本發(fā)明屬于圖像處理技術(shù)領(lǐng)域，特別是一種基于霍夫森林的目標(biāo)跟蹤方法。

背景技術(shù)：
運(yùn)動(dòng)目標(biāo)跟蹤是計(jì)算機(jī)視覺研究領(lǐng)域中的關(guān)鍵問題，融合了圖像處理、模式識別、人工智能、自動(dòng)控制等多種不同領(lǐng)域的理論知識，其本質(zhì)是根據(jù)圖像幀中選定的目標(biāo)在接下來的視頻幀中尋找目標(biāo)的最佳位置。目標(biāo)跟蹤系統(tǒng)一般是基于圖像序列的處理，對目標(biāo)的運(yùn)動(dòng)規(guī)律加以預(yù)測，實(shí)現(xiàn)對目標(biāo)的連續(xù)、準(zhǔn)確的跟蹤。在理想狀態(tài)下，得到準(zhǔn)確實(shí)時(shí)的數(shù)據(jù)輸出是可以的，但在現(xiàn)實(shí)場景中，由于各種干擾的存在，往往難以達(dá)到理想效果。目前視頻目標(biāo)跟蹤技術(shù)的關(guān)鍵環(huán)節(jié)有兩個(gè)方面，一是目標(biāo)特征的選取，對于待跟蹤的目標(biāo)，需要通過特征描述來表達(dá)，如果選擇的特征能將目標(biāo)與其周圍的背景環(huán)境很好的區(qū)分，則說明該特征適用于此目標(biāo)的跟蹤，是較優(yōu)的特征；另一方面是跟蹤算法框架，即采用怎樣的策略在圖像中找到具有某種特征的待跟蹤目標(biāo)。論文《Hough-basedTrackingofNon-RigidObjects》，ComputerVisionandImageUnderstanding,2013,通過實(shí)現(xiàn)目標(biāo)的分割后再選取檢測塊對目標(biāo)進(jìn)行跟蹤，并實(shí)時(shí)更新樣本，此方法能較好的實(shí)現(xiàn)目標(biāo)的實(shí)時(shí)更新，但當(dāng)不能分割出目標(biāo)或目標(biāo)暫時(shí)遮擋時(shí)，不能獲得較全面的目標(biāo)樣本，很容易檢測不到目標(biāo)的正確位置進(jìn)而造成目標(biāo)丟失。西安電子科技大學(xué)提出的專利申請“基于霍夫森林的視頻目標(biāo)跟蹤方法”(專利申請?zhí)?01210253267.2，公開號CN102831618A)，公開了采用霍夫森林基本框架進(jìn)行目標(biāo)檢測，利用霍夫投票結(jié)果判定目標(biāo)的存在性，并采用在線訓(xùn)練模式進(jìn)一步檢測目標(biāo)，結(jié)合Lucas-Kanade跟蹤器得到目標(biāo)坐標(biāo)，但在線更新樣本數(shù)據(jù)需要較大的計(jì)算量，并且霍夫森林的優(yōu)勢是對同類目標(biāo)的檢測，更新后的數(shù)據(jù)變化參考度不高，這樣就增加了算法的冗余度，算法也變得更加復(fù)雜，導(dǎo)致運(yùn)行速度變慢，跟蹤的實(shí)時(shí)性也就有所降低。

技術(shù)實(shí)現(xiàn)要素：
本發(fā)明所要解決的技術(shù)問題是克服現(xiàn)有技術(shù)的不足，提供一種基于霍夫森林的目標(biāo)跟蹤方法，采用離線訓(xùn)練方式建立霍夫森林，對樣本進(jìn)行霍夫投票，檢測目標(biāo)中心位置；跟蹤時(shí)引入卡爾曼濾波校正和計(jì)算幀間目標(biāo)中心位置均值的歐氏距離達(dá)到實(shí)時(shí)準(zhǔn)確的跟蹤目的。