CN103413143A - 基于动态稀疏投影的视频目标跟踪方法 - Google Patents
基于动态稀疏投影的视频目标跟踪方法 Download PDFInfo
- Publication number
- CN103413143A CN103413143A CN2013103231709A CN201310323170A CN103413143A CN 103413143 A CN103413143 A CN 103413143A CN 2013103231709 A CN2013103231709 A CN 2013103231709A CN 201310323170 A CN201310323170 A CN 201310323170A CN 103413143 A CN103413143 A CN 103413143A
- Authority
- CN
- China
- Prior art keywords
- sigma
- histogram
- formula
- cur
- sample
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
Abstract
本发明公开了一种基于动态稀疏投影的视频目标跟踪方法,用于解决现有固定稀疏投影矩阵跟踪方法鲁棒性差的技术问题。技术方案是利用一系列不同维数的稀疏投影矩阵从高维图像上获取不同的低维图像特征信息,在此基础上利用朴素贝叶斯分类器分别得到对应的分类样本;通过计算每一个分类样本的与前一帧样本的特征对比度、与初始帧样本的图像相似度、当前帧目标与背景的像素分布差异度比较结果获取各自的权重信息,动态更新权值小于阈值的稀疏投影矩阵并选取权重最优的分类样本作为最终的目标跟踪结果。跟踪结果准确率达到85%以上。
Description
技术领域
本发明涉及一种视频目标跟踪方法,特别是涉及一种基于动态稀疏投影的视频目标跟踪方法。
背景技术
利用投影矩阵把高维的图像空间信息转化成低维的特征空间信息,通过计算低维特征空间信息实现快速鲁棒的视频目标跟踪,具有非常重要的意义。现有的视频跟踪方法主要有:基于离线学习的视频跟踪方法和基于在线学习的视频跟踪方法。
文献“Real-time compressive tracking.ECCV,20:866–879,2012.”公开了一种基于在线学习的视频跟踪方法。该方法采用稀疏投影矩阵获取低维的图像特征空间信息,之后采用朴素贝叶斯分类器对所有样本的特征信息进行分类获取最优的分类结果实现目标的跟踪。在稀疏投影阶段,利用一个维数固定的稀疏投影矩阵,获得所有正样本和负样本图像的低维特征信息。利用该投影矩阵获取的低维特征信息,将最大限度的表达出对应的高维图像信息。但是该投影矩阵的构建是在初始阶段完成,构建该投影矩阵的过程是一个随机采样的过程,因此当该投影矩阵的维数固定不变时,所生成的投影矩阵在跟踪过程中会出现如下问题:1)当稀疏矩阵的维数较小时,由于采样分布的不足导致低维特征信息不能完全表达高维的图像信息,造成低分辨率、低纹理、低对比度的目标跟踪过程失效;2)当稀疏矩阵的维数较大时,由于采样分布的冗余导致计算复杂度的提高并容易造成目标遮挡、目标自身变化情况下的跟踪过程失效。综上所述,固定维数稀疏投影矩阵的视频跟踪方法的鲁棒性并不是很好。
发明内容
为了克服现有固定稀疏投影矩阵跟踪方法鲁棒性差的不足,本发明提供一种基于动态稀疏投影的视频目标跟踪方法。该方法利用一系列不同维数的稀疏投影矩阵获取不同的低维图像特征信息,在此基础上利用朴素贝叶斯分类器分别得到对应的分类样本;其次,通过计算每一个分类样本的与前一帧样本的特征对比度、与初始帧样本的图像相似度、当前帧目标与背景的像素分布差异度比较结果获取各自的权重信息,选取权重最优的分类样本作为最终的目标跟踪结果,可以提高跟踪结果的准确率。
本发明解决其技术问题所采用的技术方案是:一种基于动态稀疏投影的视频目标跟踪方法,其特点是包括以下步骤:
式中,s=2或者s=3。
步骤二、利用上一帧跟踪结果的图像坐标位置lt-1,生成正样本集合Dα={z|||l(z)-lt-1||<α}和负样本集合Dβ,ζ={z|β<||l(z)-lt-1||<ζ}。
定义一组多尺度因子{h1,1,...,h w,h }对所有样本都进行多尺度矩形滤波,多尺度因子的表示如下,
式中,i和j分别代表矩形滤波框的宽和高。经过多尺度矩形滤波处理后,所有图像样本被转换成高维的多尺度图像特征向量其中m=(w h)2。利用步骤一生成的一系列稀疏投影矩阵把多尺度图像特征向量x转换成各自对应的低维特征向量
vi=Rix (3)
步骤三、利用朴素贝叶斯分类器H(v)对所有低维特征向量vi进行分类,
式中,参数λ=0.85, 经过朴素贝叶斯分类器处理后,每一个随机投影矩阵Ri对应的都得到一个分类样本l(Ri)。
