移动目标跟踪方法及系统技术方案

本发明专利技术提供了一种移动目标跟踪方法及系统，该方法包括：在当前帧上确定多个目标候选者；确定预设数量的最近已定位目标作为目标样本，并在最新定位目标附近采样得到一系列背景样本；根据目标样本和背景样本构建子空间和训练获得线性分类器；对每个目标候选者经由子空间重建，并使用线性分类器获取该重建的目标候选者的分类可靠性，分类可靠性作为表征判断所述目标候选者成为目标的可能性的因素；确定可能性最大的目标候选者作为目标。本发明专利技术结合了子空间学习和鉴别式学习方法的优势，可以提高在多种复杂跟踪场景下的性能。

【技术实现步骤摘要】
移动目标跟踪方法及系统
本专利技术属于互联网
，具体涉及一种移动目标跟踪方法及系统。
技术介绍
移动目标跟踪已经成为智能
的核心技术之一，如，智能交通中的对肇事车辆的自动视频监控、智能娱乐设备中对运动人体的自动跟踪等。从模型构建方法的角度出发，目标跟踪模型分为生成式和鉴别式。其中，生成式模型为寻找一个与目标外观模型最为匹配的候选目标作为当前目标；鉴别式模型为训练一个二元分类器将目标从背景中分离出来。在跟踪应用中，若能够得到足够多的目标和背景样本，鉴别式模型具有一定的优势，但是，实际应用中获得足够多的目标和背景样本是很不现实的，而且，假使若能够获得，由于跟踪应用的运行速度的要求，在巨大的样本机上训练分类器的时间往往很长，无法被接受的。因此，现有技术中通常采用生成式模型实现对移动目标的跟踪。在生成式模型中，目标的表达方法对跟踪算法很重要，甚至在某些场景下决定了跟踪任务的成败。一种经典的目标表达方法为子空间学习方法，具体为：假设目标在一个低维子空间中，首先，在之前帧上定位的目标使用主成分分析方法学习得到子空间的基向量，构建出这一低维子空间，在后续帧中，进一步将候选目标分别经由学习得到的子空间重建，并在当前帧上对每个候选目标计算表达误差，确定表达误差最小的候选目标作为当前帧上的目标。该方法已经被证明可以很有效地处理场景光照变化、小幅度地目标姿态变化等的跟踪问题。然而，在实际应用中发现，目前的生成式模型的移动跟踪方法和系统在多种复杂跟踪场景下的性能还较差。
技术实现思路
本专利技术旨在至少解决现有技术中存在的技术问题之一，提出了一种移动目标跟踪方法及系统，可以提高在多种复杂跟踪场景下的性能。本专利技术提供了一种移动目标跟踪方法，包括以下步骤：在当前帧上确定多个目标候选者；确定预设数量的最近已定位目标作为目标样本，并在最新定位目标附近采样得到一系列背景样本；根据所述目标样本和所述背景样本构建子空间和训练获得线性分类器；对每个所述目标候选者经由所述子空间重建，并使用所述线性分类器获取该重建的目标候选者的分类可靠性，所述分类可靠性作为表征判断所述目标候选者成为目标的可能性的因素；确定可能性最大的所述目标候选者作为目标。优选地，采用如下方式根据所述目标样本和所述背景样本构建子空间和训练获得线性分类器：其中，低秩矩阵A表示经由学习得到的子空间对X重建的样本；X＝[Y,B]，Y表示目标样本的矩阵；B表示背景样本的矩阵；稀疏矩阵E表示子空间的表达误差；{w,b}表示学习得到的线性分类器；向量z表示样本类别标签，其元素zi∈{+1,-1}；向量Ι表示所有元素均为1的列向量；函数rank(A)返回矩阵A的秩；表达式||E||0求取矩阵E中非零元的个数；参数λ>0、μ>0为权重系数；对矩阵A应用矩阵奇异值分解：[U,S,VT]＝svd(A)其中，正交矩阵U为学到的子空间的基向量；SVT为所述背景样本和所述目标样本的子空间表达；记最终学习得到的子空间基向量由含有r个基向量的矩阵P表示，取r＝rank(A)：P＝U1:rank(A)。优选地，按照如下公式使用所述线性分类器求取该重建的目标候选者的分类可靠性：g(c；P,w,b)＝wTPq+b其中，g表示为分类可靠性；c表示为目标候选者；P表示为所述子空间；q表示为目标候选者c在子空间p中的表达；e为稀疏向量，表示为表达误差，{w,b}表示所述线性分类器。