范數(shù)正則化的增量子空間目標(biāo)跟蹤方法
【技術(shù)領(lǐng)域】：
[0001] 本發(fā)明屬于機(jī)器視覺(jué)領(lǐng)域，特別涉及一種基于LP范數(shù)正則化的增量子空間目標(biāo)跟 蹤方法。
【背景技術(shù)】：
[0002] 視頻中的目標(biāo)跟蹤在視頻監(jiān)控、人機(jī)交互、行為分析等領(lǐng)域中都有重要的應(yīng)用。盡 管在近十年內(nèi)，各國(guó)專(zhuān)家學(xué)者提出了很多方法，在該領(lǐng)域內(nèi)取得了很多激動(dòng)人心的進(jìn)展，但 是對(duì)目標(biāo)進(jìn)行實(shí)時(shí)魯棒的跟蹤依然是一項(xiàng)極具挑戰(zhàn)的工作。原因之一就是視頻是一種動(dòng)態(tài) 的時(shí)間序列，目標(biāo)在行進(jìn)過(guò)程中，其姿態(tài)會(huì)發(fā)生變化，并可能會(huì)遭遇光照、遮擋、相似物體的 干擾。同時(shí)在行進(jìn)過(guò)程中，攝像機(jī)的抖動(dòng)或者目標(biāo)的快速運(yùn)動(dòng)也會(huì)造成目標(biāo)外觀(guān)的模糊，更 是進(jìn)一步加劇了目標(biāo)跟蹤的難度。
[0003] 近幾年基于子空間協(xié)作表示的提出，在很大程度上降低了目標(biāo)跟蹤的難度。針對(duì) 視頻序列的目標(biāo)，R〇ss[1]等提出利用目標(biāo)的主成分信息構(gòu)建子空間，并采用增量更新的方 式，使子空間中的目標(biāo)信息能夠適應(yīng)目標(biāo)的形態(tài)改變而有效更新，并通過(guò)子空間中主成分 信息的線(xiàn)性組合，對(duì)候選樣本進(jìn)行協(xié)作表示。針對(duì)R〇ss [1]方法欠缺處理離群子(如遮擋）的 機(jī)制，Xiao[2]等進(jìn)一步提出利用一種矩形模板來(lái)模擬跟蹤過(guò)程中產(chǎn)生的離群子，并在對(duì)候 選樣本的評(píng)估和子空間的更新中，定量的考慮離群子的存在，在一定程度上提高了跟蹤的 效果。
[0004] 但是，基于子空間協(xié)作表示的方法，需要充分利用到子空間中每一個(gè)特征成分去 進(jìn)行目標(biāo)重構(gòu)，不可避免地引入冗余的特征成分。另外，對(duì)遮擋的處理仍然具有不妥之處， 如[2]中的矩形模板，具有同時(shí)重構(gòu)前景和背景的能力，當(dāng)利用到每一個(gè)矩形模板進(jìn)行協(xié)作 表示時(shí)，勢(shì)必會(huì)進(jìn)一步惡化此二義性，造成目標(biāo)的偏移甚至丟失。

【發(fā)明內(nèi)容】
：
[0005] 本發(fā)明是為了克服上述現(xiàn)有技術(shù)中缺陷，提供了一種基于LP范數(shù)正則化的增量子 空間目標(biāo)跟蹤方法。
[0006] 為了實(shí)現(xiàn)上述目的，本發(fā)明提供如下基于"范數(shù)正則化的增量子空間目標(biāo)跟蹤方 法：
[0007] 步驟一、讀入第一幀圖像Imagei，手動(dòng)標(biāo)記視頻序列第一幀的目標(biāo)圖像，降采樣目 標(biāo)圖像并轉(zhuǎn)為列向量yie!R dxl，d為目標(biāo)圖像的特征維數(shù)。初始化子空間D和奇異值對(duì)角矩 E為空矩陣；
[0008] 步驟二、讀入下一幀Imaget+i(t 2 1)，基于1?〇88[1]的方法獲取t+Ι幀候選樣本的運(yùn) 動(dòng)狀態(tài)集合Xt+1eIR 6xm，并將對(duì)應(yīng)圖像作為目標(biāo)函數(shù)中的觀(guān)測(cè)值的集合Ft+1eMdxm， 其中m為樣本的個(gè)數(shù)；
