基于概率主成分分析和压缩感知的在线目标跟踪方法

摘要

本发明涉及一种基于概率主成分分析和压缩感知的在线目标跟踪方法，将压缩感知理论与PPCA相结合，得到了一个非常简洁的目标特征子空间表示模型，并且使用增量PCA算法在线更新该目标子空间表示模型，使得跟踪算法能够达到很好的实时性。同时我们将PPCA理论运用到计算候选目标与目标子空间表示模型的视觉相似性上，得到了两个距离DFFS和DIFS，而不仅仅是PCA中的重构误差，使得视觉相似性的计算更为准确，这样保证了跟踪算法的准确性。

主权项

一种基于概率主成分分析和压缩感知的在线目标跟踪方法，其特征在于步骤如下：步骤1：在第一帧中标记目标x₁，初始化N个粒子及其权值所述x₁为第一帧中目标图像块的仿射变换参数；步骤2：使用经典粒子滤波算法对前T帧图像跟踪目标，得到初始目标样本集合A＝[y₁,y₂,...,y_T]，A的每一列是这T帧图像中目标图像块的特征表示向量，y_i是高维度的图像特征向量在测量矩阵P上的投影，是压缩了的低维度特征向量；步骤3：对A‑I_A进行SVD分解，得到目标特征子空间的表示模型；步骤4：对当前帧是第t帧的前一帧中粒子按其权值的正比关系进行重采样，再运用高斯运动模型，得到当前帧中粒子步骤5：求出当前帧中粒子对应图像块的特征表示向量${\left\{y_t^i\right\}}_{i=1}^N=P{\left\{x_t^i\right\}}_{i=1}^N$$p_{i,j}=\left\{\begin{array}{cccc}1& with& probabillity& \frac{1}{2s}\\ 0& with& probabillity& 1-\frac{1}{s}\\ -1& with& probabillity& \frac{1}{2s}\end{array}\right.$s＝2or s＝3and i＝1,2,...,L.j＝1,2,...,H其中，取L＝50，H是高维特征向量的维数；步骤6：计算出当前帧中第i个粒子对应图像块的特征表示向量与目标特征子空间的视觉相似性的概率表述将该值作为粒子新的权值然后运用最大后验概率准则MAP准则，得到当前帧中具有最大权值的粒子作为该帧目标的状态估计值以此为对当前帧的跟踪结果；若当前帧是最后一帧，则结束，否则继续执行；步骤7：当已经跟踪的帧数等于m帧时，执行步骤8，否则转到步骤4；其中：m为更新频率，2<m<10；步骤8：以m个跟踪结果得到一个增量矩阵B＝[y_n+1,y_n+2,...,y_n+m]，其中的每一列是这m帧中跟踪到的目标图像块对应的特征表示向量；步骤9：使用增量PCA算法更新得到C＝[C,B]，构成目标特征空间的子空间表示模型；然后重复转到步骤4；其中第一次更新时令C＝[A,B]：增量PCA算法流程如下：输入：当前目标子空间模型U_d,Σ_d,u，增量矩阵B，B的均值I_B，遗忘因子f；输出：新的目标子空间模型a.更新均值：$I_C=\frac{f·n}{f·n+m}u+\frac{m}{f·n+m}{I}_B,$I_C是C的均值；b.令$\bar{B}=[y_{m+1}-I_B,...,y_{m+n}-I_B,\sqrt{\frac{n·m}{m+n}}(I_B-u)];$c.求解其中QR(·)表示QR分解运算；d.令$R=\left[\begin{array}{cc}f·{\Sigma }_d& U_d^T\bar{B}\\ 0& B^{*T}(\bar{B}-U_d{U}_d^T\bar{B})\end{array}\right],$对R进行SVD分解，有e.最后得到$U_d^{*}=[U_d,B^{*}]\bar{U},$${\Sigma }_d^{*}=\bar{\Sigma },u^{*}=I_C.$