查询网上搜索。
1、(10)申请公布号 CN 102881022 A (43)申请公布日 2013.01.16 C N 1 0 2 8 8 1 0 2 2 A *CN102881022A* (21)申请号 201210253327.0 (22)申请日 2012.07.20 G06T 7/20(2006.01) H04N 5/14(2006.01) (71)申请人西安电子科技大学 地址 710071 陕西省西安市太白南路2号 (72)发明人田小林 焦李成 李敏敏 张小华 王桂婷 朱虎明 (74)专利代理机构陕西电子工业专利中心 61205 代理人王品华 朱红星 (54) 发明名称 基于在线学习的遮挡目标跟踪方法 (。
2、57) 摘要 本发明公开一种基于在线学习的遮挡目标跟 踪方法，主要解决现有技术中当目标被遮挡时， 目标发生模板漂移及目标被完全遮挡时跟踪失 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）建立 并初始化随机森林检测器和Kalman滤波器；(3) 由随机森林检测器检测目标，由Lucas-Kanade 跟踪器跟踪目标；(4)根据随机森林的检测结果 和Lucas-Kanade跟踪器的跟踪结果，确定目标 位置；(5)判断目标是否被遮挡；(6)判断目标是 否被完全遮挡；(7)在线更新；(8)运用更新后的 Kalman滤波器对目标的位置进行预测；（9）显示 跟踪结果；。
3、(10)重复步骤(3)步骤(9)，直到视 频图像结束。本发明具有当目标被部分遮挡或完 全遮挡时跟踪准确的优点，可应用于人机交互领 域。 (51)Int.Cl. 权利要求书3页 说明书6页 附图4页 (19)中华人民共和国国家知识产权局 (12)发明专利申请 权利要求书 3 页 说明书 6 页 附图 4 页 1/3页 2 1.一种基于在线学习的遮挡目标跟踪方法，包括以下步骤： （1）输入一段视频中的第一帧，并人工标记出待跟踪的目标； （2）建立并初始化随机森林检测器和Kalman滤波器： 2a)根据标记目标的大小取10种大小不同的滑动窗口（w i ,h i ），其中w i 表示第i种滑动 窗口的。
4、宽度，h i 表示第i种滑动窗口的高度，i110； 2b)设定随机森林检测器中的决策树数目为10个，在整幅图像中，以每个像素点为滑 动窗口（w i ,h i ）的中心提取图像块，计算每个图像块与目标区域的面积重叠比o j s j /m，其 中s j 表示第j个图像块的面积，m表示目标的面积，将面积重叠比最大的10个图像块所在 的区域作为正样本，训练随机森林检测器，将面积重叠比小于设定阈值的图像块所在的区 域作为负样本，训练随机森林检测器； 2c)根据第一帧视频图像中目标的初始位置，初始化Kalman滤波器； 2d)将第一帧视频图像转化为色彩-纯度-明度HSV颜色模型，将色彩通道H均匀量 化为8。
5、个小区间，将纯度通道S均匀量化为8个小区间，将明度通道V均匀量化为4个小区 间，在正样本区域中，分别统计色彩通道H、纯度通道S、明度通道V中颜色落在每个小区间 内像素点数目，得到正样本区域的颜色直方图his u ； （3）由随机森林检测器检测目标，由Lucas-Kanade跟踪器跟踪目标： 3a)载入新一帧视频图像，以整幅图像为搜索区域，以每个像素点为滑动窗口（w i ,h i ） 的中心，将滑动窗口（w i ,h i ）中的图像块作为测试样本，由随机森林检测器中的每个决策树 对测试样本进行分类，得到测试样本属于目标的概率p，当p大于设定阈值时，判定检测成 功，否则判定检测失败； 3b)用Lu。
