[发明专利]一种基于稀疏特征选择的目标跟踪方法

摘要

本发明涉及一种基于稀疏特征选择的目标跟踪方法，首先，利用Haar-like特征对目标、背景以及待选目标点进行表示。其次，利用稀疏表示具有的特殊性质，对高维的Haar-like特征进行特征选择，选择那些对目标和背景具有良好区分性的特征作为样本点的表示。最后，利用选好的样本点训练朴素贝叶斯分类器，同时在线进行更新分类，使得分类器能实时反映目标和背景之间的关系。本发明利用稀疏特征选择的方法构建了一个投影矩阵，对传统的高维Haar-like特征进行降维，减小计算量的同时也保留了那些对分类有帮助的特征，能够更加有效的区分目标和背景，实现了目标的快速鲁棒跟踪。

主权项

一种基于稀疏特征选择的目标跟踪方法，其特征在于步骤如下：步骤1：在第一帧图像目标的周围距离为R₁的圆形范围内随机选取N_p个粒子点，并记录所有N_p个粒子点的坐标(x_i,y_i),i＝1,2,…,N_p；每个粒子代表了一个目标正样本；在距离目标半径为R₂的圆形外，同样随机选取N_n个粒子点，并记录N_n个粒子点的坐标点(x_j,y_j),j＝1,2,…,N_n；每个粒子点代表了一个目标负样本；所述第一帧图像中的参数为[x,y,w,h]，其中：x,y表示目标中心的横纵坐标，w,h表示目标的宽和高；步骤2：将N_p个目标正样本与N_n个目标负样本与一系列不同尺度的矩形滤波器{F_1,1,…,F_w,h}进行卷积计算，然后，将每种尺度卷积后的目标块拉成一个维度为wh的列向量；最后，将每种尺度滤波器卷积后得到的列向量组成一个维度为(w×h)²的列向量所述矩形滤波器{F_1,1,…,F_w,h}的间隔为1；步骤3：采用一个大小为n×m的投影矩阵s将列向量投影到一个另一低维空间v∈Rⁿ，v＝Sx；步骤4：用所有正负样本对应的列向量v∈Rⁿ，v＝(v₁,v₂,…,v_n)以及相对应的正负标签y，对贝叶斯分类器进行训练$H\left(v\right)=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}\log \left(\frac{p\left(v_i\right|y=1)}{p\left(v_i\right|y=0)}\right)$其中：p(v_i|y＝1)，p(v_i|y＝0)通过高斯分布进行估计，其参数为${\mathrm{\μ}}_i^1=\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{v}_i\left(k\right)$$\left\{\begin{array}{c}{\mathrm{\σ}}_i^1=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{(v_i\left(k\right)-{\mathrm{\μ}}_i^1)}^2}\\ {\mathrm{\μ}}_i^0=\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=0}^{n-1}{v}_i\left(k\right)\end{array}\right.;$${\mathrm{\σ}}_i^0=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=0}^{n-1}{(v_i\left(k\right)-{\mathrm{\μ}}_i^0)}^2}$步骤5：读取下一帧，在前一帧目标位置周围距离为R₃的圆形范围内随机产生k个粒子点，记录其坐标(x_k,y_k)k＝1,2,…,K；每个粒子点代表一个候选目标，每个候选目标按照步骤2和3中的特征表示方法得到一个列向量d∈Rⁿ；步骤6：采用步骤4中贝叶斯分类器计算每个候选目标的分类器响应，以分类响应最大的候选目标作为该帧的跟踪结果；重复步骤5～步骤6，在跟踪了5～6帧后，通过如下公式更新贝叶斯分类器的参数：${\mathrm{\μ}}_i^1=(1-\mathrm{\λ}){\mathrm{\μ}}_i^1+{\mathrm{\λ\μ}}_{i\_\mathrm{new}}^1$${\mathrm{\σ}}_i^1=\sqrt{(1-\mathrm{\λ}){\left({\mathrm{\σ}}_i^1\right)}^2+\mathrm{\λ}{\left({\mathrm{\σ}}_{i\_\mathrm{new}}^1\right)}^2+\mathrm{\λ}(1-\mathrm{\λ}){({\mathrm{\μ}}_i^1-{\mathrm{\μ}}_{i\_\mathrm{new}}^1)}^2}$继续重复步骤6时，以更新参数后的贝叶斯分类器计算每个候选目标的分类器响应，至所有图像序列的所有帧处理完成；其中：λ表示一个学习参数，是最新积累的目标集合的参数，通过如下公式求得：${\mathrm{\μ}}_{i\_\mathrm{new}}^1=\frac{1}{n}{\mathrm{\Σ}}_{k=1}^m{v}_i\left(k\right)$${\mathrm{\σ}}_{i\_\mathrm{new}}^0=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0}^m{(v_i\left(k\right)-{\mathrm{\μ}}_{i\_\mathrm{new}}^0)}^2}.$