[发明专利]融合目标空间分布和时序分布特征子空间的视觉跟踪方法

权利要求书

1.一种融合目标空间分布和时序分布特征子空间的视觉跟踪方法，其特征在于，包括以下步骤：

(1)运用张量理论将目标图像观测的训练样本表示为一个三阶张量，并将此张量从图像的宽度、图像的高度和图像时间轴这三个不同的方向展开成三个分解矩阵；

其中，前两个分解矩阵的列样本子空间对于目标的空间分布信息；第三个分解矩阵的行样本子空间对应于目标的时间分布信息；

(2)对于前两个分解矩阵，计算各分解矩阵的样本协方差矩阵，并通过对协方差矩阵做特征分解得到目标水平和垂直方向的模式子空间；对于第三个分解矩阵，采用奇异值分解算法获得目标在时间轴上的模式子空间；

(3)对于给定的目标候选区域，计算其在目标表观空间上的重构误差，并由此定义目标候选区域的观测似然函数；

(4)根据定义的观测似然函数，运用粒子滤波器计算目标状态的后验概率，采用最大后验估计策略从一系列候选观测值中挑选后验概率最大的作为当前时刻的目标状态；

(5)利用跟踪的结果，对对步骤(2)中获得的目标模式子空间进行更新，并在更新过程中加入遗忘因子；

其中，遗忘因子是一种介于0和1之间的权重，在子空间模型中越大的遗忘因子意味着模型越关注近期的数据。

2.根据权利要求1所述的融合目标空间分布和时序分布特征子空间的视觉跟踪方法，其特征在于，所述的步骤(1)具体包括以下子步骤：

首先，将目标图像观测的训练样本用一个三阶张量表示；

其次，将获得的张量从宽度、高度、时间这三个不同的方向展开成三个分解矩阵；

3.根据权利要求1所述的融合目标空间分布和时序分布特征子空间的视觉跟踪方法，其特征在于，所述的步骤(2)具体包括以下子步骤：

首先，对于前两个分解矩阵，计算各分解矩阵的样本协方差矩阵，通过对协方差矩阵做特征分解得到各个模式的子空间；

其次，对于第三个分解矩阵，采用奇异值分解算法获得目标在时间轴上的模式子空间。

4.根据权利要求1所述的融合目标空间分布和时序分布特征子空间的视觉跟踪方法，其特征在于，所述的步骤(3)具体包括以下子步骤：

首先，求出重构误差；

其次，由重构误差定义似然函数。

5.根据权利要求1所述的融合目标空间分布和时序分布特征子空间的视觉跟踪方法，其特征在于，所述的步骤(4)具体包括以下子步骤：

首先，假定目标在连续两帧图像之间的运动是仿射运动，目标的状态由两帧之间的目标仿射运动参数表征，并假定目标状态动态转移概率模型为高斯模型；

其次，利用似然函数计算目标状态的后验概率；

最后，采用最大后验估计策略从从一系列候选观测值中挑选后验概率最大的作为当前时刻的目标状态。

6.根据权利要求1-5任意一权利要求所示所述的融合目标空间分布和时序分布特征子空间的视觉跟踪方法，其特征在于：所述的步骤(5)具体包括以下子步骤：

对于前两个分解矩阵，

首先，对步骤(2)中获得的样本矩阵的协方差矩阵进行更新；

其次，将遗忘因子加入更新方程中，得到更符合实际情况的协方差矩阵。

对于第三个分解矩阵，

首先，将新获得的数据矩阵进行QR分解；

其次，对融合新旧数据的数据矩阵进行奇异值分解。