[发明专利]基于概率主成分分析和压缩感知的在线目标跟踪方法

说明书

技术领域

本发明涉及一种基于概率主成分分析和压缩感知的在线目标跟踪方法，具体涉及一种基于概率主成分分析和压缩感知的在线更新目标特征子空间的目标跟踪方法。

背景技术

目标跟踪是计算机视觉领域的一个基础性问题。它有着广泛的应用，包括视频监控、行为分析、运动事件检测、以及视频检索等。由于目标在跟踪过程中会面临光照变化，遮挡，形变，复杂的运动背景等问题，经常导致目标丢失和漂移现象，因此目标跟踪是一个具有挑战性的研究课题。

在目标跟踪算法中，目标表示模型对算法的性能具有很大的影响。现有的目标表示模型主要有：（a）基于颜色直方图特征的单一目标模板；（b）基于过完备字典的目标空间模型；（c）基于主成分的目标子空间表示模型。模型（a）是在目标区域内构建目标模板的颜色直方图来表示目标，当得到新一帧中的目标直方图后，使用求均值的方法更新目标表示模型。该方法使用一个中心点表示整个目标特征空间，显然是不够精确的，因为它无法准确描述在整个跟踪过程中目标特征空间的结构及其变化。模型（b）的过完备字典由一系列目标模板和琐碎模板构成，能够很好的描述目标特征空间，并且能够处理噪声和遮挡的问题，但是该算法求解候选目标的稀疏表示时速度缓慢，导致该算法实时性不高。模型（c）使用特征基向量及其对应的特征值来近似描述目标特征空间，由于该方法基于重构误差最小，从而使得低维度的特征子空间能够很好的近似原始目标特征空间而不存在较大的信息损失，这样就大大简化了目标表示模型。文献Incremental Learning for Roust Visual Tracking Proc，NIPS’04，2004，J.Lim，D.Ross，R-S.Lin，M-H.Yang使用了主成分分析（PCA）的方法，将目标特征空间压缩到由前M个主成分所组成的子空间，得到了目标特征空间的一个子空间表示模型，并使用增量学习的方法，有效的更新该特征子空间，算法很好的解决了目标外观、光照等缓慢变化情况下的跟踪问题。但是该方法在更新目标特征子空间时，要面临这巨大的特征维数，虽然Ross等使用的增量PCA的算法，在一定程度上降低了算法的复杂度，但是特征维数仍然是一个不得不考虑的问题。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于概率主成分分析和压缩感知的在线目标跟踪方法，提高目标表示模型描述目标特征空间的准确性和加快更新目标表示模型的速度。

技术方案

一种基于概率主成分分析和压缩感知的在线目标跟踪方法，其特征在于步骤如下：

步骤1：在第一帧中标记目标x₁，初始化N个粒子及其权值所述x₁为第一帧中目标图像块的仿射变换参数；

步骤2：使用经典粒子滤波算法对前T帧图像跟踪目标，得到初始目标样本集合A＝[y₁，y₂，...，y_T]，A的每一列是这T帧图像中目标图像块的特征表示向量；

步骤3：对A进行奇异值分解SVD，得到目标特征子空间的表示模型；

步骤4：对当前帧是第t帧的前一帧中粒子按其权值的正比关系进行重采样，再运用高斯运动模型，得到当前帧中粒子

步骤5：求出当前帧中粒子对应图像块的特征表示向量

步骤6：计算出当前帧中第i个粒子对应图像块的特征表示向量与目标特征子空间的视觉相似性的概率表述将该值作为粒子新的权值然后运用最大后验概率准则MAP准则，得到当前帧中具有最大权值的粒子作为该帧目标的状态估计值以此为对当前帧的跟踪结果；若当前帧是最后一帧，则结束，否则继续执行；

步骤7：当已经跟踪的帧数等于m帧时，执行步骤8，否则转到步骤4；其中：m为更新频率，2<m<10；

步骤8：以m个跟踪结果得到一个增量矩阵B＝[y_n+1，y_n+2，...，y_n+m]，其中的每一列是这m帧中跟踪到的目标图像块对应的特征表示向量；

步骤9：使用增量PCA算法更新得到C＝[C,B]，构成目标特征空间的子空间表示模型；然后重复转到步骤4；其中第一次更新时令C＝[A,B]。

有益效果