6、cas-Kanade跟踪器跟踪目标，获得目标框大小的尺度变化s，当跟踪到目标 时，判定跟踪成功，否则判定跟踪失败； （4）根据随机森林的检测结果和Lucas-Kanade跟踪器的跟踪结果，按如下规则确定目 标位置： 若跟踪成功、检测成功，则将检测结果作为目标位置，同时更新Kalman滤波器数据，执 行步骤（5）； 若目标的跟踪失败、检测成功，则将检测结果作为目标位置，同时更新Kalman滤波器 数据，执行步骤（5）； 若目标的跟踪成功、检测失败，则将跟踪结果作为目标位置，同时更新Kalman滤波器 数据，执行步骤（5）； 若目标的跟踪失败、检测失败，则运用已经建立的Kalman滤波器对目标的位。
7、置进行预 测，执行步骤（8）； （5）判断目标是否被遮挡 5a)用以目标中心的对称点把目标跟踪框分为左右两个部分，称为左跟踪窗和右跟踪 窗，同时用跟踪框外扩4个像素形成一个比跟踪窗稍大的预警窗； 5b）设当前帧为视频序列的第t帧视频图像，将第t帧视频图像转化为色彩-纯度-明 度HSV颜色模型，计算第t帧视频图像中左跟踪窗的颜色直方图Tr u (1,t)与第t-1帧视频 图像中左跟踪窗的颜色直方图Tr u (1,t-1)的Bhattacharyya系数1(1,t)，计算第t帧视 频图像中左跟踪窗的颜色直方图Tr u (1,t)与第t-1帧视频图像中左预警窗的颜色直方图 权 利 要 求 书CN 1。
8、02881022 A 2/3页 3 Al u (1,t-1)的Bhattacharyya系数2(1,t)； 5c)计算第t帧视频图像中右跟踪窗的颜色直方图Tr u (2,t)与第t-1帧视频图像中右 跟踪窗的颜色直方图Tr u (2,t-1)的Bhattacharyya系数1(2,t)，计算第t帧视频图像中 右跟踪窗的颜色直方图Tr u (2,t)与第t-1帧视频图像中右预警窗的颜色直方图Al u (2,t-1) 的Bhattacharyya系数2(2,t)； 5d）在连续两帧视频图像中，若2(1,t)1(1,t)或2(2,t)1(2,t)，则认为目 标被遮挡，执行步骤（6）；否则，认为目标未。
9、被遮挡，执行步骤（7）； （6）计算当前视频图像中目标区域的颜色直方图h u 与正样本颜色直方图his u 的 Bhattacharyya系数，若Bhattacharyya系数小于设定阈值则认为目标被完全遮 挡，执行步骤（8）；否则，认为目标未被完全遮挡，执行步骤（9）； （7）在线更新 7a)在整幅图像中，以每个像素点为滑动窗口（w i ,h i ）的中心提取图像块，计算每个图 像块与目标区域的面积重叠比o j s j /m，将面积重叠比最大的10个图像块所在的区域作 为正样本，训练随机森林检测器，将面积重叠比小于设定阈值的图像块所在的区域作为负 样本，训练随机森林检测器； 7b)用新一帧视。
10、频图像中的目标位置更新Kalman滤波器； （8）运用更新后的Kalman滤波器对目标的位置进行预测； （9）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； （10）重复步骤(3)步骤(9)，直到视频序列结束。 2.根据权利要求1所述的基于在线学习的遮挡目标跟踪方法，其中步骤3b)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： 3b1)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p 1 ,p 2 .p N ， 用Lucas-Kanade跟踪器跟踪这些点，得到p 1 ,p 2 .p N 在t时刻视频图像I2中的对应点 q 1。
11、 ,q 2 .q N ； 3b2)对t时刻视频图像I2中的点q 1 ,q 2 .q N ，用Lucas-Kanade跟踪器跟踪得到 q 1 ,q 2 .q N 在t-1时刻视频图像I1中的对应点p 1 ,p 2 .p N ； 3b3)计算t-1时刻视频图像I1中跟踪点p 1 ,p 2 .p N 和p 1 ,p 2 .p N 对应点之间的前 向-后向误差fb，计算p 1 ,p 2 p N 和q 1 ,q 2 .q N 的标准互相关系数ncc，取q 1 ,q 2 .q N 中满足以 下两个要求的点作为可信跟踪点：前向-后向误差fb小于前向-后向误差中值fb_m； 标准互相关系数ncc大于标准互相关。
