主权项 |
一种基于压缩感知的视频目标跟踪方法,其特征在于步骤如下:初始化阶段:步骤A1、对任意一段视频图像中的第t帧标记出目标位置I<sub>t</sub>(w,h),其中w(x<sub>1</sub>,y<sub>1</sub>)与h(x<sub>2</sub>,y<sub>2</sub>)表示目标的两个对角坐标;步骤A2、生成稀疏投影矩阵R<maths num="0001" id="cmaths0001"><math><![CDATA[<mrow><mi>R</mi><mrow><mo>(</mo><msub><mi>r</mi><mi>ij</mi></msub><mo>)</mo></mrow><mo>=</mo><msqrt><mi>s</mi></msqrt><mo>×</mo><mfenced open='{' close=''><mtable><mtr><mtd><mn>1</mn></mtd><mtd><mi>p</mi><mo>=</mo><mfrac><mn>1</mn><mrow><mn>2</mn><mi>s</mi></mrow></mfrac></mtd></mtr><mtr><mtd><mn>0</mn></mtd><mtd><mi>p</mi><mo>=</mo><mn>1</mn><mo>-</mo><mfrac><mn>1</mn><mi>s</mi></mfrac></mtd></mtr><mtr><mtd><mo>-</mo><mn>1</mn></mtd><mtd><mi>p</mi><mo>=</mo><mfrac><mn>1</mn><mrow><mn>2</mn><mi>s</mi></mrow></mfrac></mtd></mtr></mtable></mfenced><mo>,</mo></mrow>]]></math><img file="FDA0000610492640000011.GIF" wi="622" he="417" /></maths>其中的s取2或3;设置参数:学习因子λ,正样本范围α,负样本范围ζ,β,目标检测位置γ;步骤A3、在目标I<sub>t</sub>(w,h)的周围,采样正样本<img file="FDA0000610492640000016.GIF" wi="468" he="97" />和负样本D<sup>ζ,β</sup>={z|ζ<||I(z)‑I<sub>t</sub>||<β},其中α<ζ<β,α,ζ,β初始参数,z表示样本;步骤A4、稀疏投影得到低维样本的特征F=R·D;步骤A5、创建分类器<maths num="0002" id="cmaths0002"><math><![CDATA[<mrow><mi>H</mi><mrow><mo>(</mo><mi>v</mi><mo>)</mo></mrow><mo>=</mo><mi>log</mi><mrow><mo>(</mo><mfrac><mrow><msubsup><mi>Π</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></msubsup><mi>p</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>|</mo><mi>y</mi><mo>=</mo><mn>1</mn><mo>)</mo></mrow><mi>p</mi><mrow><mo>(</mo><mi>y</mi><mo>=</mo><mn>1</mn><mo>)</mo></mrow></mrow><mrow><msubsup><mi>Π</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></msubsup><mi>p</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>|</mo><mi>y</mi><mo>=</mo><mn>0</mn><mo>)</mo></mrow><mi>p</mi><mrow><mo>(</mo><mi>y</mi><mo>=</mo><mn>0</mn><mo>)</mo></mrow></mrow></mfrac><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><mi>log</mi><mrow><mo>(</mo><mfrac><mrow><mi>p</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>|</mo><mi>y</mi><mo>=</mo><mn>1</mn><mo>)</mo></mrow></mrow><mrow><mi>p</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>|</mo><mi>y</mi><mo>=</mo><mn>0</mn><mo>)</mo></mrow></mrow></mfrac><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000610492640000012.GIF" wi="1264" he="164" /></maths>其中:正样本<maths num="0003" id="cmaths0003"><math><![CDATA[<mrow><mi>p</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>|</mo><mi>y</mi><mo>=</mo><mn>1</mn><mo>)</mo></mrow><mo>~</mo><mi>N</mi><mrow><mo>(</mo><msubsup><mi>μ</mi><mi>i</mi><mn>1</mn></msubsup><mo>,</mo><msubsup><mi>σ</mi><mi>i</mi><mn>1</mn></msubsup><mo>)</mo></mrow><mo>,</mo></mrow>]]></math><img file="FDA0000610492640000013.GIF" wi="527" he="99" /></maths>负样本<maths num="0004" id="cmaths0004"><math><![CDATA[<mrow><mi>p</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>|</mo><mi>y</mi><mo>=</mo><mn>0</mn><mo>)</mo></mrow><mo>~</mo><mi>N</mi><mrow><mo>(</mo><msubsup><mi>μ</mi><mi>i</mi><mn>0</mn></msubsup><mo>,</mo><msubsup><mi>σ</mi><mi>i</mi><mn>0</mn></msubsup><mo>)</mo></mrow><mo>,</mo></mrow>]]></math><img file="FDA0000610492640000014.GIF" wi="539" he="96" /></maths>v表示特征向量,y∈{0,1},y=1表示目标,y=0表示背景;跟踪阶段:步骤B1、在t+1帧,采样D<sup>γ</sup>={z|||I(z)‑I<sub>t</sub>||<γ},稀疏投影得到低维特征,I<sub>t</sub>表示t帧的目标位置;步骤B2、使用A5创建的分类器对步骤B1中的样本进行分类,<maths