优选地，还包括：根据如下公式计算每个所述目标候选者成为目标的可能性：其中，p(c|si)表示运动状态变量为si的目标候选者c的可能性；δ(c；P)＝||e||1，e表示所述表达误差；ρ>0，预设常数，用来平衡所述分类可靠性和所述表达误差的重要性；l>0为指数函数的尺度参数。优选地，还包括：根据如下公式计算每个所述目标候选者成为目标的可能性：其中，gc和δc分别为候选者c∈C归一化了的分类可靠性和表达误差。优选地，还包括以下步骤：在保证所述目标样本数量一定的情况下，动态地更新所述最新定位目标并去除最早定位的目标；所述目标样本中始终包括初始输入的目标；按照预设周期基于所述目标样本和所述背景样本重新构建所述子空间和训练获得所述线性分类器。本专利技术还提供一种移动目标跟踪系统，包括：候选者选取模块，用于在当前帧上确定多个目标候选者；样本确定模块，用于确定预设数量的最近已定位目标作为目标样本，并在最新定位目标附近采样得到一系列背景样本；学习模块，用于根据所述目标样本和所述背景样本构建子空间和训练获得线性分类器；分类可靠性获取模块，用于对每个所述目标候选者经由所述子空间重建，并使用所述线性分类器获取该重建的目标候选者的分类可靠性，所述分类可靠性作为表征判断所述目标候选者成为目标的可能性的因素；目标确定模块，用于确定可能性最大的所述目标候选者作为目标。优选地，所述学习模块被设置成：采用如下方式根据所述目标样本和所述背景样本构建子空间和训练获得线性分类器：其中，低秩矩阵A表示经由学习得到的子空间对X重建的样本；X＝[Y,B]，Y表示目标样本的矩阵；B表示背景样本的矩阵；稀疏矩阵E表示子空间的表达误差；{w,b}表示学习得到的线性分类器；向量z表示样本类别标签，其元素zi∈{+1,-1}；向量Ι表示所有元素均为1的列向量；函数rank(A)返回矩阵A的秩；表达式||E||0求取矩阵E中非零元的个数；参数λ>0、μ>0为权重系数；对矩阵A应用矩阵奇异值分解：[U,S,VT]＝svd(A)其中，正交矩阵U为学到的子空间的基向量；SVT为所述背景样本和所述目标样本的子空间表达；记最终学习得到的子空间基向量由含有r个基向量的矩阵P表示，取r＝rank(A)：P＝U1:rank(A)。优选地，所述分类可靠性获取模块被设置成：按照如下公式使用所述线性分类器求取该重建的目标候选者的分类可靠性：g(c；P,w,b)＝wTPq+b其中，g表示为分类可靠性；c表示为目标候选者；P表示为所述子空间；q表示为目标候选者c在子空间p中的表达；e为稀疏向量，表示为表达误差，{w,b}表示所述线性分类器。优选地，所述目标确定模块被设置成：根据如下方式计算每个所述目标候选者成为目标的可能性：其中，p(c|si)表示运动状态变量为si的目标候选者c的可能性；δ(c；P)＝||e||1，e表示所述表达误差；ρ>0，预设常数，用来平衡所述分类可靠性和所述表达误差的重要性；l>0为指数函数的尺度参数。优选地，所述目标确定模块被设置成：根据如下方式计算每个所述目标候选者成为目标的可能性：其中，gc和δc分别为候选者c∈C归一化了的分类可靠性和表达误差。优选地，还包括：更新模块，用于在保证所述目标样本数量一定的情况下，动态地更新所述最新定位目标并去除最早定位的目标，且所述目标样本中始终包括初始输入的目标；所述学习模块，还用于按照预设周期基于所述目标样本和所述背景样本重新构建所述子空间和训练获得所述线性分类器。本专利技术具有以下有益效果：在本专利技术中，在当前帧上选取多个目标候选者；选择预设数量的最近已定位目标作为目标样本，并在最新定位目标附近采样得到一系列背景样本；根据目标样本和背景样本构本文档来自技高网...

