一种基于流形判别非负矩阵分解的目标跟踪方法技术

一种基于流形判别非负矩阵分解的目标跟踪方法，包括：S1获取当前帧正负样本，S2获取正负样本特征和样本矩阵Xl；S3读取下一帧，获取候选样本矩阵Xu；S4合并Xl和Xu为数据矩阵X，将X分解为非负矩阵乘积，再经学习得到分类器；S5通过分类器计算每个候选样本的响应值，选取最大响应作为跟踪目标；S6判断是否最后一帧，若是，进入S7输出每一帧目标的状态，若否，跳至S1。本发明专利技术通过非负矩阵分解来获得更高层图像特征，能更好描述局部特性，排除遮挡和背景干扰；使用半监督流形正则方法，结合标记和无标记样本训练含空间结构信息的分类器，可保留更多判别信息，有效应对光照和目标形变；通过在线训练更新特征提取模型，快速定位视频中的指定目标。

【技术实现步骤摘要】

本专利技术涉及一种基于流形判别非负矩阵分解的目标跟踪方法，属于计算机视觉、模式识别以及视频监控

技术介绍
目标跟踪旨在从视频中定位、识别场景中的指定目标，并估计其运动轨迹。计算机视觉的许多高层任务，如场景理解、事件检测、行为识别等，都很大程度上依赖于目标跟踪的结果。在计算机视觉和模式识别领域的国际顶级学术刊物和会议上，目标跟踪都占据了不低的篇幅和比重。作为一个融合了计算机视觉、图像处理、模式识别、机器学习、统计分析和随机过程等多学科交叉的前沿性研究方向，目标跟踪在视频监控、人机交互、视觉导航、运动分析、视频检索等系统等领域中具有很重要的实际应用价值。近年来出现的目标跟踪方法，大致可以分为生成式和判别式两类。生成式的跟踪方法通常为需要跟踪目标生成一个表观模型，通过模型匹配，寻找当前帧中与被跟踪目标最相似的候选目标作为跟踪结果，其中的关键问题是，如何衡量目标之间相似程度，以确保跟踪结果的正确性。而判别式的方法则采用了不同的思路，它将跟踪看成一个二分类问题，把目标作为正样本，背景信息作为负样本，通过训练一个分类器来区分目标和背景，其中的关键是训练一个鲁棒的分类器，减少错分的发生。目前已有的生成式跟踪方法，通常使用低层视觉特征(如颜色、边缘、纹理等)描述目标的表观信息，并根据表观特征在特征空间中的空间分布构建有判别力的表观模型。然而在实际跟踪任务中，由于存在目标被遮挡、目标变形和快速位移以及光照变化等干扰，仅仅依靠表观特征的空间分布很容易使得被跟踪目标与背景或遮挡物混淆，限制了表观模型在实际中起的作用。常见的一些判别式方法也仅仅是考虑标记样本，由于标记样本的数目往往很少，很难获得有效的判别信息。因此，考虑半监督的判别式跟踪方法，充分利用标记信息的同时，综合考虑无标记样本的特性和空间结构信息，提高分类器的判别能力势在必行。近年来，非负矩阵分解作为一种有效的图像表示方法，已经被广泛应用于图像分类和人脸识别领域。它将图像低层特征进行非负分解，将得到的系数矩阵作为新的中层特征，由于非负中层特征能够更好地表示图像的局部信息，语义比仅仅考虑低层视觉特征要丰富的多。(1)在Signal Processing 2013年第93卷第6号第1608页至1623页，题目为：“On-line learning parts-based representation via incremental orthogonal projective non-negative matrix factorization”文章中，Wang等人首次将非负矩阵分解应用于跟踪领域，提出了基于正交非负矩阵分解的生成式跟踪方法。但是该方法仅仅把分解获得的基向量作为目标模板，而没有利用目标的标记信息，使得跟踪方法的准确度不高。(2)在IEEE Transactions on Circuits and Systems for Video Technology 2014年第24卷第3号第374至383页，题目为：“Visual tracking via online nonnegative matrix factorization”的文章中，Wu等人提出了基于一般非负矩阵分解的判别式跟踪方法，取得了较好的跟踪性能。然而，该方法虽然利用了标记信息，但是没有考虑数量巨大的无标记样本，并且只使用单一流形正则来拟合样本的几何特性，不能很好的表示样本的空间结构信息。针对上述已有方法的不足，本专利技术一种基于流形判别非负矩阵分解的目标跟踪方法提出基于半监督流形判别的非负矩阵分解跟踪方法，在利用样本标记信息的同时，考虑无标记样本共同提供的空间结构信息，使得跟踪方法对于目标变形和遮挡等干扰更加鲁棒。
技术实现思路
本专利技术的目的要解决现有目标跟踪方法采用的表观模型或者训练的分类器判别能力不足，不能有效处理复杂场景中遮挡、目标变形和位移、光照变化为主的问题、从而导致目标容易丢失和跟踪失败，提出了一种基于流形判别非负矩阵分解的目标跟踪方法。一种基于流形判别非负矩阵分解的目标跟踪方法，包括如下步骤：S1:在当前帧，按照粒子滤波框架在目标位置附近分别提取正样本和负样本，且每个样本都包含一组仿射参数；所述的正样本为np个，所述的负样本为nn个；且每个样本可以为np个正样本中的一个，或者为nn个负样本中的一个；S2:根据S1输出的每个样本包含的仿射参数获取对应该样本的图像块并提取此图像块的图像特征，生成样本矩阵；其中，生成样本矩阵记为Xl，其中l＝np+nn；S3:读取下一帧，在前一帧目标位置附近提取候选样本，获取对应的候选样本矩阵；其中，所述的候选样本为u个，候选样本矩阵记为Xu；其中，S1中的当前帧、S3中的前一帧及下一帧均指某监控视频流图像帧，所述的监控视频图像帧来自于场景中监控摄像机采集的在线视频流；S4:合并S2输出的样本矩阵和S3输出的候选样本矩阵为数据矩阵，将此数据矩阵分解为两个低秩的非负矩阵的乘积，同时考虑样本的标记信息和几何特性，引入判别约束和流形约束，最终学习得到一个贝叶斯分类器；其中，S4中的数据矩阵记为X，两个低秩的非负矩阵记为U和V，其乘积记为X＝UV；S5:通过S4输出的贝叶斯分类器计算S3中每个候选样本的响应值，选取响应值最大的候选样本作为当前帧的跟踪目标；S6、判断当前帧数是否是最后一帧，并进行相应操作，具体为：S6.1如果当前帧数是最后一帧，表明跟踪结束，跳至S7；S6.2如果当前帧数不是最后一帧，表明还需要继续跟踪，跳至S1，继续下一帧图像的目标跟踪；S7、输出每一帧目标的状态；至此，从S1到S7完成了一种基于流形判别非负矩阵分解的目标跟踪方法。有益效果本专利技术一种基于流形判别非负矩阵分解的目标跟踪方法，用于快速定位视频中的指定目标，与已有目标跟踪方法相比，具有如下有益效果：1、本专利技术通过非负矩阵分解来获得更高层的图像特征，相比于目标的表观特征能够更好地描述局部特性，有利于排除遮挡和相似背景的干扰；2、本专利技术使用半监督的流形正则方法，结合标记样本和候选无标记样本共同训练带有空间结构信息的分类器，能够保留更多的判别信息，有效应对光照变化和目标形变；3、本专利技术通过在线训练更新特征提取模型，在保持跟踪性能的同时保证了跟踪的实时性，即可以用于实时跟踪监控视频中的指定监控目标。附图说明图1是本专利技术一种基于流形判别非负矩阵分解的目标跟踪方法的目标跟踪方法流程图；图2是本专利技术一种基于流形判别非负矩阵分解的目标跟踪方法及实施例具体实施非负矩阵分解的跟踪示意图。具体实施方式一种基于流形判别非负矩阵分解的目标跟踪方法，通过对低层图像特征进行非负矩阵分解来获得能更好表达目标局部特性的中层特征，综合考虑目标的空间结构，在线训练分类器利用标记样本的判别信息来实现候选位置与实际目标的精确匹配；其流程图如图1所示。由图1可以看出：S1获取当前帧正负样本，S2获取正负样本特征和样本矩阵Xl；S3读取下一帧，获取候选样本矩阵Xu；S4中合并Xl和Xu为数据矩阵X，并将此X分解为非负矩阵U和V，再经学习得到分类器；S5通过分类器计算每个候选样本的响应值，选取最大响应作为跟踪目标；S6判断是否最后一帧，若是，进入S7输出每一帧目标的状态，若否，跳至S1。以下通过具体实施例详细描述本专利技术本文档来自技高网...

