[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

说明书

技术领域

本发明涉及计算机视觉领域，特别是涉及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。 

背景技术

目标跟踪是计算机视觉领域中非常重要的研究问题，因为它是高层视觉问题如运动分析和行为识别等研究的基础。总的来说，目前的目标跟踪算法主要两个关键性的问题：(1)表观模型；(2)跟踪框架。 

一般来说，表观模型就是如何对目标物体进行有效的表达，并且进行实时的更新。目标模板，是一种最直接的目标建模方法，不过该模型缺乏判别性和鲁棒性。尽管目标区域的颜色直方图对于目标尺度、旋转以及非刚性形变较为鲁棒，但是由于其忽略了目标表观的颜色空间分布信息，存在一定的缺陷。虽然基于核密度估计的表观模型很好的解决了这一缺陷，不过换来的代价是计算与存储复杂度的增加。另外，基于条件随机场的表观模型通过马尔可夫随机场来建模邻近像素之间的内在关系，但是其训练代价非常巨大。 

近年来，基于子空间学习的表观模型由于其子空间不变假设更为合理，因而被广泛地应用于视觉跟踪领域。但是该模型在训练时需要足够多的样本，在实际运用中很难达到实时性的要求。基于此，Levy和Lindenbaum提出了序列KL(Sequential Karhunen-Loeve)变换算法用于增量地学习图像的特征基。Lim等扩展了序列KL变换算法，同 时对目标图像的均值和特征基进行增量更新，并将该算法首次应用于目标的视觉跟踪。而后，鲁棒估计策略，Yang的基于数据驱动的加强自适应方法，Liao的基于鲁棒卡尔曼滤波的跟踪方法以及Gai和Stevenson基于动态模型的方法，虽然在某些特定的场景中获得了较好的跟踪性能，但是有一定的不足之处：上述所有基于子空间的跟踪算法首先要将图像展成一维向量，目标表观的空间分布信息几乎完全丢失，从而使得模型对目标表观的全局性变化以及噪音非常敏感。针对这一缺点，Hu等引入张量思想，在一定程度上起到了效用。不过由于其在使用R-SVD更新过程只保留了前R个较大特征值所对应的特征向量带来了误差，并且随着跟踪进行时，误差会逐步累计，导致模型漂移。虽然一种基于动态张量分析的模型避免了上述误差，得到了更加精确的结果，但是由于小样本问题使得计算得到的协方差矩阵无法描述样本的分布情况，从而导致子空间的计算退化。 

发明内容

为了克服传统的基于子空间学习的表观模型只关注于目标区域特征之间的时间关联性，而忽略了目标区域的空间分布信息。本发明提供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，相对于其它的经典子空间跟踪算法，该跟踪方法更加有效和鲁棒。 

为了实现上述目的，本发明采用了以下的技术方案： 

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，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。 

进一步说，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；

更进一步说，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。 

更进一步说，所述的步骤(3)具体包括以下子步骤：