[0009] 步驟三、標(biāo)記第i個(gè)觀(guān)測(cè)樣本i4+1e:Ft+1，.同時(shí)確定當(dāng)前t+i幀幀號(hào)，若t+1 < 5,則 計(jì)算觀(guān)測(cè)樣本yi.+1(i = 1,2 ,..rn)與第t幀真實(shí)目標(biāo)狀態(tài):^的殘差，得出t+i幀的真實(shí)目標(biāo) 狀態(tài)}4+1，并收集樣本It+i，轉(zhuǎn)入步驟八;否則直接轉(zhuǎn)入步驟四；
[0010]步驟四、對(duì)觀(guān)測(cè)樣本yf+1構(gòu)建目標(biāo)函數(shù)，并對(duì)重構(gòu)樣本與觀(guān)測(cè)樣本的殘差 直接進(jìn)行拉普拉斯建模I |e| U，以容納目標(biāo)跟蹤中受到的離群子干擾;針對(duì)儲(chǔ)存 目標(biāo)信息的pca子空間的目標(biāo)系數(shù)cel·1，利用L P范數(shù)正則化其目標(biāo)系數(shù)項(xiàng)| c I IP，以在重構(gòu)樣本時(shí)，消除冗余特征的干擾;在增廣拉格朗日算法下構(gòu)建本專(zhuān)利提出的目 標(biāo)函數(shù)；
[0011]步驟五、基于A(yíng)PG算法，對(duì)目標(biāo)函數(shù)進(jìn)行最小化計(jì)算，獲得收斂的殘差，和目標(biāo)系 數(shù)C*;
[0012] 步驟六、評(píng)估所有候選樣本成為真實(shí)目標(biāo)狀態(tài)的置信度，獲得第t+Ι幀的最佳目標(biāo) 狀態(tài)3^+1;
[0013] 步驟七、獲取到目標(biāo)狀態(tài)％+1后，進(jìn)一步收集樣本Jt+1 e x 1;
[0014] 步驟八、若收集的樣本I達(dá)到五個(gè)，則采用R〇SS[1]的更新方法對(duì)子空間進(jìn)行更新， 并重置收集的樣本個(gè)數(shù)為0;若未達(dá)到5個(gè)，則不更新目標(biāo)子空間；
[0015] 步驟九、若視頻未結(jié)束，則轉(zhuǎn)入步驟二，讀入下一幀圖像;否則跟蹤結(jié)束。
[0016] 與現(xiàn)有技術(shù)相比，本發(fā)明具有如下有益效果：
[0017] 1.通過(guò)步驟四在增廣拉格朗日算法下構(gòu)建本專(zhuān)利提出的目標(biāo)函數(shù)，能有效加強(qiáng)抵 御離群子的能力，避免對(duì)子空間冗余的特征進(jìn)行選擇。同時(shí)，我們也能在這個(gè)統(tǒng)一的框架 下，在不影響其他因素的情況下觀(guān)測(cè)不同P范數(shù)(0 < P < 1)對(duì)跟蹤器的影響；
[0018] 2.通過(guò)步驟四在迭代加速近鄰梯度算法的框架下，利用軟閾值操作和廣義軟閾值 操作進(jìn)行外觀(guān)函數(shù)中相應(yīng)狀態(tài)參數(shù)最小化計(jì)算，能夠快速有效地獲取候選樣本相應(yīng)的狀態(tài) 參數(shù)；
[0019] 3.結(jié)合增量子空間更新技術(shù)以及運(yùn)動(dòng)模型中的粒子濾波技術(shù)、對(duì)候選樣本進(jìn)行可 靠的評(píng)估，并共同構(gòu)建了一個(gè)魯棒的學(xué)習(xí)系統(tǒng)。針對(duì)不同的挑戰(zhàn)，本發(fā)明都具有較高的魯棒 性，達(dá)到了穩(wěn)定的尚跟蹤精度。
[0020] 因此，本發(fā)明在視頻監(jiān)控、人機(jī)交互、行為分析等領(lǐng)域都有廣泛的應(yīng)用前景。
【附圖說(shuō)明】：
[0021] 圖1為本發(fā)明的基于!^范數(shù)正則化的增量子空間目標(biāo)跟蹤方法的流程示意圖；
[0022] 圖2為本發(fā)明針中候選樣本采樣的示意圖；
[0023]圖3為本發(fā)明目標(biāo)表示的示意圖；