本發(fā)明為解決上述技術(shù)問題采用以下技術(shù)方案：根據(jù)本發(fā)明提出的一種基于霍夫森林的目標(biāo)跟蹤方法，包括以下步驟：步驟一、從標(biāo)準(zhǔn)訓(xùn)練庫中選取圖片作為訓(xùn)練樣本，訓(xùn)練樣本包括正訓(xùn)練樣本和負(fù)訓(xùn)練樣本，正訓(xùn)練樣本的圖片中有目標(biāo)，負(fù)訓(xùn)練樣本的圖片中無目標(biāo)，提取訓(xùn)練樣本的特征得到特征圖片；步驟二、對步驟一中的特征圖片進(jìn)行濾波處理后建立特征圖片集合；步驟三、建立霍夫森林；步驟四、采集視頻，輸入視頻的第一幀，并人工標(biāo)記出待跟蹤目標(biāo)的中心位置，作包圍中心位置的矩形框用來設(shè)定目標(biāo)檢測范圍；采用遍歷的方式選取矩形框內(nèi)的圖片特征塊，根據(jù)建立的霍夫森林對目標(biāo)的中心位置進(jìn)行加權(quán)投票，統(tǒng)計(jì)投票值得到設(shè)定矩形框內(nèi)的霍夫投票圖，選取投票峰值確定目標(biāo)的中心位置，并將該目標(biāo)的中心位置作為第一幀圖像目標(biāo)的中心位置，根據(jù)獲得的第一幀圖像目標(biāo)的中心位置初始化卡爾曼濾波器參數(shù)；步驟五、確定目標(biāo)中心位置,跟蹤目標(biāo)；(501)、載入新一幀視頻圖像，根據(jù)前一幀目標(biāo)的中心位置作包圍中心位置的矩形框用來設(shè)定待檢測目標(biāo)范圍，利用建立好的霍夫森林獲取投票峰值，得到目標(biāo)的中心位置；(502)、計(jì)算幀間目標(biāo)中心位置均值的歐式距離；(503)、預(yù)先設(shè)定第一閾值和第二閾值，第一閾值為投票峰值閾值，第二閾值為幀間目標(biāo)中心位置均值的歐式距離閾值；(504)、當(dāng)投票峰值小于預(yù)設(shè)的第一閾值或者幀間目標(biāo)中心位置均值的歐式距離大于預(yù)設(shè)的第二閾值,則采用卡爾曼濾波算法對目標(biāo)中心位置進(jìn)行預(yù)測得到預(yù)測值，采用預(yù)測值校正目標(biāo)中心位置；當(dāng)投票峰值大于或等于預(yù)設(shè)的第一閾值，并且?guī)g目標(biāo)中心位置均值的歐氏距離小于或等于預(yù)設(shè)的第二閾值，則表明跟蹤到的目標(biāo)正確，不修正當(dāng)前幀檢測得到的目標(biāo)中心位置，同時(shí)更新卡爾曼濾波器參數(shù)，用于對下一幀視頻圖像中目標(biāo)的中心位置進(jìn)行預(yù)測；當(dāng)投票峰值大于或等于預(yù)設(shè)的第一閾值，但幀間目標(biāo)中心位置均值的歐氏距離大于預(yù)設(shè)的第二閾值，則根據(jù)卡爾曼濾波算法得到的預(yù)測值校正目標(biāo)中心位置。作為本發(fā)明的一種基于霍夫森林的目標(biāo)跟蹤方法的進(jìn)一步優(yōu)化的方案，所述步驟三具體如下：(301)、隨機(jī)獲取特征圖片塊集，采用二值函數(shù)對特征圖片塊集進(jìn)行劃分，當(dāng)類不確定度或者偏移量不確定度達(dá)到最小時(shí)，獲得最優(yōu)分裂節(jié)點(diǎn)；依次對最優(yōu)分裂節(jié)點(diǎn)處的圖片塊不斷劃分，直到當(dāng)前節(jié)點(diǎn)的深度達(dá)到預(yù)設(shè)的第三閾值或者當(dāng)前節(jié)點(diǎn)上的樣本數(shù)量小于預(yù)設(shè)的第四閾值則停止劃分，構(gòu)成二叉決策樹；其中，預(yù)設(shè)的第三閾值為10至20的整數(shù)，預(yù)設(shè)的第四閾值為10至25的整數(shù)；(302)、選取N個(gè)二叉決策樹建立霍夫森林，N為整數(shù)且9<N<16。