步骤四、分别计算每一个分类样本l(Ri)与初始目标样本的直方图统计信息对比度、与前一帧目标样本的特征直方图统计信息对比度、目标区域与目标所处的背景区域的直方图统计信息三个对比度信息。令分类样本l(Ri)的像素直方图为Hcur(i),初始目标样本的像素直方图为Hinit,
式中,N=256。根据Simi的大小排序,从大到小分别赋予直方图对比度权重信息(λ1,λ2,…,λm),其中λ1>λ>,…,>λm。
计算像素直方图相似度Simi(Hcur(i),Hinit)并根据Simi(Hcur(i),Hinit)的大小排序,从大到小分别赋予直方图对比度权重信息(λ1,λ2,…,λm),其中λ1>λ>,…,>λm;令分类样本l(Ri)的特征直方图为Tcur(i),前一帧目标样本的特征直方图为Tpre(i),
计算特征相似度Dis(Tcur(i),Tpre(i))并根据Dis(Tcur(i),Tpre(i))的大小排序,从大到小分别赋予特征直方图对比度权重信息(δ1,δ2,…,δm),其中δ1>δ2>,…,>δm;令目标的像素特征直方图为Hobj(i),背景样本的像素特征直方图为Hbg(i),分别计算目标和背景的概率密度并进行归一化得到p(i)=Hobj(i)/nobj,q(i)=Hbg(i)/nbg,nobj、nbg分别代表目标样本和背景样本的数量,p(i)、q(i)分别代表目标样本和背景样本的离散概率密度。利用p(i)、q(i)得到似然函数,
式中,δ=0.001,防止log出现为0的情况。通过计算L(i)的方差判断目标样本特征和背景样本特征的差异度,利用方差计算公式var(x)=Ex2-(Ex)2得到
式中,a(i)是概率密度函数。得到似然函数的方差比公式
式中,L(i)为似然函数,var(x)为方差公式。根据直方图对比度VRi的大小排序,从大到小分别赋予特征直方图对比度权重信息(η1,η2,…,ηm),其中η1>η2>,…,>ηm。根据三个对比度信息得到每一个分类样本l(Ri)的权值总量
w(Ri)=ωs·Σλsiml(Ri)+ωf·Σδdisl(Ri)+ωd·Σηdisl(Ri) (12)
式中,ωs=0.4、ωf=0.3、ωd=0.3。当w(Ri)<Ndynamic时,重新生成一个新的稀疏投影矩阵Ri'代替当前的Ri,从而实现动态稀疏投影矩阵的更新。选取w(Ri)权值最大的Ri所对应的分类样本作为当前帧的目标跟踪结果。
本发明的有益效果是:由于本发明利用一系列不同维数的稀疏投影矩阵从高维图像上获取不同的低维图像特征信息,在此基础上利用朴素贝叶斯分类器分别得到对应的分类样本;通过计算每一个分类样本的与前一帧样本的特征对比度、与初始帧样本的图像相似度、当前帧目标与背景的像素分布差异度比较结果获取各自的权重信息,动态更新权值小于阈值的稀疏投影矩阵并选取权重最优的分类样本作为最终的目标跟踪结果,跟踪结果准确率达到85%以上。
下面结合具体实施方式对本发明作详细说明。
具体实施方式
本发明基于动态稀疏投影的视频目标跟踪方法具体步骤如下:
式中,s=2或者s=3。
为了提高算法的鲁棒性及计算的实时性,一次生成10个稀疏投影矩阵,矩阵的维数采用均匀随机采样的方式在0~100之间生成。
步骤二、利用上一帧跟踪结果的图像坐标位置lt-1,生成正样本集合Dα={z|||l(z)-lt-1||<α}和负样本集合Dβ,ζ={z|β<||l(z)-lt-1||<ζ},定义α=4生成45个正样本;定义ζ=8,β=30,在生成的大量负样本中,随机选取50个作为负样本。
定义一组多尺度因子{h1,1,…,h w,h }对所有样本都进行多尺度矩形滤波,多尺度因子的表示如下,
式中,i和j分别代表矩形滤波框的宽和高。经过多尺度矩形滤波处理后,所有图像样本被转换成高维的多尺度图像特征向量其中m=(w h)2。利用步骤一生成的一系列稀疏投影矩阵把多尺度图像特征向量x转换成各自对应的低维特征向量
vi=Rix (3)
步骤三、利用朴素贝叶斯分类器H(v)对所有低维特征向量vi进行分类,
式中,参数λ=0.85, 经过朴素贝叶斯分类器处理后,每一个随机投影矩阵Ri对应的都得到一个分类样本l(Ri)。
步骤四、分别计算每一个分类样本l(Ri)与初始目标样本的直方图统计信息对比度、与前一帧目标样本的特征直方图统计信息对比度、目标区域与目标所处的背景区域的直方图统计信息三个对比度信息。令分类样本l(Ri)的像素直方图为Hcur(i),初始目标样本的像素直方图为Hinit,
式中,N=256。根据Simi的大小排序,从大到小分别赋予直方图对比度权重信息(λ1,λ2,…,λm),其中λ1>λ>,…,>λm。
计算像素直方图相似度Simi(Hcur(i),Hinit)并根据Simi(Hcur(i),Hinit)的大小排序,从大到小分别赋予直方图对比度权重信息(λ1,λ2,…,λm),其中λ1>λ>,…,>λm;令分类样本l(Ri)的特征直方图为Tcur(i),前一帧目标样本的特征直方图为Tpre(i),