【技术保护点】
一种基于流形判别非负矩阵分解的目标跟踪方法，其特征在于：包括如下步骤：S1:在当前帧，按照粒子滤波框架在目标位置附近分别提取正样本和负样本，且每个样本都包含一组仿射参数；S2:根据S1输出的每个样本包含的仿射参数获取对应该样本的图像块并提取此图像块的图像特征，生成样本矩阵；S3:读取下一帧，在前一帧目标位置附近提取候选样本，获取对应的候选样本矩阵；S4:合并S2输出的样本矩阵和S3输出的候选样本矩阵为数据矩阵，将此数据矩阵分解为两个低秩的非负矩阵的乘积，同时考虑样本的标记信息和几何特性，引入判别约束和流形约束，最终学习得到一个贝叶斯分类器；S5:通过S4输出的贝叶斯分类器计算S3中每个候选样本的响应值，选取响应值最大的候选样本作为当前帧的跟踪目标；S6、判断当前帧数是否是最后一帧，并进行相应操作；S7、输出每一帧目标的状态；至此，从S1到S7完成了一种基于流形判别非负矩阵分解的目标跟踪方法。

【技术特征摘要】
1.一种基于流形判别非负矩阵分解的目标跟踪方法，其特征在于：包括如下步骤：S1:在当前帧，按照粒子滤波框架在目标位置附近分别提取正样本和负样本，且每个样本都包含一组仿射参数；S2:根据S1输出的每个样本包含的仿射参数获取对应该样本的图像块并提取此图像块的图像特征，生成样本矩阵；S3:读取下一帧，在前一帧目标位置附近提取候选样本，获取对应的候选样本矩阵；S4:合并S2输出的样本矩阵和S3输出的候选样本矩阵为数据矩阵，将此数据矩阵分解为两个低秩的非负矩阵的乘积，同时考虑样本的标记信息和几何特性，引入判别约束和流形约束，最终学习得到一个贝叶斯分类器；S5:通过S4输出的贝叶斯分类器计算S3中每个候选样本的响应值，选取响应值最大的候选样本作为当前帧的跟踪目标；S6、判断当前帧数是否是最后一帧，并进行相应操作；S7、输出每一帧目标的状态；至此，从S1到S7完成了一种基于流形判别非负矩阵分解的目标跟踪方法。2.如权利要求1所述的一种基于流形判别非负矩阵分解的目标跟踪方法，其特征还在于：S1中所述的正样本为np个，所述的负样本为nn个；且每个样本可以为np个正...

【专利技术属性】
技术研发人员：马波，贺辉，
申请(专利权)人：北京理工大学，
类型：发明
国别省市：北京;11