基于增量Bi-2DPCA学习和稀疏表示的在线目标跟踪方法
【专利摘要】本发明涉及一种基于增量Bi-2DPCA学习和稀疏表示的在线目标跟踪方法，为了反映目标在跟踪过程中外观变化，提出了一种增量Bi-2DPCA学习算法能够快速而准确的更新目标子空间模型。由于目标在跟踪过程中经常被遮挡和被噪声污染，导致跟踪效果变差，本发明针对该问题，将基于Bi-2DPCA的子空间模型嵌入到稀疏表示框架下。从而最大限度消除了遮挡和噪声对目标定位和目标子空间模型更新带来的干扰。同时，本发明使用了一种新的计算视觉相似性的方法，该方法考虑到了Bi-2DPCA在表示图像时的能量分布，相比经典的重构误差更加准确。跟踪在贝叶斯推论框架下实现，并且使用粒子滤波算法估计目标状态。
【专利说明】 基于增量B1-2DPCA学习和稀疏表示的在线目标跟踪方法
【技术领域】
[0001]本发明涉及一种基于增量B1-2DPCA学习和稀疏表示的在线目标跟踪方法，是一种结合双边二维主成分分析法(Bilateral two-dimensional Principal ComponentAnalysis, Bi_2DPCA)的子空间表示模型和稀疏表示的在线目标跟踪方法。
【背景技术】
[0002]目标跟踪是计算机视觉领域的一个基础性问题。它有着广泛的应用:包括视频监控，行为分析，运动事件检测，以及视频检索等。尽管很多学者在该领域的研究做出了很多的努力，视觉跟踪仍然是一个具有挑战性的研究领域。因为目标的外观在跟踪过程中经常会面临由于光照变化、遮挡、形变、复杂的运动背景等引起的变化。因此，一个好的目标外观模型将对跟踪算法的鲁棒性起到了决定性作用。
[0003]作为一种经典的无监督学习和数据分析技术，主成分分析法(PrincipalComponent Analysis, PCA)有着优秀的特征提取和数据表达能力。基于PCA的目标子空间外观模型能够很好的描述跟踪目标，并且取得较鲁棒的跟踪效果。但是该外观模型，往往需要将2维的目标图像按行或列展开为I维的表示向量，这样就产生了一个非常高维的特征空间。在这个特征空间中，精确的计算其协方差矩阵是很难实现的，计算其特征向量更是非常耗时的事。并且PCA适合处理基于单峰概率模型的样本，使得基于PCA的外观模型的准确性太依赖于样本的概率分布。为了克服PCA的这种缺陷，文献“Bi_2DPCA:A Fast FaceCoding Method for Recognition”提出了基于Bi_2DPCA的图像表示方法,其主要思想是直接对2维的图像数据进行处理而无需将图像装换为I维的向量，该方法构建的协方差矩阵的尺寸很小，使得特征值和特征向量的计算比PCA要简单快速的多。同时该方法取得了比PCA更小的重构误差率和很好的实时性，并且B1-2DPCA有着坚固的理论基础保证其不依赖数据的分布。近来，基于稀疏表示的跟踪方法得到了越来越多的关注，该方法假设目标由一系列目标模板和琐碎模板线性组合而成，通过添加稀疏性约束，得到候选目标的稀疏表示向量。该方法能够很好的处理噪声和遮挡问题，但是实时性不高，并且该方法直接使用目标模板作为稀疏字典的基，不能很好的描述目标特征空间的结构和变化。
[0004]综上所述，可以将Bi_2DPCA优秀的数据表示能力和稀疏表示的抗遮挡和噪声能力相结合，从而达到互补作用。
【发明内容】
[0005]要解决的技术问题
[0006]为了避免现有技术的不足之处，本发明提出一种基于增量B1-2DPCA学习和稀疏表示的在线目标跟踪方法。
[0007]技术方案
[0008]一种基于增量Bi_2DPCA学习和稀疏表示的在线目标跟踪方法，其特征在于步骤如下:[0009]步骤1:在第一帧中标记目标X1, X1为第一帧中目标图像块的仿射变换参数，初始化N个粒子及其权值.[0010]步骤2:前T帧图像使用经典粒子滤波算法跟踪目标，得到初始目标样本集合A =IA1, A2,, AT}，Ai表示第i帧图像中目标图像块矩阵，其大小标准化到mXn ；
