[发明专利]一种基于后验模板字典学习的目标跟踪方法

说明书

技术领域

本发明主要涉及到计算机视觉中的目标跟踪领域，特别是涉及一种基于后验模板字典学习的目标跟踪方法。

背景技术

目标跟踪在计算机视觉领域中是相当活跃的研究课题，自从上世纪末被提出以后，众多学者纷纷加入研究行列，是当今国内外研究的前沿问题之一。目标跟踪在视觉分析领域属于中层部分，为后续高层视觉分析奠定了基础，因此具有非常重要的研究价值。

目标跟踪算法中最为关键的组成部分是表观模型。表观模型，简单的说，如何能够对跟踪目标物体的表观进行简洁有效地表达。一般来说，目标的表观模型主要可以分为产生式和判别式两大类。产生式模型从目标本身出发，采用不同的描述模型来提取不同的目标特征，从而构建一个紧致的目标表示。目标区域的颜色直方图是最常见的基于产生式的表观模型，但是，它完全忽略了目标表观颜色的空间分布信息。基于混合高斯的表观模型利用混合加权的高斯分布来动态地学习像素颜色的时间统计特性。Ross等人提出了基于增量子空间学习的方法来建模目标表观的时空统计特性。Mei等人提出了一种基于稀疏表示的目标表观模型。稀疏表示关心的是如何用尽量少的训练样本去重构新来的候选样本。

判别式模型同时考虑目标(正样本)和背景信息(负样本)，它关注的是如何构建一个分类器或者分类界面能够精准地区分目标和背景，此时，跟踪问题就可以看成一个二分类问题。Avidan提出基于支持向量机(Support Vector Machine)的分类器来区分目标和背景，并将其融入到基于光流的跟踪算法中去。Grabner等人采用在线的Adabooting算法来构建强分类器，强分类器由一系列的弱分类器通过Adabooting算法组合而成，每个弱分类器对应于一个区分目标和背景的分类界面，同时通过不断地更新弱分类器，或者选择新的分类器来实现在线更新。Saffari等人提出了基于随机森林的分类器构建方法，在该算法中，首先采用随机森林算法选择特征，然后对经过选择的特征构建分类器。Babenko等人提出了基于多示例学习(multiple instance learning)的表观模型。在该算法中，在选择正样本进行更新分类器的时候，不只把当前帧的跟踪结果作为正样本，同时选取了与跟踪结果非常接近的一些区域，把它们一起形成一个“包”，使用包来更新分类器。通过包的机制，使得该算法对跟踪误差具有一定的容错性，即使当前帧跟踪结果稍微不精确，也不会使得分类器被错误地更新。

近年来基于稀疏表示的目标跟踪及其改进算法受到人们的广泛关注。稀疏表示描述的是如下问题：给定一个候选的目标区域，用尽量少的模板对其进行重构。在稀疏表示的框架下，模板字典由一系列目标模板(object template)和自定义的辅助模板(trivial template)组成，新的候选样本将通过模板字典的线性重构来表示。目标模板表示的是待跟踪目标的视觉特征，自定义的辅助模板是为了表示噪声和遮挡，每个辅助模板只有一个元素的值为1，其他元素均为0，因此不同的辅助模板对应着目标模板不同位置的像素。如果某个辅助模板的重构系数不为零，则表明其对应的像素有可能被噪声污染或者被其他物体遮挡。所以在稀疏表示的框架下，通过辅助模板与目标模板的组合，可以有效地处理图像噪声和遮挡，而不需要采用其他额外的策略。

尽管基于稀疏表示的表观模型在处理遮挡和噪声方面取得了巨大的成功，然而该模型还是存在如下问题：在稀疏表示的跟踪框架下，当前帧图像的候选样本通过模板字典的线性重构误差来评价。在该评价过程中，目标的模板字典是固定不变的。因此，当目标表观发生较大变化时，由之前跟踪结果所确定的模板字典将无法表示目标的表观变化，从而导致跟踪失败。此外，传统的稀疏表示跟踪算法只是简单的用最新得到的跟踪结果去代替旧的目标模板，很容易将跟踪结果中的误差(如噪声、遮挡引起的)引入到模板字典中，当误差积累到一定程度就会导致模型漂移问题(model drifting)。

发明内容

为了解决上述问题，本发明提出一种基于后验模板字典学习的目标跟踪方法。该方法能够有效将当前帧的目标表观数据有效地融入到字典模板中，从而提高跟踪系统的鲁棒性和适应性。

一种基于后验模板字典学习的目标跟踪方法是：

1)在第一帧对目标区域进行初始化，在初始状态周围做1-2个像素的平移，并由此产生对应的目标模板图像，将这些目标模板图像等分成4*4的子块，通过对相应位置子块的随机抽取，重组出一系列新的目标模板图像；