作為本發(fā)明的一種基于霍夫森林的目標(biāo)跟蹤方法的進(jìn)一步優(yōu)化的方案，所述步驟一中提取訓(xùn)練樣本的特征包括：Lab顏色空間中的顏色特征描述符，圖像x方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征，圖像y方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征，梯度直方圖HOG特征。作為本發(fā)明的一種基于霍夫森林的目標(biāo)跟蹤方法的進(jìn)一步優(yōu)化的方案，所述(301)中二值函數(shù)為其中，ta,p,q,u,v,τ(I)表示獲得的像素差值標(biāo)記，(p,q),(u,v)表示圖片塊上的兩個(gè)隨機(jī)點(diǎn)，a表示隨機(jī)選取的某一特征描述符，τ表示分裂節(jié)點(diǎn)處的閾值，Ia(p,q)表示a特征圖片上(p,q)點(diǎn)的像素值，Ia(u,v)表示a特征圖片上(u,v)點(diǎn)的像素值；類不確定度為：H(pL)＝-pLlogpL-(1-pL)log(1-pL)；H(pR)＝-pRlogpR-(1-pR)log(1-pR)；其中，H(pL)為左子節(jié)點(diǎn)的熵值，H(pR)為右子節(jié)點(diǎn)的熵值，pL為左子節(jié)點(diǎn)中來自正樣本的圖片塊占的比例,pR為右子節(jié)點(diǎn)中來自正樣本的圖片塊占的比例，|A|表示節(jié)點(diǎn)處塊集合A中圖片塊個(gè)數(shù)，i是對圖片塊計(jì)數(shù)，且i為大于0的整數(shù)，Entropy({ci})表示熵值，ci表示第i個(gè)圖片塊類別，ci取值為0或1：當(dāng)ci取0時(shí)表示圖片塊來自于負(fù)樣本，當(dāng)ci取1時(shí)表示來自正樣本；|AL|為節(jié)點(diǎn)劃分后左子節(jié)點(diǎn)的圖片塊數(shù)目，|AR|為節(jié)點(diǎn)劃分后右子節(jié)點(diǎn)的圖片塊數(shù)目；偏移量不確定度為：0(dlL-dL)2+Σr>0(drR-dR)2;]]>其中，l表示左子節(jié)點(diǎn)中來自正樣本的圖片塊,r表示右子節(jié)點(diǎn)中來自正樣本的圖片塊，dL為左子節(jié)點(diǎn)處所有正樣本圖片塊的平均偏移量，dR為右子節(jié)點(diǎn)處所有正樣本圖片塊的平均偏移量，為左子節(jié)點(diǎn)第l個(gè)正樣本塊對應(yīng)的偏移量，為右子節(jié)點(diǎn)第r個(gè)正樣本塊對應(yīng)的偏移量。作為本發(fā)明的一種基于霍夫森林的目標(biāo)跟蹤方法的進(jìn)一步優(yōu)化的方案，所述(502)中歐式距離為：其中，n為正整數(shù)，為第n幀視頻圖像中目標(biāo)平均中心坐標(biāo)x方向的值，為第n幀視頻圖像中目標(biāo)平均中心坐標(biāo)y方向的值，為第n-1幀視頻圖像中目標(biāo)平均中心坐標(biāo)，x方向的值，為第n-1幀視頻圖像中目標(biāo)平均中心坐標(biāo)y方向的值。作為本發(fā)明的一種基于霍夫森林的目標(biāo)跟蹤方法的進(jìn)一步優(yōu)化的方案，所述N為10。作為本發(fā)明的一種基于霍夫森林的目標(biāo)跟蹤方法的進(jìn)一步優(yōu)化的方案，所述預(yù)設(shè)的第一閾值為180，所述預(yù)設(shè)的第二閾值為5。