[0011]步骤3:对A中元素进行Bi_2DPCA处理，得到如下目标子空间初始模型:
[0012]A e R"r" ； A中元素均值图像；
[0013]L e R_:左变换矩阵，其列向量正交；
[0014]R e Rn^:右变换矩阵，其列向量正交；
[0015]步骤4:输入新一帧图像作为当前帧，并假设当前帧是第t帧。将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;
[0016]步骤5:求出当前帧中粒子丨OfI1对应图像块的外观表示，既标准化到大小为mXn的图像矩阵；
[0017]步骤6:计算出当前帧中粒子 < 对应图像块的外观表示次与目标外观模型(该模型由基于B1-2DPCA的子空间模型嵌入到稀疏表示框架下构成)的视觉相似性的概率p(4\xt)。将该值作为粒子之新的权值，即< =ιΜ\χ.).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<，即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；
[0018]步骤7:判断是否已经跟踪了 M帧，若是，执行步骤8，否则转到步骤4 ;所述M为更新频率，2 < M < 10 ；
[0019]步骤8:由这个M跟踪结果得到一个增量矩阵B = {At+1, At+2,..., At+M}, B中每一元素是新跟踪到的一帧图像中目标图像块的外观表示，其大小标准化为mXn ；
[0020]步骤9:使用增量B1-2DPCA算法更新由C = {C，B}，第一次更新时令C = {A, B}；构建的基于B1-2DPCA的目标子空间表示模型；转到步骤4。
[0021]有益效果
[0022]本发明提出的一种基于增量Bi_2DPCA学习和稀疏表示的在线目标跟踪方法，为了反映目标在跟踪过程中外观变化，提出了一种增量B1-2DPCA学习算法能够快速而准确的更新目标子空间模型。由于目标在跟踪过程中经常被遮挡和被噪声污染，导致跟踪效果变差，本发明针对该问题，将基于M-2DPCA的子空间模型嵌入到稀疏表示框架下。从而最大限度消除了遮挡和噪声对目标定位和目标子空间模型更新带来的干扰。同时，本发明使用了一种新的计算视觉相似性的方法，该方法考虑到了 B1-2DPCA在表示图像时的能量分布，相比经典的重构误差更加准确。跟踪在贝叶斯推论框架下实现，并且使用粒子滤波算法估计目标状态。
[0023]本发明的有益效果是:基于B1-2DPCA的目标子空间表示，具有Bi_2DPCA在图像表示、协方差计算、特征向量和特征值计算等方面的优势，使得跟踪算法迅速而准确。将基于B1-2DPCA的目标子空间表示嵌入稀疏表示框架，可以求出噪声图像，该噪声图像指出了噪声和遮挡出现位置，通过排除这写被污染的像素点，能够指导目标子空间模型的更新，进而很好的处理噪声和遮挡问题。
【专利附图】
【附图说明】
[0024]图1本发明方法流程图【具体实施方式】
[0025]现结合实施例、附图对本发明作进一步描述:
[0026]I)在第一帧中标记目标X1 (X1为第一帧中目标图像块的仿射变换参数)，初始化N个粒子及其权值，wI = ；
[0027]2)前T帧图像使用经典粒子滤波算法跟踪目标，得到初始目标样本集合A =IA1, A2,, AT}，Ai表示第i帧图像中目标图像块矩阵，其大小被标准化到mXn ；
[0028]3)计算A的协方差矩阵Gr =?>,-(4-])，其中I为A中元素均值。
对Gt进行特征值分解(EVD)，取其前q个较大特征值4对应的特征向量构
成右变换矩阵尽。将A中元素在Rt上投影，得到:P = ART。计算Pt的协方差矩阵