12、系数中值ncc_m； 3b4)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a i ，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b i ，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i1,2.k，!表示阶乘。 3.根据权利要求1所述的基于在线学习的遮挡目标跟踪方法，其中步骤5b)所述的计 算第t帧视频图像中左跟踪窗的颜色直方图Tr u (1,t)与第t-1帧视频图像中左跟踪窗的 颜色直方图Tr u (1,t-1)的Bhattacharyya系数1(1,t)，采用如下公式计算： 权 利 要 求 书CN 102881022 A 3/3页 4 其中，u表。
13、示颜色直方图的向量维数。 4.根据权利要求1所述的基于在线学习的遮挡目标跟踪方法，其中步骤5b)所述的计 算第t帧视频图像中左跟踪窗的颜色直方图Tr u (1,t)与第t-1帧视频图像中左预警窗的 颜色直方图Al u (1,t-1)的Bhattacharyya系数2(1,t)，采用如下公式计算： 其中，u表示颜色直方图的向量维数。 5.根据权利要求1所述的基于在线学习的遮挡目标跟踪方法，其中步骤5c)所述的计 算第t帧视频图像中右跟踪窗的颜色直方图Tr u (2,t)与第t-1帧视频图像中右跟踪窗的 颜色直方图Tr u (2,t-1)的Bhattacharyya系数1(2,t)，采用如下公式计。
14、算： 其中，u表示颜色直方图的向量维数。 6.根据权利要求1所述的基于在线学习的遮挡目标跟踪方法，其中步骤5c)所述的计 算第t帧视频图像中右跟踪窗的颜色直方图Tr u (2,t)与第t-1帧视频图像中右预警窗的 颜色直方图Al u (2,t-1)的Bhattacharyya系数2(2,t)，采用如下公式计算： 其中，u表示颜色直方图的向量维数。 7.根据权利要求1所述的基于在线学习的遮挡目标跟踪方法，其中步骤(6)所述的计 算当前视频图像中目标区域的颜色直方图h u 与正样本颜色直方图his u 的Bhattacharyya 系数，采用如下公式计算： 其中，u表示颜色直方图的向量维数。 权 。
15、利 要 求 书CN 102881022 A 1/6页 5 基于在线学习的遮挡目标跟踪方法 技术领域 0001 本发明属于图像处理技术领域，涉及视频目标跟踪方法，可应用于人机交互和目 标跟踪等领域。 背景技术 0002 目标跟踪是指通过对拍摄的图像序列进行分析，从而计算出目标在每帧图像上的 位置，然后得到相关的参数。目标跟踪是计算机视觉中一个必不可少的关键技术，它在机器 人视觉导航、安全监测、交通管制、视频压缩以及气象分析等许多方面都有广泛应用。如军 事方面，已被成功地应用于武器的成像制导、军事侦察和监视等。民用方面，如视觉监控，已 被广泛地应用于社会生活的各方面。目标跟踪可应用于社区和重要设施。
16、的保安监控；用于 智能交通系统中进行车辆的实时追踪，可以得到车流量、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。 0003 武汉大学提出的专利申请“基于压缩域分析的Mean shift运动目标跟踪方法”（专 利申请号201010181393.2，公开号CN101867798A）公开了一种基于视频压缩域分析的Mean shift运动目标跟踪方法。该方法将压缩域分析与Mean shift跟踪算法相结合，即首先对 视频编码过程中产生的运动矢量进行概率统计分析，以获取目标运动方向与运动速度的估 计值，再以此修正Mean shift运动候选区域的中心位置，使每次。
