一种基于稀疏特征选择的目标跟踪方法技术

本发明专利技术涉及一种基于稀疏特征选择的目标跟踪方法，首先，利用Haar-like特征对目标、背景以及待选目标点进行表示。其次，利用稀疏表示具有的特殊性质，对高维的Haar-like特征进行特征选择，选择那些对目标和背景具有良好区分性的特征作为样本点的表示。最后，利用选好的样本点训练朴素贝叶斯分类器，同时在线进行更新分类，使得分类器能实时反映目标和背景之间的关系。本发明专利技术利用稀疏特征选择的方法构建了一个投影矩阵，对传统的高维Haar-like特征进行降维，减小计算量的同时也保留了那些对分类有帮助的特征，能够更加有效的区分目标和背景，实现了目标的快速鲁棒跟踪。

【技术实现步骤摘要】

本专利技术属于计算机数字图像处理技术，具体涉及一种基于稀疏特征选择的目标跟 踪方法。
技术介绍
目标跟踪算法，大致可以分为生成型和判别型两大类。生成型的跟踪算法通常为 需要跟踪目标生成一个外观模型，通过对外观模型的匹配，寻找到相似度最高的那个候选 目标最为跟踪结果。而判别型的跟踪算法则采用不同的方法，它将跟踪看成一个二分分类 问题，通过正负样本训练一个分类器，将目标和背景区分开来。 近年来，基于粒子滤波的目标跟踪方法得到了极大的重视，粒子滤波器是一种从 带噪声的数据中估计运动状态的技术，在状态空间中通过传播大量带权离散随机变量来近 似概率分布并递归。这里的随机变量被形象地称为粒子，当粒子个数趋于无穷时可以逼近 任何形式的概率分布。通常视频目标运动状态是非线性、非高斯的，粒子滤波器由于其独特 的优越性被广泛应用于目标跟踪领域。虽然粒子滤波器是一种选取候选目标的有效手段， 但是该算法仍然存在着一些问题。其中主要是需要用大量的样本数量才能很好地近似系统 的后验概率密度，因此极大的增加了计算的复杂度，而且图像原始灰度特征容易受光照以 及相似背景等影响。
技术实现思路
要解决的技术问题 为了避免现有技术的不足之处，本专利技术提出一种基于稀疏特征选择的目标跟踪方 法，解决图像序列中目标与背景的对比度较低、灰度特征易受噪声、光照变化以及相似物体 的干扰影响等问题。 技术方案 ，其特征在于步骤如下： 步骤1 :在第一帧图像目标的周围距离为札的圆形范围内随机选取\个粒子点， 并记录所有Np个粒子点的坐标（xi,yj,i= 1，2,…，Np;每个粒子代表了一个目标正样本； 在距离目标半径为馬的圆形外，同样随机选取Nnf粒子点，并记录Nn个粒子点的坐标点 (Xj，yj)，j= 1，2,…，心每个粒子点代表了一个目标负样本；所述第一帧图像中的参数为 ，其中：x,y表示目标中心的横纵坐标，w,h表示目标的宽和高； 步骤2 :将％个目标正样本与Nnf目标负样本与一系列不同尺度的矩形滤波 器{Fm，…，Fw，h}进行卷积计算，然后，将每种尺度卷积后的目标块拉成一个维度为wh的 列向量；最后，将每种尺度滤波器卷积后得到的列向量组成一个维度为（wXh)2的列向量 所述矩形滤波器{Fu，…，FW，J的间隔为1 ; 步骤3 :采用一个大小为nXm的投影矩阵S将列向量.ve俨~2投影到一个另一低 维空间VGRn，V=Sx; 步骤4 :用所有正负样本对应的列向量vGRn，v= (Vl，v2，…，Vn)以及相对应的 正负标签y，对贝叶斯分类器进行训练 其中：p(vjy=l)，p(Vi|y=0)通过高斯分布进行估计，其参数为 步骤5 :读取下一帧，在前一帧目标位置周围距离为馬的圆形范围内随机产生k个 粒子点，记录其坐标（xk，yk)k= 1，2,…，K;每个粒子点代表一个候选目标，每个候选目标按 照步骤2和3中的特征表示方法得到一个列向量dGRn; 步骤6 :采用步骤4中贝叶斯分类器计算每个候选目标的分类器响应，以分类响应 最大的候选目标作为该帧的跟踪结果； 重复步骤5~步骤6,在跟踪了 5~6帧后，通过如下公式更新贝叶斯分类器的参 数： 继续重复步骤6时，以更新参数后的贝叶斯分类器计算每个候选目标的分类器响 应，至所有图像序列的所有帧处理完成； 其中：A表示一个学习参数，，是最新积累的目标集合的参数，通过如 下公式求得： 有益效果 本专利技术提出的，首先，利用Haar-like特 征对目标、背景以及待选目标点进行表示。