ft，对F进行特征值分解(EVD)，取其前P个较大特征值& > f ^ 对应的
特征向量构成左变换矩阵Lt e R_。目标子空间模型即为:以石为中心，以LT，Rt为跨度的子空间；
[0029]4)输入新的一帧图 像作为当前帧，并假设当前帧为第t帧。将前一帧图像中粒子 按其权值的正比关系进行重采样，再运用高斯运动模型，求出当前帧中粒子
状态参数。即将重采样后的粒子加上一个服从高斯分布的随机扰动。一般有高斯运动
模型:Λ',~N、x,、xt—v^x)，其中Σχ是一个对角阵，对角线上元素表示仿射变换参数的方差；
[0030]5)求出当前帧中粒子{<}；!,对应的图像块的外观表示，既标准化到大小为mXn的图像矩阵{4広1;
[0031]6)对当前帧中粒子< 对应图像块的外观表示4通过目标的外观模型进行表述。
本发明使用一对系数矩阵(EiWi)来表示候选目标的外观表示片，(￡；.0满足如下基于稀疏表不的最优问题:
[0032](￡?argmin 4 -為-A现f -e ,+44⑴
E,e2
[0033]其中，E e Rp' e e Rmftl Z是当前时刻的均值，Lt是当前时刻子空间模型的左变换矩阵，Rt是当前时刻的右变换矩阵，λ是一个平衡噪声图像e的稀疏性和重构误差大小的因子。本发明使用迭代算法求解(I)式的最优问题。通过(Ei, e,)可以求解粒子之对应图像块的外观表示^与目标外观模型的视觉相似性的概率P(A I Xi)，即V = I xj。有:
【权利要求】
1.一种基于增量B1-2DPCA学习和稀疏表示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, X1为第一帧中目标图像块的仿射变换参数，初始化N个粒子及其权值K' 步骤2:前T帧图像使用经典粒子滤波算法跟踪目标，得到初始目标样本集合A =IA1, A2,, AT}，Ai表示第i帧图像中目标图像块矩阵，其大小标准化到mXn ； 步骤3:对A中元素进行B1-2DPCA处理，得到如下目标子空间初始模型: AeRm*n: A中元素均值图像； L e R_:左变换矩阵，其列向量正交； R e Rn^:右变换矩阵，其列向量正交； 步骤4:输入新一帧图像作为当前帧，并假设当前帧是第t帧。将前一帧中粒子按其权值{AG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Wli1; 步骤5:求出当前帧中粒 子IdiI1对应图像块的外观表示，既标准化到大小为mXn的图像矩阵{O 二； 步骤6:计算出当前帧中粒子<对应图像块的外观表示4与目标外观模型(该模型由基于B1-2DPCA的子空间模型嵌入到稀疏表示框架下构成)的视觉相似性的概率P(XU)。将该值作为粒子;c丨新的权值，即< =P^, I^)；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<，即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:判断是否已经跟踪了 M帧，若是，执行步骤8，否则转到步骤4 ;所述M为更新频率，2 < M < 10 ; 步骤8:由这个M跟踪结果得到一个增量矩阵B = {At+1, At+2,...，At+M}, B中每一元素是新跟踪到的一帧图像中目标图像块的外观表示，其大小标准化为mXn ； 步骤9:使用增量B1-2DPCA算法更新由C = {C，B}，第一次更新时令C = {A, B};构建的基于B1-2DPCA的目标子空间表示模型；转到步骤4。
【文档编号】G06T7/20GK103473790SQ201310386076
【公开日】2013年12月25日 申请日期:2013年8月29日 优先权日:2013年8月29日
【发明者】李映, 宋旭, 李鹏程 申请人:西北工业大学