本發(fā)明屬于計算機視覺和模式識別領(lǐng)域,尤其涉及一種基于貝葉斯學習和增量子空間學習的目標跟蹤方法。
背景技術(shù)：
：目標跟蹤在實時監(jiān)控,運動捕捉,視頻分析和娛樂等領(lǐng)域有著廣泛的應用,是計算機視覺中最為活躍的領(lǐng)域之一。近年來國內(nèi)外有大量的跟蹤算法被開發(fā)出來,但是由于目標本身的信息不足,以及光照變化、遮擋、目標旋轉(zhuǎn)等各種因素的影響,開發(fā)出具有魯棒效果的跟蹤算法仍然是一項具有挑戰(zhàn)性的研究課題。無模型的目標跟蹤僅給出目標在第1幀中的位置,跟蹤算法負責在余下的視頻序列中找出目標的位置。目前有大量的算法關(guān)注目標的靜態(tài)外觀模型,但是由于目標信息的不足,當目標遭受劇烈形變的時候回跟蹤失敗。自適應外觀模型的跟蹤算法通常在跟蹤過程中動態(tài)根性分類器,能夠適應目標新的變化,具有更好的魯棒性,已經(jīng)成為當前目標跟蹤研究的主流方向。隨著今年來機器學習的發(fā)展,大量的機器學習算法被應用到目標跟蹤上來。根據(jù)外觀模型的不同,跟蹤算法可以分為判別模型和產(chǎn)生模型兩大類。判別模型跟蹤算法將跟蹤問題看成分類問題,它使用訓練樣本訓練分類器將目標和背景分開,然后再候選樣本中選擇具有最大分類相應的樣本作為目標。產(chǎn)生模型跟蹤算法通過訓練樣本學習到目標的外觀,然后再候選樣本中選擇重構(gòu)誤差最小的樣本作為目標。在產(chǎn)生模型的跟蹤算法中一般使用粒子濾波跟蹤框架,它不受系統(tǒng)滿足線性和高斯分布的限制,能夠處理多峰問題,并且使用靈活易于實現(xiàn)。一般來說,如果目標的外觀變化不大,生成算法能夠得到更準確的目標位置。但是,當目標所處于的環(huán)境比較復雜時,判別算法能夠得到更魯棒的跟蹤結(jié)果。這是由于判別算法使用了背景信息避免跟蹤漂移。技術(shù)實現(xiàn)要素：為了解決上述問題,本發(fā)明提出了混合一種判別模型算法和一種生成模型算法。在跟蹤過程中,這兩種子算法分別產(chǎn)生一個跟蹤結(jié)果,本發(fā)明定義了這兩個候選跟蹤結(jié)果的可信度度量,最終算法選擇可信度最高的算法作為跟蹤結(jié)果。當跟蹤結(jié)果不準確時,背景信息以誤差的形式被引入到目標的模型更新中,從而造成跟蹤漂移。為了解決這一問題,當跟蹤結(jié)果的可信度降低時,通過降低判別算法的學習率和暫停更新產(chǎn)生模型算法來避免引入更多的噪聲.克服了目標在遭受遮擋和巨大形變后跟蹤漂移的問題。本發(fā)明采用如下的技術(shù)方案，一種基于貝葉斯學習和增量子空間學習的目標跟蹤方法，包括下列步驟：步驟1，初始化；所述的初始化包括下列步驟；步驟1.1，初始化第一幀目標位置；令t＝1表示進入第1幀，用矩形框標注出目標的初始位置Rg＝gx,gy,gw,gh,其中g(shù)x,gy表示目標矩形框的中心位置坐標,gw,gh是目標矩形框的寬和高；步驟1.2，初始化粒子和運動參數(shù)；令表示描述粒子狀態(tài)的向量變量,上標(i)表示第i個粒子,表示粒子所表示的x和y方向的位置坐標,表示粒子所表示的方框在x和y方向的尺度；初始化粒子的狀態(tài)為:則粒子所表示的矩形框可以表示為:令表示t時刻的目標的狀態(tài)向量,并將其初始化為當跟蹤進行時,粒子的每一維都會以其當前狀態(tài)為中心做隨機運動；假設(shè)粒子的運動變化量服從均值為0協(xié)方差矩陣為Ω的正態(tài)分布,即其中Ω＝diagσx，σy，σw，σh是一個對角矩陣,σx,σy表示粒子在x,y方向運動的標準差,σw,σh表示粒子在寬度和高度變化率上的標準差；步驟1.3，初始化均值類哈爾特征模板；從粒子或者樣本中提取第i個類哈爾特征的公式為:其中x′ij表示在x所表示的矩形框