根据的大小排序,从大到小分别赋予特征直方图对比度权重信息(δ1,δ2,…,δm),其中δ1>δ2>,…,>δm。
计算特征相似度Dis(Tcur(i),Tpre(i))并根据Dis(Tcur(i),Tpre(i))的大小排序,从大到小分别赋予特征直方图对比度权重信息(δ1,δ2,…,δm),其中δ1>δ2>,…,>δm;令目标的像素特征直方图为Hobj(i),背景样本的像素特征直方图为Hbg(i),分别计算目标和背景的概率密度并进行归一化得到p(i)=Hobj(i)/nobj,q(i)=Hbg(i)/nbg,nobj、nbg分别代表目标样本和背景样本的数量,p(i)、q(i)分别代表目标样本和背景样本的离散概率密度。利用p(i)、q(i)得到似然函数,
式中,δ=0.001,防止log出现为0的情况。通过计算L(i)的方差判断目标样本特征和背景样本特征的差异度,利用方差计算公式var(x)=Ex2-(Ex)2得到
式中,a(i)是概率密度函数。得到似然函数的方差比公式
式中,L(i)为似然函数,var(x)为方差公式。根据直方图对比度VRi的大小排序,从大到小分别赋予特征直方图对比度权重信息(η1,η2,…,ηm),其中η1>η2>,…,>ηm。根据三个对比度信息得到每一个分类样本l(Ri)的权值总量
w(Ri)=ωs·Σλsiml(Ri)+ωf·Σδdisl(Ri)+ωd·Σηdisl(Ri) (12)
式中,ωs=0.4、ωf=0.3、ωd=0.3。当w(Ri)<Ndynamic时,重新生成一个新的稀疏投影矩阵Ri'代替当前的Ri,从而实现动态稀疏投影矩阵的更新。选取w(Ri)权值最大的Ri所对应的分类样本作为当前帧的目标跟踪结果。
Claims (1)
1.一种基于动态稀疏投影的视频目标跟踪方法,其特征在于包括以下步骤:
式中,s=2或者s=3;
步骤二、利用上一帧跟踪结果的图像坐标位置lt-1,生成正样本集合Dα={z|||l(z)-lt-1||<α}和负样本集合Dβ,ζ={z|β<||l(z)-lt-1||<ζ};
定义一组多尺度因子{h1,1,…,h w,h }对所有样本都进行多尺度矩形滤波,多尺度因子的表示如下,
式中,i和j分别代表矩形滤波框的宽和高;经过多尺度矩形滤波处理后,所有图像样本被转换成高维的多尺度图像特征向量其中m=(w h)2;利用步骤一生成的一系列稀疏投影矩阵把多尺度图像特征向量x转换成各自对应的低维特征向量
vi=Rix (3)
步骤三、利用朴素贝叶斯分类器H(v)对所有低维特征向量vi进行分类,
式中,参数λ=0.85, 经过朴素贝叶斯分类器处理后,每一个随机投影矩阵Ri对应的都得到一个分类样本l(Ri);
步骤四、分别计算每一个分类样本l(Ri)与初始目标样本的直方图统计信息对比度、与前一帧目标样本的特征直方图统计信息对比度、目标区域与目标所处的背景区域的直方图统计信息三个对比度信息;令分类样本l(Ri)的像素直方图为Hcur(i),初始目标样本的像素直方图为Hinit,
式中,N=256;根据Simi的大小排序,从大到小分别赋予直方图对比度权重信息(λ1,λ2,…,λm),其中λ1>λ>,…,>λm;
计算像素直方图相似度Simi(Hcur(i),Hinit)并根据Simi(Hcur(i),Hinit)的大小排序,从大到小分别赋予直方图对比度权重信息(λ1,λ2,…,λm),其中λ1>λ>,…,>λm;令分类样本l(Ri)的特征直方图为Tcur(i),前一帧目标样本的特征直方图为Tpre(i),
计算特征相似度Dis(Tcur(i),Tpre(i))并根据Dis(Tcur(i),Tpre(i))的大小排序,从大到小分别赋予特征直方图对比度权重信息(δ1,δ2,…,δm),其中δ1>δ2>,…,>δm;令目标的像素特征直方图为Hobj(i),背景样本的像素特征直方图为Hbg(i),分别计算目标和背景的概率密度并进行归一化得到p(i)=Hobj(i)/nobj,q(i)=Hbg(i)/nbg,nobj、nbg分别代表目标样本和背景样本的数量,p(i)、q(i)分别代表目标样本和背景样本的离散概率密度;利用p(i)、q(i)得到似然函数,
式中,δ=0.001,防止log出现为0的情况;通过计算L(i)的方差判断目标样本特征和背景样本特征的差异度,利用方差计算公式var(x)=Ex2-(Ex)2得到
式中,a(i)是概率密度函数;得到似然函数的方差比公式
式中,L(i)为似然函数,var(x)为方差公式;根据直方图对比度VRi的大小排序,从大到小分别赋予特征直方图对比度权重信息(η1,η2,…,ηm),其中η1>η2>,…,>ηm;根据三个对比度信息得到每一个分类样本l(Ri)的权值总量