num="0005" id="cmaths0005"><math><![CDATA[<mrow><mi>H</mi><mrow><mo>(</mo><mi>v</mi><mo>)</mo></mrow><mo>=</mo><mi>log</mi><mrow><mo>(</mo><mfrac><mrow><msubsup><mi>Π</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></msubsup><mi>p</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>|</mo><mi>y</mi><mo>=</mo><mn>1</mn><mo>)</mo></mrow><mi>p</mi><mrow><mo>(</mo><mi>y</mi><mo>=</mo><mn>1</mn><mo>)</mo></mrow></mrow><mrow><msubsup><mi>Π</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></msubsup><mi>p</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>|</mo><mi>y</mi><mo>=</mo><mn>0</mn><mo>)</mo></mrow><mi>p</mi><mrow><mo>(</mo><mi>y</mi><mo>=</mo><mn>0</mn><mo>)</mo></mrow></mrow></mfrac><mo>)</mo></mrow><mo>=</mo><munderover><mi>Σ</mi><mrow><mi>i</mi><mo>=</mo><mn>1</mn></mrow><mi>n</mi></munderover><mi>log</mi><mrow><mo>(</mo><mfrac><mrow><mi>p</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>|</mo><mi>y</mi><mo>=</mo><mn>1</mn><mo>)</mo></mrow></mrow><mrow><mi>p</mi><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mo>|</mo><mi>y</mi><mo>=</mo><mn>0</mn><mo>)</mo></mrow></mrow></mfrac><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000610492640000015.GIF" wi="1267" he="165" /></maths>得到最大的H对应的样本认为是目标的最大可能位置I<sub>t+1</sub>(w,h);步骤B3、在目标I<sub>t+1</sub>(w,h)的周围,采样正样本D<sup>α</sup>={z|||I(z)‑I<sub>t+1</sub>||<α}和负样本D<sup>ζ,β</sup>={z|ζ<||I(z)‑I<sub>t+1</sub>||<β},稀疏投影得到低维特征F=R·D;步骤B4、更新分类器参数:<maths num="0006" id="cmaths0006"><math><![CDATA[<mrow><msubsup><mi>μ</mi><mi>i</mi><mn>1</mn></msubsup><mo>←</mo><mi>λ</mi><msubsup><mi>μ</mi><mi>i</mi><mn>1</mn></msubsup><mo>+</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>λ</mi><mo>)</mo></mrow><msup><mi>μ</mi><mn>1</mn></msup></mrow>]]></math><img file="FDA0000610492640000021.GIF" wi="430" he="79" /></maths><maths num="0007" id="cmaths0007"><math><![CDATA[<mrow><msubsup><mi>σ</mi><mi>i</mi><mn>1</mn></msubsup><mo>=</mo><msqrt><mi>λ</mi><msup><mrow><mo>(</mo><msubsup><mi>σ</mi><mi>i</mi><mn>1</mn></msubsup><mo>)</mo></mrow><mn>2</mn></msup><mo>+</mo><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>λ</mi><mo>)</mo></mrow><msup><mrow><mo>(</mo><msup><mi>σ</mi><mn>1</mn></msup><mo>)</mo></mrow><mn>2</mn></msup><mo>+</mo><mi>λ</mi><mrow><mo>(</mo><mn>1</mn><mo>-</mo><mi>λ</mi><mo>)</mo></mrow><msup><mrow><mo>(</mo><msubsup><mi>μ</mi><mi>i</mi><mn>1</mn></msubsup><mo>-</mo><msup><mi>μ</mi><mn>1</mn></msup><mo>)</mo></mrow><mn>2</mn></msup></msqrt></mrow>]]></math><img file="FDA0000610492640000022.GIF" wi="976" he="100" /></maths>其中λ>0表示学习因子;<maths num="0008" id="cmaths0008"><math><![CDATA[<mrow><msup><mi>σ</mi><mn>1</mn></msup><mo>=</mo><msqrt><mfrac><mn>1</mn><mi>n</mi></mfrac><msubsup><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>0</mn><mo>|</mo><mi>y</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>n</mi><mo>-</mo><mn>1</mn></mrow></msubsup><msup><mrow><mo>(</mo><msub><mi>v</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow><mo>-</mo><msup><mi>μ</mi><mn>1</mn></msup><mo>)</mo></mrow><mn>2</mn></msup></msqrt></mrow>]]></math><img file="FDA0000610492640000023.GIF" wi="616" he="152" /></maths><maths num="0009" id="cmaths0009"><math><![CDATA[<mrow><msup><mi>μ</mi><mn>1</mn></msup><mo>=</mo><mfrac><mn>1</mn><mi>n</mi></mfrac><msubsup><mi>Σ</mi><mrow><mi>k</mi><mo>=</mo><mn>0</mn><mo>|</mo><mi>y</mi><mo>=</mo><mn>1</mn></mrow><mrow><mi>n</mi><mo>-</mo><mn>1</mn></mrow></msubsup><msub><mi>v</mi><mi>i</mi></msub><mrow><mo>(</mo><mi>k</mi><mo>)</mo></mrow></mrow>]]></math><img file="FDA0000610492640000024.GIF" wi="431" he="130" /></maths>步骤B5、重复步骤B1至步骤B4,继续进行目标跟踪。 |