【技术保护点】
一种移动目标跟踪方法，其特征在于，包括以下步骤：在当前帧上确定多个目标候选者；确定预设数量的最近已定位目标作为目标样本，并在最新定位目标附近采样得到一系列背景样本；根据所述目标样本和所述背景样本构建子空间和训练获得线性分类器；对每个所述目标候选者经由所述子空间重建，并使用所述线性分类器获取该重建的目标候选者的分类可靠性，所述分类可靠性作为表征判断所述目标候选者成为目标的可能性的因素；确定可能性最大的所述目标候选者作为目标。

【技术特征摘要】
1.一种移动目标跟踪方法，其特征在于，包括以下步骤：在当前帧上确定多个目标候选者；确定预设数量的最近已定位目标作为目标样本，并在最新定位目标附近采样得到一系列背景样本；根据所述目标样本和所述背景样本构建子空间和训练获得线性分类器；对每个所述目标候选者经由所述子空间重建，并使用所述线性分类器获取该重建的目标候选者的分类可靠性，所述分类可靠性作为表征判断所述目标候选者成为目标的可能性的因素；确定可能性最大的所述目标候选者作为目标。2.根据权利要求1所述的移动目标跟踪方法，其特征在于，采用如下方式根据所述目标样本和所述背景样本构建子空间和训练获得线性分类器：其中，低秩矩阵A表示经由学习得到的子空间对X重建的样本；X＝[Y,B]，Y表示目标样本的矩阵；B表示背景样本的矩阵；稀疏矩阵E表示子空间的表达误差；{w,b}表示学习得到的线性分类器；向量z表示样本类别标签，其元素zi∈{+1,-1}；向量Ι表示所有元素均为1的列向量；函数rank(A)返回矩阵A的秩；表达式||E||0求取矩阵E中非零元的个数；参数λ>0、μ>0为权重系数；对矩阵A应用矩阵奇异值分解：[U,S,VT]＝svd(A)其中，正交矩阵U为学到的子空间的基向量；SVT为所述背景样本和所述目标样本的子空间表达；记最终学习得到的子空间基向量由含有r个基向量的矩阵P表示，取r＝rank(A)：P＝U1:rank(A)。3.根据权利要求1所述的移动目标跟踪方法，其特征在于，按照如下公式使用所述线性分类器求取该重建的目标候选者的分类可靠性：g(c；P,w,b)＝wTPq+b其中，g表示为分类可靠性；c表示为目标候选者；P表示为所述子空间；q表示为目标候选者c在子空间p中的表达；e为稀疏向量，表示为表达误差，{w,b}表示所述线性分类器。4.根据权利要求3所述的移动目标跟踪方法，其特征在于，还包括：根据如下公式计算每个所述目标候选者成为目标的可能性：其中，p(c|si)表示运动状态变量为si的目标候选者c的可能性；δ(c；P)＝||e||1，e表示所述表达误差；ρ>0，预设常数，用来平衡所述分类可靠性和所述表达误差的重要性；l>0为指数函数的尺度参数。5.根据权利要求3所述的移动目标跟踪方法，其特征在于，还包括：根据如下公式计算每个所述目标候选者成为目标的可能性：其中，gc和δc分别为候选者c∈C归一化了的分类可靠性和表达误差。6.根据权利要求2所述的移动目标跟踪方法，其特征在于，还包括以下步骤：在保证所述目标样本数量一定的情况下，动态地更新所述最新定位目标并去除最早定位的目标；所述目标样本中始终包括初始输入的目标；按照预设周期基于所述目标样本和所述背景样本重新构建所述子空间和训练获得所述线性分类器。7.一种移动目标跟踪系统，其特征在于，包括：候选者选取模块，用于在当前帧上确定多个目标候选者；样本确定模...

【专利技术属性】
技术研发人员：汤雅妃，王志军，邓瑞，李伟杰，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：北京,11