[发明专利]移动目标跟踪方法及系统

说明书

技术领域

本发明属于互联网技术领域，具体涉及一种移动目标跟踪方法及系 统。

背景技术

移动目标跟踪已经成为智能技术领域的核心技术之一，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。

发明内容

本发明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。

本发明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z_i∈{+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,V^T]＝svd(A)

其中，正交矩阵U为学到的子空间的基向量；

SV^T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＝U_1: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)＝w^TPq+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|s_i)表示运动状态变量为s_i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；