基于pca和噪声分离的在线视频跟踪方法
【技术领域】
[0001] 本发明涉及一种计算机视觉领域中的目标跟踪方法，尤其是一种可相对提高计算 精度及速度的基于PCA (Principal components analysis,主成分分析）和噪声分离的在 线视频跟踪方法。
【背景技术】
[0002] 目前，基于视频的目标跟踪已应用于现代化军事、智能视频监控、智能交通、智能 视觉导航、人机交互等领域。传统跟踪方法更多地局限于在可控条件下对特定目标进行跟 踪，而现有的目标跟踪方法大多为对现实场景中的任意目标进行跟踪的在线视觉跟踪。在 线视觉跟踪方法的实用性更强，但是由于现实场景和被跟踪目标的复杂性，如目标姿态、形 状等内在变化以及光照、运动模糊、遮挡、背景杂乱等外在因素，实现在线视觉跟踪存在诸 多挑战。现有的在线视频跟踪方法根据基本原理和技术一般可分为三大类：基于状态估计 的跟踪算法、基于分类器的跟踪算法和基于模板匹配的跟踪算法。
[0003] 与本发明最接近的现有技术是基于模板匹配的跟踪算法，该类算法一般利用特征 直方图、灰度像素模板和特征子空间作为目标模板，跟踪过程中，该类算法在候选目标区域 内寻找与目标模板相似度最大或聚类最小的图像区域。Lucas和Kanade等人在论文An iterative image registration technique with an application to stereo vision 中提出了一种迭代图像配准算法Lucas-Kanade算法，该算法是光流跟踪算法的基础，其 优点在光照恒定情况下对刚性目标处理速度快，缺点在于不能够很好地处理目标的光照、 姿态及遮挡的变化。Li 等人在论文 Robust Registration-based tracking by sparse representation with model update中提出了基于稀疏表不的Lucas-Kanade算法，试图利 用稀疏表示模型来刻画目标在跟踪过程中的变化，但是由于该算法对异常噪声没有进行显 示地分析和讨论，在处理遮挡等挑战时效果仍不理想。
[0004] 在计算机视觉和模式识别的很多问题中，通常观测噪声会被假设为服从某种分 布的单一噪声。例如主成分分析（PCA)算法假设样本数据的观测噪声服从等方差的多 维高斯分布，通过选择能够最大化方差的投影方向作为样本的主成分。Ross等人在论文 Incremental learning for robust visual tracking 中提出了一种增量子空间跟踪算法， 可以在线学习一个PCA子空间来适应目标光照和姿态的变化，该算法能够很好地处理目标 旋转、尺度和光照变化。但在出现局部遮挡或损毁等异常噪声时，就无法利用单一噪声同时 考虑目标正常变化和异常噪声。最近，Ayvaci等人在论文Decomposing and regularizing sparse/non-sparse components for motion field estimation 中的运动估计问题中将匹 配误差分解为两部分：高斯噪声和稀疏噪声。随后，Chen等人在论文Occlusion detection and motion estimation with convex optimization中的运动估计问题中同时对匹配误差 和正则化项做了相似的拆分，取得了不错的效果。但是，迄今为止还没有关于基于PCA和噪 声分离的在线视频跟踪方法的相关报道。
【发明内容】
[0005] 本发明是为了解决现有技术所存在的上述技术问题，提供一种可相对提高计算精 度及速度的基于PCA和噪声分离的在线视频跟踪方法。
[0006] 本发明的技术解决方案是：一种基于PCA和噪声分离的在线视频跟踪方法，其特 征在于依次按照如下步骤进行： 步骤1 :采集第一帧图像，初始化变换参数； 步骤2 :PCA空间建模，初始化基向量和均值； 步骤3:采集下一帧图像； 步骤4 :根据变换参数抠取图像； 步骤5 :根据PCA基向量和均值计算表示系数和异常噪声； 步骤6 :Lucas_Kanade算法计算新的变换参数； 步骤7 :判断循环迭代是否收敛？是，更新并输出变换参数，更新PCA基向量和均值，返 回步骤3 ;否，返回至步骤4。
[0007] 所述步骤2是在第一帧图像中抠取目标图像，在目标图像周围收集样本，利用PCA 子空间建立模3
【主权项】
1. 一种基于PCA和噪声分离的在线视频跟踪方法，其特征在于依次按照如下步骤进 行： 步骤1 :采集第一帧图像，初始化变换参数； 步骤2 :PCA空间建模，初始化基向量和均值； 步骤3:采集下一帧图像； 步骤4 :根据变换参数抠取图像； 步骤5 :根据PCA基向量和均值计算表示系数和异常噪声； 步骤6 :Lucas_Kanade算法计算新的变换参数； 步骤7 :判断循环迭代是否收敛？是，更新并输出变换参数，更新PCA基向量和均值，返 回步骤3 ;否，返回至步骤4。
2. 根据权利要求1所述基于PCA和噪声分离的在线视频跟踪方法，其特征在于所述 步骤2是在第一帧图像中抠取目标图像，在目标图像周围收集样本，利用PCA子空间建立 模型7? P十[X = P十X1O1十---+ΧΛ，其中，为待观测的样本，为均值向量， Γ =IulrIi::…為】el5"为PCA的基向量，X = X:，,,,,X:」e JT:为表示系数。
3. 根据权利要求2所述基于PCA和噪声分离的在线视频跟踪方法，其特征在于所述步 骤5是按照目标函数
求解表示系数X和异常噪声，式中e为稀疏异 常噪声：
b预设定的正则化参数；
给定最优的'，最优的^由映射操作获得 ;给定最优的^，最优的，由软阈值操作获得，即SJ|y-|i-[Vy，所述为软阈值函 数S:_ ix:) = max(|r|-2=0+:|sgii(x)，其中 sgn(x)为符号函数。
4. 根据权利要求3所述基于PCA和噪声分离的在线视频跟踪方法，其特征在 于所述步骤6是根据Lucas-Kanade算法获得dp的高斯-牛顿迭代梯度下降形式：
式中： ΔΡ为变换参数变量；H是海森矩阵；是图像梯度；疒@)是与μ + ΙΓχ + e对应的图像 块；J (w(z，p))是与y(w(z，p)对应的图像块，其中Wp表示仿射变换，ζ是变换前图像坐 标，P是存储的变换参数。
【专利摘要】本发明公开一种可相对提高计算精度及速度的基于PCA和噪声分离的在线视频跟踪方法，依次按照如下步骤进行：步骤1：采集第一帧图像，初始化变换参数；步骤2：PCA空间建模，初始化基向量和均值；步骤3：采集下一帧图像；步骤4：根据变换参数抠取图像；步骤5：根据PCA基向量和均值计算表示系数和异常噪声；步骤6：Lucas-Kanade算法计算新的变换参数；步骤7：判断循环迭代是否收敛，是，更新并输出变换参数，更新PCA基向量和均值，返回步骤3；否，返回至步骤4。
【IPC分类】G06T5-00, G06T7-00
【公开号】CN104751448
【申请号】CN201510081852
【发明人】薄纯娟, 王爱芹, 龚涛, 赵丹
【申请人】大连民族学院
【公开日】2015年7月1日
【申请日】2015年2月15日