基于动态形状码本学的水平集跟踪方法

摘要

本发明公开了一种基于动态形状码本学的水平集跟踪方法，建立基于非负矩阵分解的形状先验模型，得到基矩阵，基矩阵中的每个列向量作为一个形状码字；对测试图像根据底层特征得到底层轮廓，计算底层轮廓和基矩阵之间的残差，如果残差小于预设阈值，则将底层轮廓作为轮廓跟踪结果；残差大于等于预设阈值，则对底层轮廓进行形状约束下的轮廓进化，从而得到更为准确的轮廓跟踪结果；将轮廓跟踪结果作为新的形状训练样本加入形状先验模型，对基矩阵进行动态在线更新。本发明应用于序列图像的目标跟踪，对采用底层特征得到的底层轮廓引入形状先验，使底层轮廓进一步在形状约束下进化，可减少噪音、遮挡等因素的影响，提高跟踪结果的准确度和鲁棒性。

主权项

一种基于动态形状码本学习的水平集跟踪方法，其特征在于，包括以下步骤：S1：根据若干个形状训练样本构建形状m×n训练样本矩阵X，其中n为形状训练样本的个数，形状训练样本矩阵X的每一列为形状训练样本向量化得到的归一化的m×1的列向量，采用非负矩阵分解方法对形状训练样本矩阵X分解得到m×p的基矩阵W，p是预设的分解得到的基向量个数；将基矩阵W作为形状码本，其中每个列向量为一个形状码字，形状码字的个数为p；S2：根据测试图像的底层特征采用水平集方法对测试图像进行轮廓进化，得到底层轮廓Φ_a；S3：采用非负最小二乘法计算步骤S2得到的底层轮廓Φ_a与步骤S1得到的基矩阵W之间的残差其中是将底层轮廓Φ_a进行向量化得到的列向量，c是非负系数，通过求解最小化下述问题得到：$\begin{array}{ccc}\underset{c}{min}\left|\right|V_{{\Phi }_a}-W·c|{|}_2& s.t.& c\ge 0\end{array}$S4：预设残差阈值T，如果r≥T，进入步骤S5，如果r＜T，将测试图像的底层轮廓Φ_a作为轮廓跟踪结果Φ_f，进入步骤S6；S5：重构形状模板将转换成矩阵形式，计算其水平集函数，并和Φ_a进行配准生成形状速度场Φ_m，根据形状速度场Φ_m采用水平集方法进行轮廓进化，得到测试图像的轮廓跟踪结果Φ_f，轮廓进化方程为：$\frac{{\Phi }_t-{\Phi }_{t-1}}{\Delta t}=F_{shape}·|▿{\Phi }_{t-1}|$$F_{shape}=-2({\Phi }_{t-1}-{\Phi }_m)(1-e^{\frac{-{({\Phi }_a-{\Phi }_m)}^2}{2{\sigma }^2}})$其中，Φ_t是第t次迭代的水平集函数，Φ_t‑1是第t‑1次迭代的水平集函数，水平集函数的初始值Φ₀是底层轮廓Φ_a；是Φ_t‑1的梯度范数；σ是控制指数函数收敛速度的参数；S6：将测试图像的轮廓跟踪结果作为新增形状训练样本对形状码本进行更新，当新增形状训练样本积累至q个时更新一次；将q个新增形状训练样本列向量化后构建新增形状训练样本矩阵U，构建矩阵对矩阵进行非负矩阵分解，分解得到的基向量个数p与步骤S1相同，得到：新的基矩阵的更新公式为其中Λ_p为预设的p×p的权重矩阵，由矩阵H^*的前p个列向量组成，由矩阵H^*的后q个列向量组成；将更新得到的用于后续测试图像的形状重构。