其次，利用稀疏表示具有的特殊性质，对高维的 Haar-like特征进行特征选择，选择那些对目标和背景具有良好区分性的特征作为样本点 的表示。最后，利用选好的样本点训练朴素贝叶斯分类器，同时在线进行更新分类，使得分 类器能实时反映目标和背景之间的关系。 本专利技术在稀疏表示的基础上，基于一种稀疏表示矩阵对Harr-like特征进行压 缩，不但很好的保持了原始图像特征，而且具备更好的表示能力。用一种基于稀疏投影的特 征来训练分类器，计算量大大减少，同时能够更加有效地表示目标，克服了光照变化、遮挡、 尺度变化、目标变形等问题，实现了目标的快速鲁棒跟踪。本专利技术利用稀疏特征选择的方法 构建了一个投影矩阵，对传统的高维Haar-like特征进行降维，减小计算量的同时也保留 了那些对分类有帮助的特征，能够更加有效的区分目标和背景，实现了目标的快速鲁棒跟 足示。【附图说明】 图1是本专利技术的流程图【具体实施方式】 现结合实施例、附图对本专利技术作进一步描述： 1)在第一帧图像目标的周围距离为札汛一般取2~4)的圆形范围内随机产生Np 个粒子点（Np-般取8~10)，并记录其坐标（xi,yj,i= 1，2,…，Np。每个粒子代表了一个 目标样本。在距离目标半径为R2(R2-般取10~15)的圆形外，同样可以随机产生Nn个粒 子点（Nn-般取50~70)，并记录其坐标点（x』，y』)，j= 1，2,…，Nn。每个粒子点代表一个 目标负样本；所述第一帧图像中的参数为，其中：x，y表示目标中心的横纵坐标， w,h表不目标的宽和尚； 2)将Np个目标正样本与Nn个目标负样本与一系列不同尺度的矩形滤波器 {F1;1，…，Fwh，}进行卷积计算。每种尺度的矩形滤波器定义如下： 然后，将每种尺度卷积后的目标块拉成一个维度为wXh的列向量。最后，将每种 尺度滤波器卷积后得到的列向量组成一个维度为（wXh)2的列向量；cei?(H'xA)2; 3)采用一个大小为nXm投影矩阵S将原始的特征空间投影到新选择 的特征空间vGRn，v=Sx这个新空间中，目标和背景之间有较好的区分性。其 中投影矩阵S的元素定义如下： 其中，S' "为对角矩阵的对角元素，si为向量s第i维的值，其中向量s通过如 下公式计算： 公式中由％个正模板A+和Nn个负模板A_组成，m是进行特征选择前 的特征维数，1为〇.〇〇1。向量/7￡/?~#>1的每个元素代表训练集4中每个模板的性质， +1表示正样本，-1表示负样本。上式的解向量s中，非零元素对应着原始的K维空间中具 有区分性的特征。这些特征是对于目标和背景的区分具有判别性的特征，而其它特征对于 目标和背景的区分作用不大。因此通过删除对角矩阵S'中全为0的行，构造了投影矩阵 S； 4)用所有正负样本对应的列向量vGRn，v = (Vl，v2，…，Vn)以及相对应的正负标 签y对朴素贝叶斯分类器进行训练 其中p(v」y=l)，p(Vi|y= 0)通过高斯分布进行估计，其参数为(M1，0^，/^，0^)， 5)读取下一帧，在前一帧目标位置周围距离为馬的圆形范围内随机产生k个粒子 点，记录其坐标（xk,yk)k= 1，2,…，K。每个粒子点代表一个候选目标，每个粒子点按照上 面步骤2和3中的特征表示方法可以得到一个列向量dGRn; 6)采用步骤4中贝叶斯分类器计算每个候选目标的分类器响应，以分类器响应最 大的候选目标作为该帧的跟踪结果； 重复步骤5~步骤6,在跟踪了 5~6帧后，通过如下公式更新贝叶斯分类器的参 数： 继续重复步骤6时，以更新参数后的贝叶斯分类器计算每个候选目标的分类器响 应，至所有图像序列的所有帧处理完成； 其中：A表本文档来自技高网...

