一种基于增广样本的流形正则化相关滤波目标跟踪方法技术

一种基于增广样本的流形正则化相关滤波目标跟踪方法，包括：S1分别在上一帧中目标区域及非目标区域提取正负基样本及提取出无标记基样本，组成增广基样本集合；S2根据S1输出生成标记矩阵；S3、利用S1及S2的输出，结合核矩阵和拉普拉斯矩阵的块循环结构，学习一个流形正则的最小二乘相关滤波分类模型；S4、判断当前帧是否为第二帧并进行相应操作；S5、利用S4对S1中无标记基样本产生所有样本采用快速分块检测算法确定其标记，确定当前目标位置；S6、判断当前帧是否最后一帧，并决定跳至S1还是S7输出每一帧目标状态。本发明专利技术采用半监督方式预测无标记样本，显著提升了相关滤波分类模型的分类准确度，可应用到实时系统中。

【技术实现步骤摘要】
一种基于增广样本的流形正则化相关滤波目标跟踪方法
本专利技术涉及一种基于增广样本的流形正则化相关滤波目标跟踪方法，属于计算机视觉、模式识别、人机交互、视频监控以及图像压缩

技术介绍
目标跟踪是计算机视觉领域重要的前沿课题，是学术界和工业界关注的焦点之一。它旨在从视频或图像序列中定位场景中的感兴趣目标，并估计目标的运动状态，包括位置、尺度、旋转角度等。鲁棒而精确的目标跟踪可以为人体运动分析、事件检测、行为和场景理解等计算机视觉高层任务提供支撑和输入，因而可以促进计算机视觉自身的发展。同时，在实际应用方面，由于软件硬件技术的飞跃发展，目标跟踪在智能监控、人机交互、图像压缩等领域的巨大应用价值也日益突显。近年来，基于相关滤波的目标跟踪方法取得了巨大成功，但是也存在一些缺陷：(1)在2012年EuropeanConferenceonComputerVision会议论文集第702至715页，题目为：“Exploitingthecirculantstructureoftracking-by-detectionwithkernels”文章中，探索了核矩阵的循环结构，使用潜在的大量训练样本本文档来自技高网...

【技术保护点】
一种基于增广样本的流形正则化相关滤波目标跟踪方法，其特征在于：包括如下步骤：S1、分别在上一帧图像中目标区域提取正的基样本、在非目标区域提取负的基样本以及在当前帧图像中上一帧图像目标所在区域提取出无标记的基样本；这三类基样本组成增广基样本集合；其中，所述的上一帧图像中目标区域提取正的基样本、在非目标区域提取负的基样本是有标记基样本；S2、根据S1中有标记和无标记基样本大小，生成由有标记基样本循环移位得到的所有样本对应的标记矩阵；S3、利用S1生成的增广基样本集合及S2生成的标记矩阵，结合核矩阵和拉普拉斯矩阵的块循环结构，使用分块学习策略学习一个流形正则的最小二乘相关滤波分类模型；S4、判断当前...

【技术特征摘要】
1.一种基于增广样本的流形正则化相关滤波目标跟踪方法，其特征在于：包括如下步骤：S1、分别在上一帧图像中目标区域提取正的基样本、在非目标区域提取负的基样本以及在当前帧图像中上一帧图像目标所在区域提取出无标记的基样本；这三类基样本组成增广基样本集合；其中，所述的上一帧图像中目标区域提取正的基样本、在非目标区域提取负的基样本是有标记基样本；S2、根据S1中有标记和无标记基样本大小，生成由有标记基样本循环移位得到的所有样本对应的标记矩阵；S3、利用S1生成的增广基样本集合及S2生成的标记矩阵，结合核矩阵和拉普拉斯矩阵的块循环结构，使用分块学习策略学习一个流形正则的最小二乘相关滤波分类模型；S4、判断当前视频的帧数是大于还是等于第二帧，并分别进行相应操作；S5、利用S4保存的分类模型对S1中无标记基样本循环移位所产生的所有无标记样本采用快速分块检测的算法确定其标记，再根据此标记信息确定当前目标位置；S6、判断当前帧数是否是最后一帧，并进行相应操作；S7、输出每一帧图像的目标状态；至此，从S1到S7完成了一种基于增广样...

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