17、搜索开始时，候选中心位置 更接近实际目标中心位置。该方法虽然提高了快速运动目标跟踪的精度，减少了算法的搜 索迭代次数，提高了运算效率，但是仍然存在的不足是：当目标完全被遮挡时，则无法估计 目标运动方向和运动速度，造成跟踪的失败。 0004 上海交通大学提出的专利申请“基于SURF特征点图匹配和运动生成模型的视频 目标跟踪方法”（专利申请号201010571129.X，公开号CN102004910），公开了一种计算机视 觉技术领域的基于SURF特征点图匹配和运动生成模型的视频目标跟踪方法。该方法包括 以下步骤：使用局部特征点集描述目标物体；通过将新帧图像中检测得到的特征点集与目 标特征点集进行图。
18、匹配得到目标局部特征点的运动与目标整体的运动之间的关系；利用最 大似然估计在局部特征点运动信息上计算出目标整体运动参数；利用在线最大期望方法更 新目标特征点的混合概率系数；通过监视背景特征点是否进入目标区域内来判断。该方法 虽然能有效地适用于一般目标的实时跟踪，并且克服了现有跟踪方法在光照变化、形态变 化、背景纷杂和目标遮挡等情况下的失效，但是这种方法采用的是检测到的特征点集和目 标特征点集进行匹配的方法，所以当目标剧烈变化或者完全遮挡时，仍然无法实现跟踪。 发明内容 0005 本发明针对上述现有技术的不足，提出一种基于在线学习的遮挡目标跟踪方法， 以提高目标跟踪对目标严重遮挡和目标外表剧烈变。
19、化的鲁棒性。 0006 实现本发明的思路是：由随机森林分类器检测目标，由Lucas-Kanade跟踪器跟 踪目标，然后根据跟踪和检测的结果，确定目标的位置，同时通过引入的遮挡判定思想，提 说 明 书CN 102881022 A 2/6页 6 高目标模板更新的准确性，防止目标模板在遮挡过程中的漂移，通过增加的Kalman预测方 法，提高目标被严重遮挡和外表剧烈变化时的跟踪准确性。具体实现步骤包括如下： 0007 （1）输入一段视频的第一帧，并人工标记出待跟踪的目标； 0008 （2）建立并初始化随机森林检测器和Kalman滤波器： 0009 2a)根据标记目标的大小取10种大小不同的滑动窗口（w。
20、 i ,h i ），其中w i 表示第i种 滑动窗口的宽度，h i 表示第i种滑动窗口的高度，i110； 0010 2b)设定随机森林检测器中的决策树数目为10个，在整幅图像中，以每个像素点 为滑动窗口（w i ,h i ）的中心提取图像块，计算每个图像块与目标区域的面积重叠比o j s j / m，其中s j 表示第j个图像块的面积，m表示目标的面积，将面积重叠比最大的10个图像块 所在的区域作为正样本，训练随机森林检测器，将面积重叠比小于设定阈值的图像块所在 的区域作为负样本，训练随机森林检测器； 0011 2c)根据第一帧视频图像中目标的初始位置，初始化Kalman滤波器； 0012 2。
21、d)将第一帧视频图像转化为色彩-纯度-明度HSV颜色模型，将色彩通道H均匀 量化为8个小区间，将纯度通道S均匀量化为8个小区间，将明度通道V均匀量化为4个小 区间，在正样本区域中，分别统计色彩通道H、纯度通道S、明度通道V中颜色落在每个小区 间内像素点数目，得到正样本区域的颜色直方图his u ； 0013 （3）由随机森林检测器检测目标，由Lucas-Kanade跟踪器跟踪目标： 0014 3a)载入新一帧视频图像，以整幅图像为搜索区域，以每个像素点为滑动窗口 （w i ,h i ）的中心，将滑动窗口（w i ,h i ）中的图像块作为测试样本，由随机森林检测器中的每个 决策树对测试样本进行。
