基于贝叶斯学和增量子空间学的目标跟踪方法

摘要

本发明提供一种基于贝叶斯学和增量子空间学的目标跟踪方法，混合两种子算法分别产生一个跟踪结果,本发明定义了这两个候选跟踪结果的可信度度量,最终算法选择可信度最高的算法作为跟踪结果；本发明通过降低判别算法的学率和暂停更新产生模型算法来避免引入更多的噪声.克服了目标在遭受遮挡和巨大形变后跟踪漂移的问题。

主权项

一种基于贝叶斯学习和增量子空间学习的目标跟踪方法，其特征在于，包括下列步骤：步骤1，初始化；所述的初始化包括下列步骤；步骤1.1，初始化第一帧目标位置；令t＝1表示进入第1帧，用矩形框标注出目标的初始位置R_g＝g_x,g_y,g_w,g_h,其中g_x,g_y表示目标矩形框的中心位置坐标,g_w,g_h是目标矩形框的宽和高；步骤1.2，初始化粒子和运动参数；令表示描述粒子状态的向量变量,上标(i)表示第i个粒子,表示粒子所表示的x和y方向的位置坐标,表示粒子所表示的方框在x和y方向的尺度；初始化粒子的状态为:则粒子所表示的矩形框可以表示为:令表示t时刻的目标的状态向量,并将其初始化为当跟踪进行时,粒子的每一维都会以其当前状态为中心做随机运动；假设粒子的运动变化量服从均值为0协方差矩阵为Ω的正态分布,即其中Ω＝diagσ_x,σ_y,Ω_w,σ_h是一个对角矩阵,σ_x,σ_y表示粒子在x,y方向运动的标准差,σ_w,σ_h表示粒子在宽度和高度变化率上的标准差；步骤1.3，初始化均值类哈尔特征模板；从粒子或者样本中提取第i个类哈尔特征的公式为:其中x′_ij表示在x所表示的矩形框内随机选取的小矩形框，sum x′_ij为x′_ij所表示的矩形框内所有像素的灰度值之和，pixn x′_ij为x′_ij所表示的矩形框内像素的个数，w_ij是0～1之间的随机权值，如果目标的尺度发生变化,当使用该模板提取样本特征时,x′_ij所表示的小矩形框也要成比例地变化,n_i表示第i个类哈尔特征中包含的小矩形框数量；步骤1.4初始化贝叶斯分类器；步骤1.5初始化增量子空间学习算法的参数；为样本均值,其中为从所表示的矩形框中提取的特征；步骤2，目标跟踪；步骤2.1，令t＝t+1更新时间参数,读取新一帧图像.粒子进行移动并更新粒子参数步骤2.2，使用贝叶斯分类器对步骤2.1移动后的粒子进行分类,分类值最高的粒子作为贝叶斯分类器跟踪到的目标状态其中H(·)表示贝叶斯分类器函数,表示粒子的分类器响应值；步骤2.3，使用增量学习算法对目标进行跟踪；定义其中表示第t帧的第i个粒子,I(x)是一个特征提取函数,它的作用是将x对应的图像块拉伸成列向量,为样本均值；则粒子在子空间中的坐标为，其中表示样本在子空间中坐标分布方差的无偏估计,(Σ是一个对角矩阵,与1.5相同)；U是一个矩阵,其每一列表示子空间的一个基向量；y(·)是本发明定义的一个函数；则粒子的重构误差为:最终根据重构误差选择第t时刻的跟踪结果为:步骤2.4，对结果进行选择,得出当前帧的目标状态；所述的步骤2.4包括下列步骤：步骤2.4.1，令表示t时刻使用贝叶斯跟踪算法求得的粒子分类响应的最大值；步骤2.4.2，令表示t时刻使用子空间学习算法求得的粒子的最小重构误差值；步骤2.4.3，ΔH_t＝|H_t‑H_t‑1|,Δδ_t＝|δ_t‑δ_t‑1|为其对应的一阶差分；步骤2.4.4，如果H_t＞0且δ_t＞40,则t时刻的目标状态为:步骤2.4.5，如果H_t≤0且δ_t≤40，则t时刻的目标状态为:步骤2.4.6，其他情况,如果ΔH_t/H_t‑1＜Δδ_t/δ_t‑1,则否则令步骤3，更新贝叶斯算法和子空间学习算法；所述的步骤3包括下列步骤：步骤3.1，更新CT的分类器；所述的步骤3.1包括下列步骤：步骤3.1.1，根据当前跟踪到的目标状态,计算出t当前时刻正样本和负样本的均值和方差步骤3.1.2，则更新贝叶斯分类器的参数为:$\left\{\begin{array}{c}{\mu }_i^{+}\leftarrow {\mathrm{\lambda \mu }}_i^{+}+1-{\mathrm{\lambda \mu }}_i^{\prime +}\\ {\sigma }_i^{+}=\sqrt{{\mathrm{\lambda \sigma }}_i^{+2}+1-{\mathrm{\lambda \sigma }}_i^{\prime +2}+\lambda 1-{\mathrm{\lambda \mu }}_i^{+}-{{\mu }_i^{\prime +}}^2}\\ {\mu }_i^{-}\leftarrow {\mathrm{\lambda \mu }}_i^{-}+1-{\mathrm{\lambda \mu }}_i^{\prime -}\\ {\sigma }_i^{-}=\sqrt{{\mathrm{\lambda \sigma }}_i^{-2}+1-{\mathrm{\lambda \sigma }}_i^{\prime -2}+\lambda 1-{\mathrm{\lambda \mu }}_i^{-}-{{\mu }_i^{\prime -}}^2}\end{array}\right.$步骤3.2，如果δ_t＜12且Δδ_t＜3则对子空间学习模型进行更新,否则不进行更新；更新子空间学习的策略为:步骤3.2.1，计算其中f＝0.95是遗忘因子,n＝t‑1为已有的训练样本的数量,构建矩阵:计算其中是QR分解的正交矩阵；步骤3.2.2，构建矩阵对于构建的矩阵R根据SVD分解计算得其中U′表示左奇异矩阵,Σ′是对角线元素为奇异值的对角矩阵,V′为右奇异矩阵,则更新子空间学习参数:且Σ＝Σ′；步骤4，判断t时刻是否为最后一帧，是则结束，如果t时刻不是最后一帧则转到步骤2。