[0024] 圖4為本發(fā)明求解目標(biāo)函數(shù)最小化算法的流程圖；
[0025] 圖5為本發(fā)明在目標(biāo)函數(shù)最小化中求解LP正則化的目標(biāo)系數(shù)而引入的廣義軟閾值 算法的流程圖；
[0026] 圖6為本發(fā)明對(duì)幾種常見(jiàn)干擾下的跟蹤效果圖。
【具體實(shí)施方式】
[0027]下面結(jié)合附圖和【具體實(shí)施方式】，對(duì)本發(fā)明基于!^范數(shù)正則化的增量子空間目標(biāo)跟 蹤方法的流程示意圖做進(jìn)一步的說(shuō)明。
[0028]參考圖1，本發(fā)明基于LP范數(shù)正則化的增量子空間目標(biāo)跟蹤方法包含以下步驟： [0029]步驟一、讀入第一幀圖像Imagei，手動(dòng)標(biāo)記視頻序列第一幀的目標(biāo)圖像，降采樣目 標(biāo)圖像并轉(zhuǎn)為列向量3^e!Rdxl,d為目標(biāo)圖像的特征維數(shù)。初始化子空間D和奇異值對(duì)角矩 E為空矩陣；
[0030]步驟二、讀入下一幀Imaget+i(t 2 1)，基于1?〇88[1]的方法獲取t+Ι幀候選樣本集合 It+1eE&xm，并將對(duì)應(yīng)圖像作為目標(biāo)函數(shù)中的觀(guān)測(cè)值的集合1^+1€]]^胃，其中m為樣本 的個(gè)數(shù)；
[0031] 步驟三、標(biāo)記第i個(gè)觀(guān)測(cè)樣本yf+1.eFt:+1，同時(shí)確定當(dāng)前t+i幀幀號(hào)，若t+i < 5,則 計(jì)算觀(guān)測(cè)樣本34+1〇? = 1,2...饑：)與第1幀真實(shí)目標(biāo)狀態(tài)34的殘差，得出1+1幀的真實(shí)目標(biāo) 狀態(tài)34+ ?，并收集樣本it+i，轉(zhuǎn)入步驟八;否則直接轉(zhuǎn)入步驟四；
[0032] 步驟四、對(duì)觀(guān)測(cè)樣本34+1構(gòu)建目標(biāo)函數(shù)，并對(duì)重構(gòu)樣本與觀(guān)測(cè)樣本的殘差 直接進(jìn)行拉普拉斯建模| |e| U，以容納目標(biāo)跟蹤中受到的離群子干擾;針對(duì)儲(chǔ)存 目標(biāo)信息的PCA子空間D:eMdxm的目標(biāo)系數(shù)ce !Rmx1，利用LP范數(shù)正則化其目標(biāo)系數(shù)項(xiàng)| c 11P，以在重構(gòu)樣本時(shí)，消除冗余特征的干擾;在增廣拉格朗日算法下構(gòu)建本專(zhuān)利提出的目 標(biāo)函數(shù)；
[0033] 步驟五、基于A(yíng)PG算法，對(duì)目標(biāo)函數(shù)進(jìn)行最小化計(jì)算，獲得收斂的殘差，和目標(biāo)系 數(shù)C*;
[0034] 步驟六、評(píng)估所有候選樣本成為真實(shí)目標(biāo)狀態(tài)的置信度，獲得第t+Ι幀的最佳目標(biāo) 狀態(tài)
[0035] 步驟七、獲取到目標(biāo)狀態(tài)￥+1后，進(jìn)一步收集樣本it+1elRdx1;:
[0036] 步驟八、若收集的樣本I達(dá)到五個(gè)，則采用R〇SS[1]的更新方法對(duì)子空間及其均值向 量進(jìn)行更新，并重置收集的樣本個(gè)數(shù)為〇;若未達(dá)到5個(gè)，則不更新目標(biāo)子空間；
[0037]步驟九、若視頻未結(jié)束，則轉(zhuǎn)入步驟二，讀入下一幀圖像;否則跟蹤結(jié)束。
[0038] 上述技術(shù)方案中，步驟二對(duì)候選樣本的采樣方法如圖2所示，左圖實(shí)線(xiàn)框?yàn)榈趖幀 的目標(biāo)狀態(tài)跟蹤框，右圖虛線(xiàn)框?yàn)閠+Ι幀通過(guò)Ross隨機(jī)游走方法獲取的候選樣本