內(nèi)隨機選取的小矩形框，sumx′ij為x′ij所表示的矩形框內(nèi)所有像素的灰度值之和，pixnx′ij為x′ij所表示的矩形框內(nèi)像素的個數(shù)，wij是0～1之間的隨機權(quán)值，如果目標的尺度發(fā)生變化,當使用該模板提取樣本特征時,x′ij所表示的小矩形框也要成比例地變化,ni表示第i個類哈爾特征中包含的小矩形框數(shù)量；步驟1.4初始化貝葉斯分類器；步驟1.5初始化增量子空間學習算法的參數(shù)；為樣本均值,其中為從所表示的矩形框中提取的特征；步驟2，目標跟蹤；步驟2.1，令t＝t+1更新時間參數(shù),讀取新一幀圖像.粒子進行移動并更新粒子參數(shù)步驟2.2，使用貝葉斯分類器對步驟2.1移動后的粒子進行分類,分類值最高的粒子作為貝葉斯分類器跟蹤到的目標狀態(tài)其中H(·)表示貝葉斯分類器函數(shù),表示粒子的分類器響應值；步驟2.3，使用增量學習算法對目標進行跟蹤；定義其中表示第t幀的第i個粒子,I(x)是一個特征提取函數(shù),它的作用是將x對應的圖像塊拉伸成列向量,為樣本均值；則粒子在子空間中的坐標為，其中表示樣本在子空間中坐標分布方差的無偏估計,(∑是一個對角矩陣,與1.5相同)；U是一個矩陣,其每一列表示子空間的一個基向量；y(·)是本發(fā)明定義的一個函數(shù)；則粒子的重構(gòu)誤差為:最終根據(jù)重構(gòu)誤差選擇第t時刻的跟蹤結(jié)果為:步驟2.4，對結(jié)果進行選擇,得出當前幀的目標狀態(tài)；所述的步驟2.4包括下列步驟：步驟2.4.1，令表示t時刻使用貝葉斯跟蹤算法求得的粒子分類響應的最大值；步驟2.4.2，令表示t時刻使用子空間學習算法求得的粒子的最小重構(gòu)誤差值；步驟2.4.3，ΔHt＝|Ht-Ht-1|，Δδt＝|δt-δt-1|為其對應的一階差分；步驟2.4.4，如果Ht＞0且δt＞40,則t時刻的目標狀態(tài)為:步驟2.4.5，如果Ht≤0且δt≤40,則t時刻的目標狀態(tài)為:步驟2.4.6，其他情況,如果ΔHt/Ht-1＜Δδt/δt-1，則否則令步驟3，更新貝葉斯算法和子空間學習算法；所述的步驟3包括下列步驟：步驟3.1，更新CT的分類器；所述的步驟3.1包括下列步驟：步驟3.1.1，根據(jù)當前跟蹤到的目標狀態(tài),計算出t當前時刻正樣本和負樣本的均值和方差步驟3.1.2，則更新貝葉斯分類器的參數(shù)為:μi+←λμi++1-λμi′+σi+=λσi+2+1-λσi′+2+λ1-λμi+-μi′+2μi-←λμi-+1-λμi′-σi-=λσi-2+1-λσi′-2+λ1-λμi--μi′-2]]>步驟3.2，如果δt＞12且Δδt＜3則對子空間學習模型進行更新,否則不進行更新；更新子空間學習的策略為:步驟3.2.1，計算其中f＝0.95是遺忘因子,n＝t-1為已有的訓練樣本的數(shù)量,構(gòu)建矩陣:計算其中是QR分解的正交矩陣；步驟3.2.2，構(gòu)建矩陣對于構(gòu)建的矩陣R根據(jù)SVD分解計算得其中U′表示左奇異矩陣,Σ′是對角線元素為奇異值的對角矩陣,V′為右奇異矩陣,則更新子空間學習參數(shù):且Σ＝Σ′；步驟4，判斷t時刻是否為最后一幀，是則結(jié)束，如果t時刻不是最后一幀則轉(zhuǎn)到步驟2。