一种基于多示例学习的行人目标跟踪方法_CN109918997A

合度分数
不对该图形进行权重计算。
3
CN 109918997 A
说 明 书
1/5 页
一种基于多示例学习的行人目标跟踪方法
技术领域 [0001] 本发明涉及目标跟踪方法相关领域，具体为一种基于多示例学习的行人目标跟踪 方法。
背景技术 [0002] 机器学习中，多示例学习是由监督式学习演变而来的，相较于输入一系列被单独 标注的示例 ，在多示例学习中 ，输入的是一系列被标注的“包”，每个“包”都包括许多示例 ， 当包中的所有示例都是负例时 ，这个包会被标注为负包 ；当包中至少含有一个正例时 ，这个 包会被标注为正包。当收到一系列被标注的 包时 ，机器试着去 ：(1) 归纳出一个类别概念以 便正确标注个别示例；(2)在归纳之外学习怎样去标注一个包。 [0003] 常用的目标模型为静态模型，在跟踪的初始阶段利用第一帧图像信息建立目标模 型 ，跟踪过程中根据建立好的目标模型在后续帧图 像中搜索目 标 ，当目 标外观改 变较大或 者背景信息对目标模型造成干扰时 ，该方法易造成跟踪失败 ；因此市场急需研制一种基于 多示例学习的行人目标跟踪方法来帮助人们解决现有的问题。
Xjy ，则重合度分数
形状特征代号为q ,目标图形特征标准的像素量为Xiq，对
比图形特征值的像素量为Xjq，则重合度分数
面部特征代号为s ,目标图形特2源自CN 109918997 A
权 利 要 求 书
2/2 页
征标准的 像素量为Xis ，对比图 形特征值的 像素量为Xjs ，则重合度分数
动作
特征代号为z ,目标图形特征标准的像素量为Xiz，对比图形特征值的像素量为Xjz，则重合度
9 .根据权利要求2所述的一种基于多示例学习的行人目标跟踪方法，其特征在于：所述 S5中，环境特征指除人物以外的外部环境。
10 .根据权利要求2所述的一种基于多示例学习的行人目标跟踪方法，其特征在于：所
述S6中 ，若该区块图 形中不包含人物面部特征 ，则面部特征重合度分数
不对该图形进行权重计算 ；所述S8中 ，若该区块图形中不包含人物动作特征 ，则动作特征重
( 19 )中华人民 共和国国家知识产权局
( 12 )发明专利申请
(21)申请号 201910056927 .X
(22)申请日 2019 .01 .22
(71)申请人 深圳职业技术学院 地址 518000 广东省深圳市南山区西丽街 道西丽湖镇西丽湖畔
(72)发明人 连国云 孙宏伟
(74)专利代理机构 深圳市道勤知酷知识产权代 理事务所(普通合伙) 44439
分数
7 .根据权利要求1所述的一种基于多示例学习的行人目标跟踪方法，其特征在于：所述 S7中 ，颜色特征的 权重系数为20％ ，形状特征的 权重系数为15％ ，面部特征的 权重系数为 35％，动作特征的权重系数为30％，权重
8 .根据权利要求1所述的一种基于多示例学习的行人目标跟踪方法，其特征在于：所述 S8中 ，权重值较大的区块图形中包含行人目标 ，若权重值相同 ，则按面部特征Ws、动作特征 Wz、颜色特征Wy和形状特征Wq的顺序进行行人目标的追踪。
( 57 )摘要 本发明公开了一种基于多示例学习的行人
目 标跟踪方法 ，涉及目 标跟踪方法 相关领域 ，为 解决现有技术中的根据第一帧建立的目标模型 在目标外观改变较大时易跟踪失败的问题。包括 以 下步骤 ：S1 、截取图 像资料 ；S2 、将图 像资料分 解成若干个区块图 形 ；S3 、提取区块图 形的图 形 特征 ；S4 、对比 区块图 形的图 形特征与行人目标 的 特征 ；S5 、构建分类器 ；S6 、对分类器各分类池 中示 例进行重合度分数计算 ；S7 、对重合度分数 进行权重计算；S8、根据权重计算跟踪行人目标， 所述S4的一种对比方法，包括以下步骤：S1、剥离 区块图 形的 颜色特征 ；S2 、建立颜色重合度分类 池 ；S3 、剥离区块图 形的形状特征 ；S4 、建立形状 重合度分类池。
代理人 何兵 饶盛添
(51)Int .Cl . G06K 9/00(2006 .01) G06K 9/46(2006 .01) G06K 9/62(2006 .01)
(10)申请公布号 CN 109918997 A (43)申请公布日 2019.06.21
( 54 )发明 名称 一种基于多示例学习的行人目标跟踪方法
权利要求书2页 说明书5页 附图2页
CN 109918997 A
CN 109918997 A
权 利 要 求 书
1/2 页
1 .一种基于多示例学习的行人目标跟踪方法，其特征在于，包括以下步骤： S1、截取图像资料； S2、将图像资料分解成若干个区块图形； S3、提取区块图形的图形特征； S4、对比区块图形的图形特征与行人目标的特征； S5、构建分类器； S6、对分类器各分类池中示例进行重合度分数计算； S7、对重合度分数进行权重计算； S8、根据权重计算跟踪行人目标。 2 .根据权利要求1所述S4的一种对比方法，其特征在于，包括以下步骤： S1、剥离区块图形的颜色特征； S2、建立颜色重合度分类池； S3、剥离区块图形的形状特征； S4、建立形状重合度分类池； S5、识取并去除区块图形的环境特征； S6、剥离区块图形的人物面部特征； S7、建立面部特征重合度分类池； S8、剥离区块图形的人物动作特征； S9、制作动作特征动态图形； S10、建立动作特征重合度分类池。 3 .根据权利要求1所述的一种基于多示例学习的行人目标跟踪方法，其特征在于：所述 S2中 ，对图 像资料进行分解的数量取决于图 像的分辨率及相关像素水平 ，图 像资料的分辨 率越高，分解的区块图形越多。 4 .根据权利要求1所述的一种基于多示例学习的行人目标跟踪方法，其特征在于：所述 S4中 ，行人目标为视频第一帧开始手动选取的目标 ，作为目标追踪的 初始数据 ，根据该目标 建立重合度计算的 初始标准 ，第二帧的目 标跟踪根据第一帧的 初始标准进行分数计算 ，并 将第二帧特征量作为制定重合度的二次标准，第三帧的目标跟踪根据第二帧的初始标准进 行分数计算 ，直至到达尾帧 ，对比 结束。 5 .根据权利要求1所述的一种基于多示例学习的行人目标跟踪方法，其特征在于：所述 S5中 ，分类器包括颜色重合度分类池、形状重合度分类池、面部特征重合度分类池和动作特 征重合度分类池。 6 .根据权利要求1所述的一种基于多示例学习的行人目标跟踪方法，其特征在于：所述 S6中 ，颜色特征代号为y ,目标图形特征标准的像素量为Xiy，对比图形特征值的像素量为