[发明专利]一种基于在线迭代子空间学习的目标跟踪方法

权利要求书

1.一种基于在线迭代子空间学习的目标跟踪方法，其特征在于，包括如下步骤：

步骤A，序列图像的鲁棒性在线校准

将所跟踪目标的每一张序列图像向量化为n×1的列向量，则整个序列图像集合构成一个n×N矩阵D，其中D可以分解成一个大小为n×N低秩矩阵L＝UW，一个大小为n×N的稀疏矩阵E，和一个非线性图像变换τ，U是构成低秩矩阵L的列子空间正交矩阵，大小为n×d，d为矩阵L的秩；W是权重系数矩阵，大小为d×N；

序列图像的鲁棒性在线校准公式如下：

G(d,n)是n维实空间中所有n×d的正交矩阵构成的集合称为格拉斯曼流形；

由于图像变换D°τ的非线性性质，上式(1)表示如下：

是当前对图像变换参数的估计，是第i张图像基于图像旋转变换的雅克比矩阵，{ξ_i}表示Rⁿ的标准基，k是迭代次数；

计算公式(2)将目标图像变换成为一个在规范坐标系中精确校准的目标图像，具体包括如下步骤：

步骤A-1，首先给出第一帧图像中待跟踪物体的若干初始位置参数，对于初始位置参数所框选的待追踪物体图像I均匀进行m次仿射变换扰动，通过仿射变换得到m个经过扰动的跟踪物体图像，然后利用这些图像初始化L个子空间采用上式(2)初始化L个子空间

步骤A-2，每次仅考虑一帧图像I_i，固定子空间将公式(2)改写为：

上式中，I_i是第i帧图像，是第k次迭代所估计的变换参数，是第k次迭代针对变换的雅可比矩阵，w为权重向量，e为稀疏向量，Δτ为增量的变换参数；

公式(3)的增广拉格朗日形式如下：

其中λ∈Rⁿ是拉格朗日乘子向量，u是增广拉格朗日函数的惩罚项因子；

最优参数值(w^*,e^*,Δτ^*,λ^*)可由下式ADMM算法求得：

上式中ρ＞1是ADMM的常量系数，μ^p是第p次ADMM迭代过程中的惩罚项因子，其中μ⁰＝u；

步骤A-3，选择公式(4)作为第k次迭代过程中子空间更新的代价函数更新子空间

首先对(4)关于U^k求导：

将其投影至格拉斯曼流形G(d^k,n),得梯度引入和得ΔL的SVD分解表示为下式：

x₂,…,x_d和y₂,…,y_d为相互正交的向量，σ＝||Γ||||w^*||；

子空间的更新方法如下：

η为梯度下降的步长；

步骤B，采用子空间在线更新方法对目标进行跟踪：

对子空间集合通过如下步骤进行在线更新：

对于当前待跟踪的第i帧序列图像I_i，完成L次迭代，完成对子空间集合的更新，每次迭代时使用公式(5)计算出最优的(w^*,e^*,Δτ^*,λ^*)，其中Δτ^*即计算出k＝[1,…L]，其中初始的子空间集合为初始的变换参数为

依次处理后续帧序列图像，初始的变换参数采用与第i帧序列图像同样的方式更新子空间集合直至处理完所有后续帧序列图像；

根据在规范坐标系中校准目标图像的矩形框若干顶点位置常量，经过的变换，得到该目标在I_i+1图像中的位置参数，其中为的逆变换。

2.根据权利要求1所述的基于在线迭代子空间学习的目标跟踪方法，其特征在于，在步骤B之前采用下式判断跟踪目标的图像是否发生较大的畸变：

∈是判定阈值，如果稀疏向量e^*超过给定阈值则说明跟踪目标的图像发生了较大的畸变，需要重新初始化跟踪目标的子空间集合使用上一帧校准的跟踪目标和当前帧出现畸变的跟踪目标分别随机均匀扰动m次，并分别增加子空间集合的秩d^k＝d^k+1,k＝1,…,L，然后使用公式(2)初始化得到新的子空间集合