所述的步驟1.4初始化貝葉斯分類器包括下列步驟：步驟1.4.1，提取正樣本:在當前目標位置的周圍采集正樣本集合其中，lx是返回樣本x的中心位置坐標,表示樣本x與t時刻目標位置的距離,α為采樣半徑；步驟1.4.2，提取負樣本:在當前目標位置周圍同心圓范圍內(nèi)采集負樣本集合其中rin為采樣同心圓的內(nèi)半徑,ron為采樣同心圓的外半徑；步驟1.4.3，正負樣本的特征服從高斯分布,則正樣本集中第i個特征的后驗概率密度服從其中y＝1表示正樣本標簽,xj∈X+表示正樣本集第i個特征的均值,表示正樣本集第i個特征的標準差,N表示正樣本的數(shù)量；負樣本集中第i個特征的后驗概率密度服從其中y＝0表示負樣本標簽表示負樣本集第i個特征的均值,,xj∈X-表示負樣本集中第i特征的標準差,L表示負樣本的數(shù)量；步驟1.4.4，貝葉斯的分類器為:其中nf表示從候選樣本中提取的類哈爾特征的數(shù)量,p(fi(x)|y＝0)表示樣本x的第i個特征屬于負樣本的概率,p(fi(x)|y＝1)表示樣本x的第i個特征屬于正樣本的概率。所述的步驟1.5中，從矩形框中提取特征的具體提取方法為:將x*所表示的矩形框中進行降采樣至32×32的像素塊,然后將此像素塊按列像素排列成一個1024行的列向量.初始化U＝1,0,0,...T,Σ＝0.其中U是一個列正交的單位矩陣,其每一列表示子空間的基坐標,Σ是一個對角矩陣。所述的步驟3.1.1中，計算出t當前時刻正樣本和負樣本的均值和方差使用步驟1.4.1至1.4.3的方法計算得出。本發(fā)明的有益效果是：一種基于貝葉斯學習和增量子空間學習的目標跟蹤方法，混合兩種子算法分別產(chǎn)生一個跟蹤結(jié)果,本發(fā)明定義了這兩個候選跟蹤結(jié)果的可信度度量,最終算法選擇可信度最高的算法作為跟蹤結(jié)果；本發(fā)明通過降低判別算法的學習率和暫停更新產(chǎn)生模型算法來避免引入更多的噪聲.克服了目標在遭受遮擋和巨大形變后跟蹤漂移的問題。附圖說明圖1為本發(fā)明流程圖。具體實施方式如圖1，一種基于貝葉斯學習和增量子空間學習的目標跟蹤方法，包括下列步驟：步驟1，初始化；所述的初始化包括下列步驟；步驟1.1，初始化第一幀目標位置；令t＝1表示進入第1幀，用矩形框標注出目標的初始位置Rg＝gx,gy,gw,gh,其中g(shù)x,gy表示目標矩形框的中心位置坐標,gw,gh是目標矩形框的寬和高；步驟1.2，初始化粒子和運動參數(shù)；令表示描述粒子狀態(tài)的向量變量,上標(i)表示第i個粒子,表示粒子所表示的x和y方向的位置坐標,表示粒子所表示的方框在x和y方向的尺度；初始化粒子的狀態(tài)為:則粒子所表示的矩形框可以表示為:令表示t時刻的目標的狀態(tài)向量,并將其初始化為當跟蹤進行時,粒子的每一維都會以其當前狀態(tài)為中心做隨機運動；假設(shè)粒子的運動變化量服從均值為0協(xié)方差矩陣為Ω的正態(tài)分布,即其中Ω＝diagσx,σy,σw,σh是一個對角矩陣,σx,σy表示粒子在x,y方向運動的標準差,σw,σh表示粒子在寬度和高度變化率上的標準差；步驟1.3，初始化均值類哈爾特征模板；從粒子或者樣本中提取第i個類哈爾特征的公式為:其中x′ij表示在x所表示的矩形框內(nèi)隨機選取的小矩形框，sumx′ij為x′ij所表示的矩形框內(nèi)所有像素的灰度值之和，pixnx′ij為x′ij所表示的矩形框內(nèi)像素的個數(shù)，wij是0～1之間的隨機權(quán)值，如果目標的尺度發(fā)生變化,當使用該模板提取樣本特征時,x′ij所表示的小矩形框也要成比例地變化,ni表示第i個類哈爾特征中包含的小矩形框數(shù)量；步驟1.4初始化貝葉斯分類器；所述的步驟1.4初始化貝葉斯分類器包括下列步驟：步驟1.4.1，提取正樣本:在當前目標位置的周圍采集正樣本集合其中，lx是返回樣本x的中心位置坐標,表示樣本x與t時刻目標位置的距離,α為采樣半徑；步驟1.4.2，提取負樣本:在當前目標位置周圍同心圓范圍內(nèi)采集負樣本集合其中rin為采樣同心圓的內(nèi)半徑,ron為采樣同心圓的外半徑；步驟1.4.3，正負樣本的特征服從高斯分布,則正樣本集中第i個特征的后驗概率密度服從其中y＝1表示正樣本標簽,xj∈X＋表示正樣本集第i個特征的均值,表示正樣本集第i個特征的標準差,N表示正樣本的數(shù)量；負樣本集中第i個特征的后驗概率密度服從其中y＝0表示負樣本標簽表示負樣本集第i個特征的均值,,xj∈X－表示負樣本集中第i特征的標準差,L表示負樣本的數(shù)量；步驟1.4.4，貝葉斯的分類器為:其中nf表示從候選樣本中提取的類哈爾特征的數(shù)量,p(fi(x)|y＝0)表示樣本x的第i個特征屬于負樣本的概率,p(fi(x)|y＝1)表示樣本x的第i個特征屬于正樣本的概率。