w(Ri)=ωs·Σλsiml(Ri)+ωf·Σδdisl(Ri)+ωd·Σηdisl(Ri) (12)
式中,ωs=0.4、ωf=0.3、ωd=0.3;当w(Ri)<Ndynamic时,重新生成一个新的稀疏投影矩阵Ri'代替当前的Ri,从而实现动态稀疏投影矩阵的更新;选取w(Ri)权值最大的Ri所对应的分类样本作为当前帧的目标跟踪结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310323170.9A CN103413143B (zh) | 2013-07-29 | 2013-07-29 | 基于动态稀疏投影的视频目标跟踪方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310323170.9A CN103413143B (zh) | 2013-07-29 | 2013-07-29 | 基于动态稀疏投影的视频目标跟踪方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103413143A true CN103413143A (zh) | 2013-11-27 |
CN103413143B CN103413143B (zh) | 2017-02-08 |
Family
ID=49606150
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310323170.9A Expired - Fee Related CN103413143B (zh) | 2013-07-29 | 2013-07-29 | 基于动态稀疏投影的视频目标跟踪方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103413143B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617636A (zh) * | 2013-12-02 | 2014-03-05 | 西北工业大学 | 基于运动信息及稀疏投影的视频目标自动检测跟踪方法 |
CN103679754A (zh) * | 2013-12-20 | 2014-03-26 | 河北汉光重工有限责任公司 | 一种实时目标搜索与跟踪技术 |
CN104318590A (zh) * | 2014-11-10 | 2015-01-28 | 成都信升斯科技有限公司 | 视频中的目标跟踪方法 |
CN104331906A (zh) * | 2014-11-10 | 2015-02-04 | 成都信升斯科技有限公司 | 图像实时处理方法 |
CN105139422A (zh) * | 2015-08-14 | 2015-12-09 | 中国联合网络通信集团有限公司 | 一种自解释目标跟踪方法及装置 |
GB2539900A (en) * | 2015-06-30 | 2017-01-04 | Nokia Technologies Oy | A method, an apparatus and a computer program product for machine learning |
CN106650754A (zh) * | 2016-12-20 | 2017-05-10 | 电子科技大学 | 一种针对视觉映射的稀疏高斯过程回归方法 |
CN107273927A (zh) * | 2017-06-13 | 2017-10-20 | 西北工业大学 | 基于类间匹配的无监督领域适应分类方法 |
CN110161362A (zh) * | 2019-06-20 | 2019-08-23 | 广东石油化工学院 | 基于投影空间的变压器运行状态振声检测方法和系统 |
CN110287874A (zh) * | 2019-06-25 | 2019-09-27 | 北京市商汤科技开发有限公司 | 目标追踪方法及装置、电子设备和存储介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102148921A (zh) * | 2011-05-04 | 2011-08-10 | 中国科学院自动化研究所 | 基于动态群组划分的多目标跟踪方法 |
-
2013
- 2013-07-29 CN CN201310323170.9A patent/CN103413143B/zh not_active Expired - Fee Related
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102148921A (zh) * | 2011-05-04 | 2011-08-10 | 中国科学院自动化研究所 | 基于动态群组划分的多目标跟踪方法 |