22、分类，得到测试样本属于目标的概率p，当p大于设定阈值时，判定 检测成功，否则判定检测失败； 0015 3b)用Lucas-Kanade跟踪器跟踪目标，获得目标框大小的尺度变化s，当跟踪到目 标时，判定跟踪成功，否则判定跟踪失败； 0016 （4）根据随机森林的检测结果和Lucas-Kanade跟踪器的跟踪结果，按如下规则确 定目标位置： 0017 若跟踪成功、检测成功，则将检测结果作为目标位置，同时更新Kalman滤波器数 据，执行步骤（5）； 0018 若目标的跟踪失败、检测成功，则将检测结果作为目标位置，同时更新Kalman滤 波器数据，执行步骤（5）； 0019 若目标的跟踪成功、检测失。
23、败，则将跟踪结果作为目标位置，同时更新Kalman滤 波器数据，执行步骤（5）； 0020 若目标的跟踪失败、检测失败，则运用已经建立的Kalman滤波器对目标的位置进 行预测，执行步骤（8）； 0021 （5）判断目标是否被遮挡 0022 5a)用以目标中心的对称点把目标跟踪框分为左右两个部分，称为左跟踪窗和右 跟踪窗，同时用跟踪框外扩4个像素形成一个比跟踪窗稍大的预警窗； 0023 5b）设当前帧为视频序列的第t帧视频图像，将第t帧视频图像转化为色彩-纯 度-明度HSV颜色模型，计算第t帧视频图像中左跟踪窗的颜色直方图Tr u (1,t)与第t-1 帧视频图像中左跟踪窗的颜色直方图Tr u。
24、 (1,t-1)的Bhattacharyya系数1(1,t)，计算第 说 明 书CN 102881022 A 3/6页 7 t帧视频图像中左跟踪窗的颜色直方图Tr u (1,t)与第t-1帧视频图像中左预警窗的颜色直 方图Al u (1,t-1)的Bhattacharyya系数2(1,t)； 0024 5c)计算第t帧视频图像中右跟踪窗的颜色直方图Tr u (2,t)与第t-1帧视频图 像中右跟踪窗的颜色直方图Tr u (2,t-1)的Bhattacharyya系数1(2,t)，计算第t帧视 频图像中右跟踪窗的颜色直方图Tr u (2,t)与第t-1帧视频图像中右预警窗的颜色直方图 Al u 。
25、(2,t-1)的Bhattacharyya系数2(2,t)； 0025 5d）在连续两帧视频图像中，若2(1,t)1(1,t)或2(2,t)1(2,t)，则认 为目标被遮挡，执行步骤（6）；否则，认为目标未被遮挡，执行步骤（7）； 0026 （6）计算当前视频图像中目标区域的颜色直方图h u 与正样本颜色直方图his u 的 Bhattacharyya系数，若Bhattacharyya系数小于设定阈值则认为目标被完全遮 挡，执行步骤（8）；否则，认为目标未被完全遮挡，执行步骤（9）； 0027 （7）在线更新 0028 7a)在整幅图像中，以每个像素点为滑动窗口（w i ,h i ）的中心提取。
26、图像块，计算每 个图像块与目标区域的面积重叠比o j s j /m，将面积重叠比最大的10个图像块所在的区 域作为正样本，训练随机森林检测器，将面积重叠比小于设定阈值的图像块所在的区域作 为负样本，训练随机森林检测器； 0029 7b)用新一帧视频图像中的目标位置更新Kalman滤波器； 0030 （8）运用更新后的Kalman滤波器对目标的位置进行预测； 0031 （9）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； 0032 （10）重复步骤(3)步骤(9)，直到视频序列结束。 0033 本发明与现有技术相比有以下优点： 0034 第一，本发明引入了遮挡判定的思想，当判定目标处于遮。
27、挡状态时，不再对目标进 行学习或者模板更新，克服了现有技术中当目标被遮挡时继续对目标进行学习，容易出现 目标模板漂移的缺点，提高了遮挡情况下目标跟踪的鲁棒性。 0035 第二，本发明采用了kalman预测的思想，克服了现有技术中当目标被完全遮挡或 目标外表剧烈变化时，无法得到目标位置的问题。 0036 第三，本发明采用了Lucas-Kanade跟踪方法确定目标的尺度变化，克服了现有技 术中目标框大小固定，不随目标大小变化的缺点。 附图说明 0037 图1为本发明的流程图； 0038 图2为本发明输入的第一帧视频图像； 0039 图3为在图2中人工标记出待跟踪目标的示意图； 0040 图4为本发。