本發(fā)明采用以上技術(shù)方案與現(xiàn)有技術(shù)相比，具有以下技術(shù)效果：本發(fā)明是針對視頻中目標(biāo)相似物造成干擾的解決方案，結(jié)合卡爾曼濾波校正與計(jì)算幀間目標(biāo)中心位置均值的歐氏距離達(dá)到準(zhǔn)確的目標(biāo)檢測和跟蹤目的，考慮目標(biāo)運(yùn)動(dòng)的方向和速度，對場景中發(fā)生的運(yùn)動(dòng)目標(biāo)相似物交叉和部分遮擋現(xiàn)象具有較好的穩(wěn)定性和魯棒性，有效避免了由于干擾產(chǎn)生的目標(biāo)中心位置漂移現(xiàn)象，同時(shí)提高了跟蹤速度。附圖說明圖1是隨機(jī)選取的特征圖片塊構(gòu)建的二叉決策樹。圖2是建立霍夫森林流程圖。圖3是卡爾曼濾波算法的結(jié)構(gòu)圖。圖4是基于霍夫森林的目標(biāo)跟蹤流程圖。具體實(shí)施方式下面結(jié)合附圖對本發(fā)明的技術(shù)方案做進(jìn)一步的詳細(xì)說明：如圖1所示的是隨機(jī)選取的特征圖片塊構(gòu)建的二叉決策樹，方框表示訓(xùn)練樣本，在每個(gè)訓(xùn)練樣本上隨機(jī)選取50個(gè)特征圖片塊，標(biāo)記每個(gè)塊的信息：特征、類別、中心偏移量，按照確定的劃分準(zhǔn)則和評價(jià)函數(shù)對樣本集合進(jìn)行最優(yōu)劃分，得到兩個(gè)子節(jié)點(diǎn)，每個(gè)節(jié)點(diǎn)再依次進(jìn)行劃分，直到滿足停止劃分條件生成葉子節(jié)點(diǎn)。一種基于霍夫森林的目標(biāo)跟蹤方法，包括以下步驟：步驟一、從標(biāo)準(zhǔn)訓(xùn)練庫中選取圖片作為訓(xùn)練樣本，訓(xùn)練樣本包括正訓(xùn)練樣本和負(fù)訓(xùn)練樣本，正訓(xùn)練樣本的圖片中有目標(biāo)，負(fù)訓(xùn)練樣本的圖片中無目標(biāo)，提取訓(xùn)練樣本的特征得到特征圖片；步驟二、對步驟一中的特征圖片進(jìn)行濾波處理后建立特征圖片集合；如圖2所示的是建立霍夫森林流程圖，采用離線訓(xùn)練的方式訓(xùn)練生成二叉決策樹，通過建立N棵二叉決策樹組成霍夫森林。對采集的正負(fù)訓(xùn)練樣本圖片進(jìn)行特征變換，隨機(jī)選取特征圖片塊集合構(gòu)造二叉決策樹，利用二值函數(shù)對特征圖片塊集合進(jìn)行劃分，保存最優(yōu)的劃分結(jié)果即分裂參數(shù)，然后再對生成的子節(jié)點(diǎn)進(jìn)行劃分，以此循環(huán)，當(dāng)各節(jié)點(diǎn)均達(dá)到停止劃分條件時(shí)即完成了二叉決策樹的建立過程。步驟三、建立霍夫森林；具體如下：(301)、隨機(jī)獲取特征圖片塊集，采用二值函數(shù)對特征圖片塊集進(jìn)行劃分，當(dāng)類不確定度或者偏移量不確定度達(dá)到最小時(shí)，獲得最優(yōu)分裂節(jié)點(diǎn)；依次對最優(yōu)分裂節(jié)點(diǎn)處的圖片塊不斷劃分，直到當(dāng)前節(jié)點(diǎn)的深度達(dá)到預(yù)設(shè)的第三閾值或者當(dāng)前節(jié)點(diǎn)上的樣本數(shù)量小于預(yù)設(shè)的第四閾值則停止劃分，構(gòu)成二叉決策樹；其中，預(yù)設(shè)的第三閾值為10至20的整數(shù)，預(yù)設(shè)的第四閾值為10至25的整數(shù)；第三閾值為二叉決策樹的最大深度閾值，第四閾值為節(jié)點(diǎn)處樣本塊個(gè)數(shù)閾值，預(yù)設(shè)的第三閾值可為15，預(yù)設(shè)的第四閾值可為20。