[发明专利]基于邻里成分分析和尺度空间理论的视频目标跟踪方法

说明书

技术领域

本发明属于计算机视觉技术领域，具体涉及一种基于邻里成分分析和尺度空间理论的视频目标跟踪方法。

背景技术

在计算机视觉领域的许多应用中，如智能监控、机器人视觉、人机交互界面等，都需要对视频序列中的运动目标进行跟踪。由于跟踪目标形态的多样性和目标运动的不确定性，如何实现各种环境下鲁棒的实时跟踪，并随目标距离变化实现其可变尺度的可靠估计一直是研究的热点。均值漂移（mean shift）是近年来学术界研究最多的目标跟踪方法，它是一种非参数密度梯度上升算法，用于寻找概率密度函数的极值，沿着目标状态概率函数的梯度方向，局部迭代搜索图像中目标最可能具有的状态。该类算法运算速度快，获得广泛推崇。然而，均值漂移方法中尺度的自适应机制的一直是重要的问题。传统的均值漂移算法采用固定带宽的核函数，不能自适应地跟踪目标的缩放，容易导致定位不准。当所选择的带宽过大时，所提取的候选区域特征概率分布将包含背景干扰，影响定位；反过来，当带宽过小时，只能获得目标局部的特征概率分布，同样会导致定位误差。

1998年，Bradski等人对基本的均值漂移方法进行了改进，在搜索目标位置的同时用目标状态概率分布的高阶矩得到更加准确的目标尺度大小，即尺度自适应的均值漂移方法（CamShift）。但是该方法在周围环境的颜色与目标的颜色接近时，容易失效。董蓉（董蓉,李勃,陈启美,基于SIFT特征的目标多自由度mean-shift跟踪算法.控制与决策,2012(03):399-402+407）提出了一种利用SIFT特征所获得的目标尺度和目标方向来调整均值漂移算法核函数的带宽和方向，从而提高均值漂移跟踪算法对目标尺度变化的适应能力的算法。由于均值漂移算法本身有可能收敛于状态空间中的局部最优点，该算法仍然无法从理论上保证跟踪的精度。覃剑（覃剑,曾孝平,李勇明,基于边界力的Mean-Shift核窗宽自适应算法.软件学报,2009(07):p.1726-1734.）提出了引入区域似然度以提取目标的局部信息，比较相邻帧间的区域似然度并构建边界力，通过对边界力的计算,得到边界点的位置,进而自适应地更新核函数带宽的一种基于边界力的均值漂移跟踪算法。因为同样的原因，受均值漂移算法本身缺点的约束，该算法也无法从理论上保证跟踪的精度。类似的问题也存在于别的基于均值漂移的算法中（如王勇,陈分雄,郭红想,偏移校正的核空间直方图目标跟踪.自动化学报,2012(03):p.430-436.）。在已授权的公开号为CN101281648A的发明专利中（低复杂度的尺度自适应视频目标跟踪方法），发明人提出的算法，以粒子滤波算法为框架，在重要性采样函数中利用了均值漂移算法，提高了采样效率，克服了单一尺度均值漂移方法收敛于局部最优点的缺点，但因为没有考虑目标本身特征发生变化的自适应问题，在光照发生明显变化时难以保证定位精度。

邻里成分分析（Neighbourhood Components Analysis，NCA）是Goldberger（J.Goldberger,S.Roweis,G.Hinton,R.Salakhutdinov.(2005)Neighbourhood Component Analysis.Advances in Neural Information Processing Systems.17,513-520.）提出的一种距离度量的监督学习方法，其目的在于通过在训练集上学习得到一个线性空间转移矩阵，在新的转换空间中最大化平均留一分类效果。它根据一种给定的距离度量算法对样本数据进行度量，然后对多类簇进行分类。在功能上其和k近邻算法的目的相同，直接利用随机近邻的概念确定与测试样本临近的有标签的训练样本。

其典型的处理过程说明如下：以x_i表示训练集样本中的第i个样本，c_i为其类别，则经过线性空间转移矩阵A变换后的样本为AX，在变换后的新空间中考虑整个数据集作为随机最近邻居。用平方欧氏距离函数来定义在新的转换空间中的留一数据点与其他数据的距离，该函数定义如下：