步驟1.5初始化增量子空間學習算法的參數(shù)；為樣本均值,其中I為從所表示的矩形框中提取的特征；從矩形框中提取特征的具體提取方法為:將x*所表示的矩形框中進行降采樣至32×32的像素塊,然后將此像素塊按列像素排列成一個1024行的列向量.初始化U＝1,0,0,...T,Σ＝0.其中U是一個列正交的單位矩陣,其每一列表示子空間的基坐標,Σ是一個對角矩陣。步驟2，目標跟蹤；步驟2.1，令t＝t+1更新時間參數(shù)，讀取新一幀圖像.粒子進行移動并更新粒子參數(shù)步驟2.2，使用貝葉斯分類器對步驟2.1移動后的粒子進行分類,分類值最高的粒子作為貝葉斯分類器跟蹤到的目標狀態(tài)其中H(·)表示貝葉斯分類器函數(shù),表示粒子的分類器響應值；步驟2.3，使用增量學習算法對目標進行跟蹤；定義其中表示第t幀的第i個粒子,I(x)是一個特征提取函數(shù),它的作用是將x對應的圖像塊拉伸成列向量,為樣本均值；則粒子在子空間中的坐標為，其中表示樣本在子空間中坐標分布方差的無偏估計,(Σ是一個對角矩陣,與1.5相同)；U是一個矩陣,其每一列表示子空間的一個基向量；y(·)是本發(fā)明定義的一個函數(shù)；則粒子的重構(gòu)誤差為:最終根據(jù)重構(gòu)誤差選擇第t時刻的跟蹤結(jié)果為:步驟2.4，對結(jié)果進行選擇,得出當前幀的目標狀態(tài)；所述的步驟2.4包括下列步驟：步驟2.4.1，令表示t時刻使用貝葉斯跟蹤算法求得的粒子分類響應的最大值；步驟2.4.2，令表示t時刻使用子空間學習算法求得的粒子的最小重構(gòu)誤差值；步驟2.4.3，ΔHt＝|Ht-Ht-1|Δδt＝|δt-δt-1|為其對應的一階差分；步驟2.4.4，如果Ht＞0且δt＞40,則t時刻的目標狀態(tài)為：步驟2.4.5，如果Ht≤0且δt≤40,則t時刻的目標狀態(tài)為：步驟2.4.6，其他情況,如果ΔHt/Ht-1＜Δδt/δt-1，則否則令步驟3，更新貝葉斯算法和子空間學習算法；所述的步驟3包括下列步驟：步驟3.1，更新CT的分類器；所述的步驟3.1包括下列步驟：步驟3.1.1，根據(jù)當前跟蹤到的目標狀態(tài),計算出t當前時刻正樣本和負樣本的均值和方差使用步驟1.4.1至1.4.3的方法計算得出。步驟3.1.2，則更新貝葉斯分類器的參數(shù)為：μi+←λμi++1-λμi′+σi+=λσi+2+1-λσi′+2+λ1-λμi+-μi′+2μi-←λμi-+1-λμi′-σi-=λσi-2+1-λσi′-2+λ1-λμi--μi′-2]]>步驟3.2，如果δt＜12且δt＜3則對子空間學習模型進行更新,否則不進行更新；更新子空間學習的策略為：步驟3.2.1，計算其中f＝0.95是遺忘因子,n＝t-1為已有的訓練樣本的數(shù)量,構(gòu)建矩陣：計算其中是QR分解的正交矩陣；步驟3.2.2，構(gòu)建矩陣對于構(gòu)建的矩陣R根據(jù)SVD分解計算得其中U′表示左奇異矩陣,Σ′是對角線元素為奇異值的對角矩陣,V′為右奇異矩陣,則更新子空間學習參數(shù):且Σ＝Σ′；步驟4，判斷t時刻是否為最后一幀，是則結(jié)束，如果t時刻不是最后一幀則轉(zhuǎn)到步驟2。當前第1頁1 2 3