(302)、選取N個(gè)二叉決策樹建立霍夫森林，N為整數(shù)且9<N<16；如圖3所示的是卡爾曼濾波算法的結(jié)構(gòu)圖，其中y(n)表示觀測值，F(xiàn)(n+1,n)為狀態(tài)轉(zhuǎn)移矩陣，C(n)為觀測矩陣，表示觀測值的最小二乘估計(jì)，新息表示n+1幀目標(biāo)的估計(jì)值。如圖4表示的是基于霍夫森林的改進(jìn)目標(biāo)跟蹤流程圖。對輸入的每一幀圖片，根據(jù)檢測框內(nèi)的霍夫投票結(jié)果判定是否存在目標(biāo)，以及是否正確跟蹤到目標(biāo)。在計(jì)算幀間目標(biāo)中心位置均值的歐式距離前，為了保證算法的穩(wěn)定性，我們選取連續(xù)三幀目標(biāo)的中心位置的均值作為當(dāng)前幀的中心位置。步驟四、采集視頻，輸入視頻的第一幀，并人工標(biāo)記出待跟蹤目標(biāo)的中心位置，作包圍中心位置的矩形框用來設(shè)定目標(biāo)檢測范圍；采用遍歷的方式選取矩形框內(nèi)的圖片特征塊，根據(jù)建立的霍夫森林對目標(biāo)的中心位置進(jìn)行加權(quán)投票，統(tǒng)計(jì)投票值得到設(shè)定矩形框內(nèi)的霍夫投票圖，選取投票峰值確定目標(biāo)的中心位置，并將該目標(biāo)的中心位置作為第一幀圖像目標(biāo)的中心位置，根據(jù)獲得的第一幀圖像目標(biāo)的中心位置初始化卡爾曼濾波器參數(shù)；步驟五、確定目標(biāo)中心位置,跟蹤目標(biāo)；(501)、載入新一幀視頻圖像，根據(jù)前一幀目標(biāo)的中心位置作包圍中心位置的矩形框用來設(shè)定待檢測目標(biāo)范圍，利用建立好的霍夫森林獲取投票峰值，得到目標(biāo)的中心位置；(502)、計(jì)算幀間目標(biāo)中心位置均值的歐式距離；(503)、預(yù)先設(shè)定第一閾值和第二閾值，第一閾值為投票峰值閾值，第二閾值為幀間目標(biāo)中心位置均值的歐式距離閾值；(504)、當(dāng)投票峰值小于預(yù)設(shè)的第一閾值或者幀間目標(biāo)中心位置均值的歐式距離大于預(yù)設(shè)的第二閾值,則采用卡爾曼濾波算法對目標(biāo)中心位置進(jìn)行預(yù)測得到預(yù)測值，采用預(yù)測值校正目標(biāo)中心位置；當(dāng)投票峰值大于或等于預(yù)設(shè)的第一閾值，并且?guī)g目標(biāo)中心位置均值的歐氏距離小于或等于預(yù)設(shè)的第二閾值，則表明跟蹤到的目標(biāo)正確，不修正當(dāng)前幀檢測得到的目標(biāo)中心位置，同時(shí)更新卡爾曼濾波器參數(shù)，用于對下一幀視頻圖像中目標(biāo)的中心位置進(jìn)行預(yù)測；當(dāng)投票峰值大于或等于預(yù)設(shè)的第一閾值，但幀間目標(biāo)中心位置均值的歐氏距離大于預(yù)設(shè)的第二閾值，則根據(jù)卡爾曼濾波算法得到的預(yù)測值校正目標(biāo)中心位置。所述步驟一中提取訓(xùn)練樣本的特征包括：Lab顏色空間中的顏色特征描述符，圖像x方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征，圖像y方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征，梯度直方圖HOG特征。