【技术保护点】
一种基于稀疏特征选择的目标跟踪方法，其特征在于步骤如下：步骤1：在第一帧图像目标的周围距离为R1的圆形范围内随机选取Np个粒子点，并记录所有Np个粒子点的坐标(xi,yi),i＝1,2,…,Np；每个粒子代表了一个目标正样本；在距离目标半径为R2的圆形外，同样随机选取Nn个粒子点，并记录Nn个粒子点的坐标点(xj,yj),j＝1,2,…,Nn；每个粒子点代表了一个目标负样本；所述第一帧图像中的参数为[x,y,w,h]，其中：x,y表示目标中心的横纵坐标，w,h表示目标的宽和高；步骤2：将Np个目标正样本与Nn个目标负样本与一系列不同尺度的矩形滤波器{F1,1,…,Fw,h}进行卷积计算，然后，将每种尺度卷积后的目标块拉成一个维度为wh的列向量；最后，将每种尺度滤波器卷积后得到的列向量组成一个维度为(w×h)2的列向量所述矩形滤波器{F1,1,…,Fw,h}的间隔为1；步骤3：采用一个大小为n×m的投影矩阵s将列向量投影到一个另一低维空间v∈Rn，v＝Sx；步骤4：用所有正负样本对应的列向量v∈Rn，v＝(v1,v2,…,vn)以及相对应的正负标签y，对贝叶斯分类器进行训练H(v)=Σi=1nlog(p(vi|y=1)p(vi|y=0))]]>其中：p(vi|y＝1)，p(vi|y＝0)通过高斯分布进行估计，其参数为μi1=1nΣk=0|y=1n-1vi(k)]]>σi1=1nΣk=0|y=1n-1(vi(k)-μi1)2μi0=1nΣk=0|y=0n-1vi(k);]]>σi0=1nΣk=0|y=0n-1(vi(k)-μi0)2]]>步骤5：读取下一帧，在前一帧目标位置周围距离为R3的圆形范围内随机产生k个粒子点，记录其坐标(xk,yk)k＝1,2,…,K；每个粒子点代表一个候选目标，每个候选目标按照步骤2和3中的特征表示方法得到一个列向量d∈Rn；步骤6：采用步骤4中贝叶斯分类器计算每个候选目标的分类器响应，以分类响应最大的候选目标作为该帧的跟踪结果；重复步骤5～步骤6，在跟踪了5～6帧后，通过如下公式更新贝叶斯分类器的参数：μi1=(1-λ)μi1+λμi_new1]]>σi1=(1-λ)(σi1)2+λ(σi_new1)2+λ(1-λ)(μi1-μi_new1)2]]>继续重复步骤6时，以更新参数后的贝叶斯分类器计算每个候选目标的分类器响应，至所有图像序列的所有帧处理完成；其中：λ表示一个学习参数，是最新积累的目标集合的参数，通过如下公式求得：μi_new1=1nΣk=1mvi(k)]]>σi_new0=1nΣk=0m(vi(k)-μi_new0)2.]]>...

【技术特征摘要】

【专利技术属性】
技术研发人员：李映，杭涛，李鹏程，
申请(专利权)人：西北工业大学，
类型：发明
国别省市：陕西;61