一种基于高阶偏最小二乘法的目标跟踪算法
【专利摘要】本发明公开了一种基于高阶偏最小二乘法的目标跟踪算法，包括初始化阶段、训练阶段、测试阶段，和更新阶段。本发明以二维张量来表示图像块，保存了该图像块内在的空间结构信息，同时，本发明综合了多个时序的图像块及其类别来建立高阶张量，并以偏最小二乘法来分析该高阶张量与其类别矩阵的关联之处，使目标跟踪算法的性能大大提高。
【专利说明】一种基于高阶偏最小二乘法的目标跟踪算法【技术领域】
[0001]本发明涉及信息【技术领域】中的计算机视觉和模式识别方向，特别涉及一种基于高阶偏最小二乘法的目标跟踪算法。
【背景技术】
[0002]随着监控摄像头安装数量的日益增多，以及平安城市和公共安全需求的日益增长，采用人工的视频监控方式已经远远不能满足需要，因此智能视频监控技术应运而生并迅速成为一个研究热点。智能视频监控技术是一个跨领域的研究方向，它的研究内容丰富，应用领域广泛多样。一般而言，智能视频监控研究中对视频图像的处理可以分为底层、中层、以及高层三个层次。其中目标跟踪算法是智能视频监控技术中层分析阶段的核心组成部件，其目的是获得运动目标的活动时间、位置、运动方向、运动速度、大小、表观(颜色、形状、纹理)等信息。虽然目标跟踪算法的研究已经持续了很多年，研究者们提出了各种各样的跟踪方法；但是目标跟踪在实际应用中遇到的很多难点问题依然没有得到很好的解决，例如光照突变、遮挡、姿态/视角变化、相似物体与杂乱背景干扰等。
【发明内容】
[0003]本发明的目的在于克服现有技术之不足，提供一种基于高阶偏最小二乘法的目标跟踪算法，以二维张量来表示图像块，保存了该图像块内在的空间结构信息，同时，本发明综合了多个时序的图像块及其类别来建立高阶张量，并以偏最小二乘法来分析该高阶张量与其类别矩阵的关联之处，使目标跟踪算法的性能大大提高。
[0004]本发明解决其技术问题所采用的技术方案为:一种基于高阶偏最小二乘法的目标跟踪算法，包括初始化阶段、训练阶段、测试阶段，和更新阶段；
[0005]所述初始化阶段包括:指定一个目标物体，并设定以该目标物体的中心为中心的η-l种不同相对方位为该目标物体的η-l种非目标方位；将当前时刻记为t时刻，并提取从t-m时刻到t时刻的m帧图像，其中m为一个预先设定的正整数；针对所提取的每一帧图像，人为找到该图像中的目标物体，以该目标物体的中心为中心截取包含该目标物体的I个第一图像块，之后分别以该目标物体的η-l种非目标方位为中心截取η-l个第二图像块，其中η为一个预先设定的大于I的正整数；所有第一图像块和所有第二图像块的大小均一致；将所截取的每个第一图像块和每个第二图像块均用一个I1X I2的特征矩阵表示，I1和I2均为一个预先设定的正整数；将当前的m个第一图像块组成一个图像集，并记为目标图像集；将当前以同一种非目标方位为中心的第二图像块组成一个图像集，并记为非目标图像集，得到η-l个非目标图像集；将t时刻的一帧图像中目标物体的中心位置设为当前位置；然后转入训练阶段；
[0006]所述训练阶段包括:
[0007]Al、将当前的目标图像集的类别标记为目标类，将当前的η-l个非目标图像集的各类别分别标记为第I非目标类、第2非目标类、…第η-l非目标类；然后将所述目标类、第I非目标类、第2非目标类、…第η-l非目标类分别对应η个类别行向量，记为yi，y2，…，yn，其中，= [0,0,..., I,...,0] (i = 1,2,…m),是除了第i个元素为I之外,其余全为O的向量，当i = I时，其含义表示目标类，当I < i Sn时，其含义表示第1-ι非目标类；
[0008]A2、基于当前的I个目标图像集和η-l个非目标图像集构建一个高阶张量，记为X，且叉,其中第一阶的n表示n个类别，第二阶和第三阶的I1X I2表示所截取的图像块的特征矩阵大小为I1XI2，第四阶的m表示m帧图像；将所述η个类别行向量yi，y2，…，Yn依照X的第一阶中η个类别的顺序从上到下排列、构建成一个X的类别矩阵，记为Y，得出 Y e Rnxn:
[0009]A3、利用高阶偏最小二乘法，分别将X和Y分解为
【权利要求】
1.一种基于高阶偏最小二乘法的目标跟踪算法，其特征在于，包括初始化阶段、训练阶段、测试阶段，和更新阶段； 所述初始化阶段包括:指定一个目标物体，并设定以该目标物体的中心为中心的n-ι种不同相对方位为该目标物体的η-l种非目标方位；将当前时刻记为t时刻，并提取从t-m时刻到t时刻的m帧图像，其中m为一个预先设定的正整数；针对所提取的每一帧图像，人为找到该图像中的目标物体，以该目标物体的中心为中心截取包含该目标物体的I个第一图像块，之后分别以该目标物体的η-l种非目标方位为中心截取η-l个第二图像块，其中η为一个预先设定的大于I的正整数；所有第一图像块和所有第二图像块的大小均一致；将所截取的每个第一图像块和每个第二图像块均用一个I1X I2的特征矩阵表示，I1和I2均为一个预先设定的正整数；将当前的m个第一图像块组成一个图像集，并记为目标图像集；将当前以同一种非目标方位为中心的第二图像块组成一个图像集，并记为非目标图像集，得到η-l个非目标图像集；将t时刻的一帧图像中目标物体的中心位置设为当前位置；然后转入训练阶段； 所述训练阶段包括: Al、将当前的目标图像集的类别标记为目标类，将当前的η-l个非目标图像集的各类别分别标记为第I非目标类、第2非目标类、…第η-l非目标类；然后将所述目标类、第I非目标类、第2非目标类、…第η-l非目标类分别对应η个类别行向量，记为yi，y2，-,yn,其中，Yi = [0,0,...，1，...，0] (i = 1,2,…m)，是除了第i个元素为I之外，其余全为O的向量，当i = I时，其含义表示目标类，当I < i Sn时，其含义表示第1-Ι非目标类； A2、基于当前的I个目标图像集和η-l个非目标图像集构建一个高阶张量，记为X，且Xe Rn^m ,其中第一阶的η表示η个类别，第二阶和第三阶的I1X I2表示所截取的图像块的特征矩阵大小为I1X I2，第四阶的m表示m帧图像；将所述η个类别行向量y1; y2，…，yn依照X的第一阶中η个类别的顺序从上到下排列、构建成一个X的类别矩阵，记为Y，得出 Y e Rnxn ； A3、利用高阶偏最小二乘法，分别将X和Y分解为
2.如权利要求1所述的一种基于高阶偏最小二乘法的目标跟踪算法，其特征在于，所述指定半径长度为所指定的目标物体的宽度的2至3倍。
3.如权利要求1所述的一种基于高阶偏最小二乘法的目标跟踪算法，其特征在于，所述I1XI2的特征矩阵为I1XI2的灰度值特征矩阵。
【文档编号】G06T7/20GK104021395SQ201410279523
【公开日】2014年9月3日 申请日期:2014年6月20日 优先权日:2014年6月20日
【发明者】钟必能, 王田, 沈映菊, 陈雁, 谢维波, 陈锻生, 陈维斌 申请人:华侨大学