所述(301)中二值函數(shù)為其中，ta,p,q,u,v,τ(I)表示獲得的像素差值標(biāo)記，(p,q),(u,v)表示圖片塊上的兩個(gè)隨機(jī)點(diǎn)，a表示隨機(jī)選取的某一特征描述符，τ表示分裂節(jié)點(diǎn)處的閾值，Ia(p,q)表示a特征圖片上(p,q)點(diǎn)的像素值，Ia(u,v)表示a特征圖片上(u,v)點(diǎn)的像素值；類不確定度為：H(pL)＝-pLlogpL-(1-pL)log(1-pL)；H(pR)＝-pRlogpR-(1-pR)log(1-pR)；其中，H(pL)為左子節(jié)點(diǎn)的熵值，H(pR)為右子節(jié)點(diǎn)的熵值，pL為左子節(jié)點(diǎn)中來自正樣本的圖片塊占的比例,pR為右子節(jié)點(diǎn)中來自正樣本的圖片塊占的比例，|A|表示節(jié)點(diǎn)處塊集合A中圖片塊個(gè)數(shù)，i是對圖片塊計(jì)數(shù)，且i為大于0的整數(shù)，Entropy({ci})表示熵值，ci表示第i個(gè)圖片塊類別，ci取值為0或1：當(dāng)ci取0時(shí)表示圖片塊來自于負(fù)樣本，當(dāng)ci取1時(shí)表示來自正樣本；|AL|為節(jié)點(diǎn)劃分后左子節(jié)點(diǎn)的圖片塊數(shù)目，|AR|為節(jié)點(diǎn)劃分后右子節(jié)點(diǎn)的圖片塊數(shù)目；偏移量不確定度為：0(dlL-dL)2+Σr>0(drR-dR)2;]]>其中，l表示左子節(jié)點(diǎn)中來自正樣本的圖片塊,r表示右子節(jié)點(diǎn)中來自正樣本的圖片塊，dL為左子節(jié)點(diǎn)處所有正樣本圖片塊的平均偏移量，dR為右子節(jié)點(diǎn)處所有正樣本圖片塊的平均偏移量，為左子節(jié)點(diǎn)第l個(gè)正樣本塊對應(yīng)的偏移量，為右子節(jié)點(diǎn)第r個(gè)正樣本塊對應(yīng)的偏移量。所述(502)中歐式距離為：其中，n為正整數(shù)，為第n幀視頻圖像中目標(biāo)平均中心坐標(biāo)x方向的值，為第n幀視頻圖像中目標(biāo)平均中心坐標(biāo)y方向的值，為第n-1幀視頻圖像中目標(biāo)平均中心坐標(biāo)，x方向的值，為第n-1幀視頻圖像中目標(biāo)平均中心坐標(biāo)y方向的值。。所述N為10，所述第一閾值為180，所述第二閾值為5。具體方法流程：1、建立霍夫森林前的樣本特征提取本發(fā)明從標(biāo)準(zhǔn)訓(xùn)練庫中選取了800幅圖片作為訓(xùn)練樣本，其中正負(fù)訓(xùn)練樣本比例相等，對正負(fù)樣本標(biāo)記并進(jìn)行特征提取。提取的圖片特征包括Lab顏色空間的3個(gè)顏色特征描述符，x方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征，y方向的一階導(dǎo)數(shù)特征、二階導(dǎo)數(shù)特征，以及9個(gè)方向上的梯度直方圖HOG特征等，為了增加算法的抗噪性能，需對以上特征描述符進(jìn)行進(jìn)一步的濾波處理，提取最終的樣本特征數(shù)據(jù)。2、構(gòu)建霍夫森林在每個(gè)訓(xùn)練樣本上隨機(jī)選50個(gè)大小為16×16的圖片塊作為根節(jié)點(diǎn)處的劃分樣本總集合，設(shè)定節(jié)點(diǎn)劃分的停止條件：樹的最大深度預(yù)設(shè)的第三閾值為15或預(yù)設(shè)的第四閾值即節(jié)點(diǎn)處樣本塊個(gè)數(shù)少于20。