28、明输入的新一帧视频图像； 0041 图5为随机森林检测器和Lucas-Kanade跟踪器对图4的跟踪结果； 0042 图6为对图3中标记出的跟踪窗和预警窗示意图； 0043 图7为对图4中标记出的跟踪窗和预警窗示意图。 0044 具体实施措施 0045 下面结合附图对发明做进一步描述。 说 明 书CN 102881022 A 4/6页 8 0046 参照图1，对本发明具体实现给出如下实施例： 0047 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 0048 本实例输入的一段视频图如图2，它为一段人脸遮挡视频的第一帧，图2中的人脸 为要跟踪的目标，即对图2中用鼠标框定人脸区域作为待跟踪。
29、目标，结果如图3所示。 0049 步骤2，建立并初始化随机森林检测器和Kalman滤波器： 0050 2.1)根据图3中目标的大小取10种大小不同的滑动窗口（w i ,h i ），其中w i 表示第 i种滑动窗口的宽度，h i 表示第i种滑动窗口的高度，i110； 0051 2.2)设定随机森林检测器中的决策树数目为10个，在整幅图像中，以每个像素点 为滑动窗口（w i ,h i ）的中心提取图像块，计算每个图像块与目标区域的面积重叠比o j s j / m，其中s j 表示第j个图像块的面积，m表示目标的面积，将面积重叠比最大的10个图像块 所在的区域作为正样本，训练随机森林检测器，将面积重。
30、叠比小于设定阈值的图像块所在 的区域作为负样本，训练随机森林检测器； 0052 23)根据图3中目标的初始位置，初始化Kalman滤波器； 0053 2d)将图2转化为色彩-纯度-明度HSV颜色模型，将色彩通道H均匀量化为8个 小区间，将纯度通道S均匀量化为8个小区间，将明度通道V均匀量化为4个小区间，在图 2的目标区域中，分别统计色彩通道H、纯度通道S、明度通道V中颜色落在每个小区间内像 素点数目，得到正样本区域的颜色直方图his u ； 0054 步骤3，由随机森林检测器检测目标，由Lucas-Kanade跟踪器跟踪目标： 0055 3.1)载入如图4所示的新一帧视频图像，以图4中每个像素。
31、点为滑动窗口（w i ,h i ） 的中心，将滑动窗口（w i ,h i ）中的图像块作为测试样本，由随机森林检测器中的每个决策树 对测试样本进行分类，得到测试样本属于目标的概率p，当p大于设定阈值时，判定检测成 功，否则判定检测失败； 0056 3.2)在图3的目标区域中均匀产生N个跟踪点p 1 ,p 2 .p N ，用Lucas-Kanade跟踪 器跟踪这些点，得到p 1 ,p 2 .p N 在图4中的对应点q 1 ,q 2 .q N ，对图4中的点q 1 ,q 2 .q N ，用 Lucas-Kanade跟踪器跟踪，得到点在图3中的对应点p 1 ,p 2 .p N ； 0057 3.3)。
32、计算p 1 ,p 2 .p N 和p 1 ,p 2 .p N 对应点之间的前向-后向误差fb，计算 p 1 ,p 2 .p N 和q 1 ,q 2 .q N 的标准互相关系数ncc，取q 1 ,q 2 .q N 中满足以下两个要求的点作 为可信跟踪点：前向-后向误差fb小于前向-后向误差中值fb_m；标准互相关系数 ncc大于标准互相关系数中值ncc_m； 0058 3.4)分别计算z个可信跟踪点在图3中任意两点之间的距离a i ，和可信跟踪点在 图4中任意两点之间的距离b i ，并将两类距离之比c i b i /a i 的均值，作为目标框大小的变 化尺度s，其中i1,2.k，!表示阶乘。 0。
