[发明专利]一种基于颜色属性和主动特征提取的目标跟踪算法

权利要求书

1.一种基于颜色属性和主动特征提取的目标跟踪算法，其特征在于，包括如下步骤：

第一步，取第t帧图像，将其灰度化，再将图像的灰度值规范到[-0.5,0.5]这个区间之内，如下所示：

其中，im为原始图像，z_npca为规范后的图像的灰度值；

第二步，通过由谷歌图像搜索自动学习到的映射图将原始图像由RGB色彩空间映射到11维的颜色属性空间；

第三步，通过使以下重构误差最小的方式，将11维的颜色属性子空间降到2维

其中，MN为图像像素总数，x(m,n)为位置在(m,n)处像素的11维颜色属性，B为映射矩阵，且上述降维过程可以通过主成分分析法(PCA)来实现；

第四步，将上述三步得到的结果即灰度特征和颜色属性特征进行结合，得到一个具有三通道的图像；

第五步，将图像中三通道的值相加之后，对图像进行积分，得到一个积分图像；

第六步，粗采样得到一个样本集即一个图像块集合D^rc＝{z|||I(z)-I_t-1||＜r_c}，其中，I_t-1为t-1帧中目标的位置，Δ_c为粗采样的步长，设置为4，r_c为采样范围，设置为25；

第七步，为了解决尺度问题，构建了一个高维多尺度的图像特征向量来表示每一个样本。对于每一个样本我们通过将z与一系列多尺度的矩形滤波器进行卷积计算来表示它，矩形滤波器定义为

其中，i和j分别为矩形滤波器的宽和高。每一个滤波后的图像用一个列向量 来表示，然后这些列向量连接起来构成一个高维多尺度的图像特征向量 其中，m＝(wh)²，且在10⁶～10¹⁰；

第八步，基于压缩感知理论，通过一个非常稀疏的随机矩阵将一个高维多尺度的图像特征向量投影到低维空间中的一个向量上，即v＝Rx。其中，随机矩阵的定义为

其中，s＝m/4，p为出现1,0，-1的概率。这样我们就获得了一个非常稀疏的随机矩阵，且在算法开始的时候被产生，在之后的跟踪过程中一直保持不变。对于中的每一行仅有c(c≤4)个元素需要计算和存储；

第九步，仅仅保存第八步得到的稀疏随机矩阵中的非零元素和与其对应的第七步得到的矩形滤波器的位置，每个样本的特征向量中的每一个分量v_i通过下式来获得

其中，n＝100，r_ij为稀疏随机矩阵中的非零元素，x_j为与其对应的矩形特征，它可以通过第五步得到的积分图像来获得；

第十步，通过朴素贝叶斯强分类器H(v)对特征向量v(z)进行分类，分类器响应值最大值所对应的那个样本记为I_t'；

第十一步，在当前帧中，基于I_t'进行精确采样D^rf＝{z|||I(z)-I_t'||＜r_f}，其中，r_f为采样范围，设置为10，Δ_f为精采样步长，设置为1。重复前面的第七、八、九 步提取压缩后的特征向量；

第十二步，再通过朴素贝叶斯强分类器H(v)对特征向量v(z)进行分类，分类器响应值最大值所对应的那个样本就是跟踪到的目标，位置记为I_t；

第十三步，基于I_t，在当前帧中最后一次采样得到正负样本集D^α＝{z|||I(z)-I_t||＜α}和其中并提取正负样本的特征v(z)；

第十四步，利用上步获得的正负样本的特征对一个个朴素贝叶斯弱分类器进行更新，朴素贝叶斯分类器定义为

其中，这四个参数通过以下机制被增量更新：

其中，λ＞0是一个学习参数，且

第十五步，基于Fisher信息矩阵构造的准则函数，重新构建一个强分类器H(v)也就是主动特征提取的过程，过程如下：

强分类器的定义为

H(v)＝α^Th(v) (9)

其中，α＝(α₁,…,α_m)^T为一个权向量。

准则函数定义为

F(H_k-1+αh)＝F(α^Th)＝tr(I(α)) (10)

其中，H_k-1为前k-1个弱分类器构成的强分类器，I(α)为Fisher信息矩阵，常被用 于主动学习算法中。

对于第十四步更新后的弱分类器集Φ，使(10)式准则函数最小化，得到当前最优的弱分类器

(h_k,α_k)＝argminF(H_k-1+αh) (11)

从而更新的强分类器为H(v)＝∑_kh(v)。一个图像特征对应一个弱分类器，弱分类器即图像特征有100个，通过主动特征提取算法从中提取了30个图像特征，即一个强分类器由30个弱分类器构成。