圖片塊集合表示為：A＝Pi＝(Ii,ci,di)，其中Pi表示隨機(jī)選取的第i個(gè)的圖片塊信息；Ii表示對應(yīng)位置圖片塊的特征集合；ci表示第i個(gè)圖片塊類別；di表示一個(gè)二維的偏移向量，即圖片塊中心對目標(biāo)中心的偏移量。對圖片塊集合進(jìn)行劃分時(shí)，采用的二值函數(shù)為其中，ta,p,q,u,v,τ(I)表示獲得的像素差值標(biāo)記，(p,q),(u,v)表示圖片塊上的兩個(gè)隨機(jī)點(diǎn)，a表示隨機(jī)選取的某一特征描述符，τ表示分裂節(jié)點(diǎn)處的閾值，Ia(p,q)表示a特征圖片上(p,q)點(diǎn)的像素值，Ia(u,v)表示a特征圖片上(u,v)點(diǎn)的像素值。二值函數(shù)中涉及的參數(shù)均通過隨機(jī)方式獲得，節(jié)點(diǎn)初次分裂后并不能保證得到的結(jié)果最優(yōu)，需建立評價(jià)函數(shù)來對二值函數(shù)的劃分樣本進(jìn)行衡量，以獲得最優(yōu)的分裂參數(shù)。定義了兩種不確定度：類不確定度和偏移量不確定度來評價(jià)劃分結(jié)果。類不確定度為：H(pL)＝-pLlogpL-(1-pL)log(1-pL)；H(pR)＝-pRlogpR-(1-pR)log(1-pR)；其中，H(pL)為左子節(jié)點(diǎn)的熵值，H(pR)為右子節(jié)點(diǎn)的熵值，pL為左子節(jié)點(diǎn)中來自正樣本的圖片塊占的比例,pR為右子節(jié)點(diǎn)中來自正樣本的圖片塊占的比例，|A|表示節(jié)點(diǎn)處塊集合A中圖片塊個(gè)數(shù)，i是對圖片塊計(jì)數(shù)，且i為大于0的整數(shù)，Entropy({ci})表示熵值，ci表示第i個(gè)圖片塊類別，ci取值為0或1：當(dāng)ci取0時(shí)表示圖片塊來自于負(fù)樣本，當(dāng)ci取1時(shí)表示來自正樣本；|AL|為節(jié)點(diǎn)劃分后左子節(jié)點(diǎn)的圖片塊數(shù)目，|AR|為節(jié)點(diǎn)劃分后右子節(jié)點(diǎn)的圖片塊數(shù)目；偏移量不確定度為：0(dlL-dL)2+Σr>0(drR-dR)2;]]>其中，l為左子節(jié)點(diǎn)中的正樣本塊,r為右子節(jié)點(diǎn)中的正樣本塊，dL為左子節(jié)點(diǎn)處所有正樣本圖片塊的平均偏移量，dR為右子節(jié)點(diǎn)處所有正樣本圖片塊的平均偏移量，為左子節(jié)點(diǎn)第l個(gè)正樣本塊對應(yīng)的偏移量，為右子節(jié)點(diǎn)第r個(gè)正樣本塊對應(yīng)的偏移量。在訓(xùn)練隨機(jī)樹過程中，由于不能保證兩類不確定度的值均達(dá)到最小，故隨機(jī)選取一類不確定度值來衡量二值函數(shù)的劃分結(jié)果并選擇最佳的隨機(jī)決策值參數(shù)作為節(jié)點(diǎn)信息。3、霍夫投票檢測目標(biāo)已有的采用霍夫森林算法進(jìn)行目標(biāo)跟蹤時(shí)大多采用在線方式更新訓(xùn)練數(shù)據(jù)，再利用更新后的數(shù)據(jù)對下一幀目標(biāo)進(jìn)行檢測，但由于算法采用的特征對每一特定類目標(biāo)的識別度相似，實(shí)時(shí)地更新只會(huì)增加算法的復(fù)雜度，并且當(dāng)檢測到錯(cuò)誤目標(biāo)時(shí)，更會(huì)導(dǎo)致更新失敗而嚴(yán)重影響目標(biāo)的檢測。本文提出采用離線的方式進(jìn)行目標(biāo)檢測，依據(jù)事先訓(xùn)練好的霍夫森林進(jìn)行霍夫投票，不更新訓(xùn)練數(shù)據(jù)，保證了特定類別判斷的準(zhǔn)確性和實(shí)時(shí)性。