33、059 步骤4，根据随机森林的检测结果和Lucas-Kanade跟踪器的跟踪结果，按如下规 则确定目标位置： 0060 若跟踪成功、检测成功，则将检测结果作为目标位置，同时更新Kalman滤波器数 据，执行步骤5； 0061 若目标的跟踪失败、检测成功，则将检测结果作为目标位置，同时更新Kalman滤 波器数据，执行步骤5； 说 明 书CN 102881022 A 5/6页 9 0062 若目标的跟踪成功、检测失败，则将跟踪结果作为目标位置，同时更新Kalman滤 波器数据，执行步骤5； 0063 若目标的跟踪失败、检测失败，则运用已经建立的Kalman滤波器对目标的位置进 行预测，执行步骤8。
34、； 0064 上述4种情况下的跟踪结果如图5中的方框所示。 0065 步骤5，判断目标是否被遮挡 0066 5.1)以目标中心的对称点把目标跟踪框分为左右两个部分，称为左跟踪窗和右跟 踪窗，同时用跟踪框外扩4个像素形成一个比跟踪窗稍大的预警窗，如图7所示； 0067 5.2)将图4转化为色彩-纯度-明度HSV颜色模型，计算图7中左跟踪窗的颜 色直方图Tr u (1,t)与图6中左跟踪窗的颜色直方图Tr u (1,t-1)的Bhattacharyya系数 计算图7中左跟踪窗的颜色直方图Tr u (1,t)与图6中左预 警窗的颜色直方图Al u (1,t-1)的Bhattacharyya系数其 中。
35、u表示颜色直方图的向量维数； 0068 5.3)计算图7中右跟踪窗的颜色直方图Tr u (2,t)与图6中右跟踪窗的颜色直方 图Tr u (2,t-1)的Bhattacharyya系数计算图7中右跟踪 窗的颜色直方图Tr u (2,t)与图6中右预警窗的颜色直方图Al u (2,t-1)的Bhattacharyya 系数其中u表示颜色直方图的向量维数； 0069 5.4)在连续两帧视频图像中，若2(1,t)1(1,t)或2(2,t)1(2,t)，则认 为目标被遮挡，执行步骤6；否则，认为目标未被遮挡，执行步骤7； 0070 步骤6，计算图5中目标区域的颜色直方图h u 与正样本颜色直方图his。
36、 u 的 Bhattacharyya系数若Bhattacharyya系数小于设定阈值则认为目 标被完全遮挡，执行步骤8；否则，认为目标未被完全遮挡，执行步骤9； 0071 步骤7，在线更新 0072 7.1)以图4中每个像素点为滑动窗口（w i ,h i ）的中心提取图像块，计算每个图像块 与目标区域的面积重叠比o j s j /m，将面积重叠比最大的10个图像块所在的区域作为正 样本，训练随机森林检测器，将面积重叠比小于设定阈值的图像块所在的区域作为负样本， 训练随机森林检测器； 0073 7.2)用图4中的目标位置更新Kalman滤波器； 0074 步骤8，运用更新后的Kalman滤波器对。
37、目标的位置进行预测； 0075 步骤9，根据目标框大小的变化尺度s，按照如下公式调整目标框的宽和高，并显 示 0076 w s ws， 0077 h s hs， 0078 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，w s 表示调整后的 目标框宽，h表示调整前的目标框高，h s 表示调整后的目标框高。 说 明 书CN 102881022 A 6/6页 10 0079 步骤10，重复步骤3步骤9，直到视频序列结束。 0080 以上是本发明的一个实例，并不构成对本发明的任何限制，仿真实验表明，本发明 不仅能实现对目标严重遮挡和外表剧烈变化的正确跟踪，也能实现对有尺度变化目标的有 效跟踪。 说 明 书CN 102881022 A 10 1/4页 11 图1 说 明 书 附 图CN 102881022 A 11 2/4页 12 图2 图3 说 明 书 附 图CN 102881022 A 12 3/4页 13 图4 图5 说 明 书 附 图CN 102881022 A 13 4/4页 14 图6 图7 说 明 书 附 图CN 102881022 A 14 。