[发明专利]基于Lp范数正则化的增量子空间目标跟踪方法

说明书

本发明公开了一种基于L_p范数正则化的增量子空间目标跟踪方法，包括以下步骤：读入视频序列图像,手动标记第一帧目标的图像；利用Ross的方法获取观测值；对前5帧图像直接计算残差来确定当前帧的目标装态，并收集样本，采用Ross的方法获取初始的子空间和均值向量；从第6帧开始，在增广拉格朗日的框架下对观测样本建立目标函数，并进行最小化计算；评估每个候选样本成为当前帧真实目标的置信度，并收集样本；当收集的样本达到5个时，采用Ross的方法增量更新子空间和均值向量。本发明在保证有一定实时性的前提下，对目标在遮挡、光照、运动模糊等挑战下都具有较强的抗干扰性，并能在一个统一的框架下，观测不同稀疏度对跟踪的影响。

技术领域：

本发明属于机器视觉领域，特别涉及一种基于L_p范数正则化的增量子空间目标跟踪方法。

背景技术：

视频中的目标跟踪在视频监控、人机交互、行为分析等领域中都有重要的应用。尽管在近十年内，各国专家学者提出了很多方法，在该领域内取得了很多激动人心的进展，但是对目标进行实时鲁棒的跟踪依然是一项极具挑战的工作。原因之一就是视频是一种动态的时间序列，目标在行进过程中，其姿态会发生变化，并可能会遭遇光照、遮挡、相似物体的干扰。同时在行进过程中，摄像机的抖动或者目标的快速运动也会造成目标外观的模糊，更是进一步加剧了目标跟踪的难度。

近几年基于子空间协作表示的提出，在很大程度上降低了目标跟踪的难度。针对视频序列的目标，Ross^[1]等提出利用目标的主成分信息构建子空间，并采用增量更新的方式，使子空间中的目标信息能够适应目标的形态改变而有效更新，并通过子空间中主成分信息的线性组合，对候选样本进行协作表示。针对Ross^[1]方法欠缺处理离群子(如遮挡)的机制，Xiao^[2]等进一步提出利用一种矩形模板来模拟跟踪过程中产生的离群子，并在对候选样本的评估和子空间的更新中，定量的考虑离群子的存在，在一定程度上提高了跟踪的效果。

但是，基于子空间协作表示的方法，需要充分利用到子空间中每一个特征成分去进行目标重构，不可避免地引入冗余的特征成分。另外，对遮挡的处理仍然具有不妥之处，如[2]中的矩形模板，具有同时重构前景和背景的能力，当利用到每一个矩形模板进行协作表示时，势必会进一步恶化此二义性，造成目标的偏移甚至丢失。

发明内容：

本发明是为了克服上述现有技术中缺陷，提供了一种基于L_p范数正则化的增量子空间目标跟踪方法。

为了实现上述目的，本发明提供如下基于L_p范数正则化的增量子空间目标跟踪方法：

步骤一、读入第一帧图像Image₁，手动标记视频序列第一帧的目标图像，降采样目标图像并转为列向量d为目标图像的特征维数。初始化子空间D和奇异值对角矩E为空矩阵；

步骤二、读入下一帧Image_t+1(t≥1)，基于Ross^[1]的方法获取t+1帧候选样本的运动状态集合并将对应图像作为目标函数中的观测值的集合其中m为样本的个数；

步骤三、标记第i个观测样本同时确定当前t+1帧帧号，若 t+1≤5，则计算观测样本与第t帧真实目标状态的残差，得出t+1帧的真实目标状态并收集样本I_t+1，转入步骤八；否则直接转入步骤四；

步骤四、对观测样本构建目标函数，并对重构样本与观测样本的残差直接进行拉普拉斯建模||e||₁，以容纳目标跟踪中受到的离群子干扰；针对储存目标信息的PCA子空间的目标系数利用L_p范数正则化其目标系数项||c||_p，以在重构样本时，消除冗余特征的干扰；在增广拉格朗日算法下构建本专利提出的目标函数；