對輸入的第一幀視頻圖像，通過人工標(biāo)定待跟蹤目標(biāo)，初始化目標(biāo)的中心位置，以初始位置為中心設(shè)定目標(biāo)檢測的范圍，并對檢測圖片進(jìn)行特征變換，采用遍歷的方式在特征圖片上選取測試樣本塊，獲得樣本塊集合，樣本塊通過依次遍歷生成的二叉決策樹查找對應(yīng)的葉子節(jié)點(diǎn)，并對目標(biāo)中心位置進(jìn)行投票，投票權(quán)值為：其中，CL表示葉子節(jié)點(diǎn)處的正樣本塊所占比率；DL表示樣本塊的偏移量信息，|DL|則表示含偏移量信息的樣本塊數(shù)目。樣本塊遍歷每棵樹后的投票值累加即可得到設(shè)定檢測目標(biāo)區(qū)域的霍夫投票圖，選取投票峰值確定目標(biāo)的中心位置。4、卡爾曼濾波和校正利用卡爾曼濾波器建立目標(biāo)運(yùn)動(dòng)模型，設(shè)法減小目標(biāo)運(yùn)動(dòng)過程中噪聲的干擾，能得到較好的目標(biāo)中心位置的估計(jì)值。本文運(yùn)用卡爾曼濾波器進(jìn)行的估計(jì)包括對當(dāng)前幀目標(biāo)中心位置的估計(jì)值即濾波后的結(jié)果和對下一幀目標(biāo)中心位置的估計(jì)值即預(yù)測值，將卡爾曼濾波和預(yù)測進(jìn)行結(jié)合運(yùn)用于目標(biāo)的跟蹤。載入新一幀視頻圖像，確定目標(biāo)檢測范圍，利用建立好的霍夫森林檢測得到目標(biāo)中心的霍夫投票，對投票峰值符合第一閾值T1的樣本則判定為目標(biāo)，并計(jì)算幀間目標(biāo)中心位置均值的歐式距離為：其中，n為正整數(shù)，為第n幀視頻圖像中目標(biāo)平均中心坐標(biāo)x方向的值，為第n幀視頻圖像中目標(biāo)平均中心坐標(biāo)y方向的值，為第n-1幀視頻圖像中目標(biāo)平均中心坐標(biāo)，x方向的值，為第n-1幀視頻圖像中目標(biāo)平均中心坐標(biāo)y方向的值。當(dāng)投票峰值小于第一閾值T1或者幀間目標(biāo)中心位置均值的歐式距離大于第二閾值T2,則采用卡爾曼濾波算法對目標(biāo)中心位置進(jìn)行預(yù)測得到預(yù)測值，采用預(yù)測值校正目標(biāo)中心位置；當(dāng)投票峰值大于或等于第一閾值T1，并且?guī)g目標(biāo)中心位置均值的歐氏距離小于或等于第二閾值T2，則跟蹤到的目標(biāo)正確，不修正當(dāng)前幀檢測得到的目標(biāo)中心位置，同時(shí)更新卡爾曼濾波器參數(shù)，用于對下一幀視頻圖像中目標(biāo)的中心位置進(jìn)行預(yù)測；當(dāng)投票峰值大于或等于第一閾值T1，并且?guī)g目標(biāo)中心位置均值的歐氏距離大于第二閾值T2，根據(jù)卡爾曼濾波算法得到的預(yù)測值校正目標(biāo)中心位置。所述投票峰值第一閾值T1為180，幀間目標(biāo)中心位置均值的歐氏距離第二閾值T2為5，建立的霍夫森林包含的樹的數(shù)量N為10。以上內(nèi)容是結(jié)合具體的優(yōu)選實(shí)施方式對本發(fā)明所作的進(jìn)一步詳細(xì)說明，不能認(rèn)定本發(fā)明的具體實(shí)施只局限于這些說明。對于本發(fā)明所屬技術(shù)領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干簡單推演或替代，都應(yīng)當(dāng)視為屬于本發(fā)明的保護(hù)范圍。