[发明专利]基于邻里成分分析和尺度空间理论的视频目标跟踪方法

摘要

本发明属于计算机视觉技术领域，具体涉及一种基于邻里成分分析和尺度空间理论的视频目标跟踪方法。本发明提出了利用邻里成分分析法（NCA）的特征变换功能来获取区分目标和背景的最优特征，获得在任意帧图像中区分目标和背景像素的最佳线性分类器，从分类器设计的角度解决了目标特征的更新问题；提出了基于多尺度规范化Laplacian滤波函数的粒子置信度计算方法，利用粒子滤波的状态多样性和收敛特性，在避免目标被遮挡后算法陷入局部最优点问题的同时，在尺度空间理论的基础上保证了跟踪的精度。本发明能更准确地定位目标的位置和尺度大小，更有效的适应目标光照、色彩变化问题，同时鲁棒的处理目标遮挡。

主权项

1.基于邻里成分分析和尺度空间理论的视频目标跟踪方法，其特征在于，该视频目标跟踪方法包括以下步骤：步骤1：在第一帧中通过检测或手动标注确定目标最初所在的矩形框，获得有关目标的初始状态，并初始化粒子滤波器；通过目标检测方法或手动标注确定目标最初所在矩形框，目标矩形左上角点坐标为(r,c)，矩形框的宽和高为(w,h)，目标初始尺度参数s通过如下公式计算获得：s=((13+(w-34)*0.47619))²；其中，目标中心点为记录目标的宽度与高度比例为：asr=wh;]]>设定目标的初始状态的采样下限为lb，采样上限为ub；设定N个粒子来描述目标状态的多样性，将所有粒子的权值初始化为统一的将各粒子的各分量初始化为在[lb,ub]范围内均匀分布的随机向量；步骤2：对当前帧中目标所在的矩形框内和目标所在的矩形框外的背景域上进行采样，得到2K个样本的训练集X；在目标所在的矩形框中，以目标中心点坐标为二维高斯分布的期望，对目标区域进行采样，得到K个采样位置，以K个采样位置处的目标像素特征组成训练样本集中的K个目标类样本；以目标矩形的最小邻接椭圆的中心为极点，平行于目标宽度的方向为极轴建立极坐标，在极坐标中进行随机采样，每个采样点的角度为[0,2π)内均匀分布的随机数，极径为相同角度下椭圆上点的极径的倍数，该倍数为一个指数分布的随机数与大于1的浮点数之和，采样得到K个位于目标区域之外，周围背景域之上的新采样点，以新采样点位置处的背景像素的特征组成训练样本集中的K个背景类样本；通过采样的2K个样本得到训练集X；步骤3：对2K个样本的训练集X进行邻里成分分析NCA，并使用向量BFGS多变量优化算法求解得到新的线性空间转移矩阵A_new，2K个训练样本再按照得到新的线性空间转移矩阵A_new进行变换，得到变换后的训练样本集AX；步骤4：获取下一帧图像，成为当前帧，将该帧图像中所有位置的像素特征构成的向量组成测试样本集，也按照A_new进行变换，得到变换后的测试样本集S_new；利用上一帧中变换后的训练样本集AX对本帧中变换后的测试样本集S_new进行分类，得到各测试样本分类的概率p_post，将属于目标类的概率作为各测试样本所在位置处的像素值，则得到一幅新的灰度图的目标概率分布图I_likelihood；步骤5：在目标概率分布图I_likelihood上，计算以各个粒子所在位置处为中心的多尺度规范化Laplacian滤波函数，在粒子所在位置处的值；其中最大值为vmax，以各粒子的多尺度规范化Laplacian滤波函数值，距最大值vmax的归一化的距离为基础计算该粒子的置信度；步骤6：更新粒子滤波器，获取滤波器的输出状态，得到目标在当前帧图像中用矩形框表示的新位置，若跟踪尚未结束，转步骤2，否则停止。