Non-Patent Citations (2)
Title |
---|
HAICHAO ZHANG ET AL.: "Simultaneous discriminative projection and dictionary learning for sparse representation based classification", 《PATTERN RECOGNITION》 * |
邵洁: "稀疏投影在目标跟踪中的应用", 《上海电力学院学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103617636B (zh) * | 2013-12-02 | 2016-08-17 | 西北工业大学 | 基于运动信息及稀疏投影的视频目标自动检测跟踪方法 |
CN103617636A (zh) * | 2013-12-02 | 2014-03-05 | 西北工业大学 | 基于运动信息及稀疏投影的视频目标自动检测跟踪方法 |
CN103679754A (zh) * | 2013-12-20 | 2014-03-26 | 河北汉光重工有限责任公司 | 一种实时目标搜索与跟踪技术 |
CN104318590A (zh) * | 2014-11-10 | 2015-01-28 | 成都信升斯科技有限公司 | 视频中的目标跟踪方法 |
CN104331906A (zh) * | 2014-11-10 | 2015-02-04 | 成都信升斯科技有限公司 | 图像实时处理方法 |
GB2539900A (en) * | 2015-06-30 | 2017-01-04 | Nokia Technologies Oy | A method, an apparatus and a computer program product for machine learning |
CN105139422A (zh) * | 2015-08-14 | 2015-12-09 | 中国联合网络通信集团有限公司 | 一种自解释目标跟踪方法及装置 |
CN105139422B (zh) * | 2015-08-14 | 2018-05-18 | 中国联合网络通信集团有限公司 | 一种自解释目标跟踪方法及装置 |
CN106650754A (zh) * | 2016-12-20 | 2017-05-10 | 电子科技大学 | 一种针对视觉映射的稀疏高斯过程回归方法 |
CN106650754B (zh) * | 2016-12-20 | 2019-06-21 | 电子科技大学 | 一种针对视觉映射的稀疏高斯过程回归方法 |
CN107273927A (zh) * | 2017-06-13 | 2017-10-20 | 西北工业大学 | 基于类间匹配的无监督领域适应分类方法 |
CN107273927B (zh) * | 2017-06-13 | 2020-09-22 | 西北工业大学 | 基于类间匹配的无监督领域适应分类方法 |
CN110161362A (zh) * | 2019-06-20 | 2019-08-23 | 广东石油化工学院 | 基于投影空间的变压器运行状态振声检测方法和系统 |
CN110287874A (zh) * | 2019-06-25 | 2019-09-27 | 北京市商汤科技开发有限公司 | 目标追踪方法及装置、电子设备和存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN103413143B (zh) | 2017-02-08 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103413143A (zh) | 基于动态稀疏投影的视频目标跟踪方法 | |
CN108665481B (zh) | 多层深度特征融合的自适应抗遮挡红外目标跟踪方法 | |
CN101980298B (zh) | 基于多智能体遗传聚类算法的图像分割方法 | |
CN104820997B (zh) | 一种基于分块稀疏表达与hsv特征融合的目标跟踪方法 | |
CN108428015B (zh) | 一种基于历史气象数据和随机模拟的风电功率预测方法 | |
CN102567973B (zh) | 基于改进的形状自适应窗口的图像去噪方法 | |
CN103473755B (zh) | 基于变化检测的sar图像稀疏去噪方法 | |
CN112183742B (zh) | 基于渐进式量化和Hessian信息的神经网络混合量化方法 | |
CN103024349A (zh) | 一种基于稀疏限制的mle视频目标跟踪方法 | |
CN104683802A (zh) | 一种基于h.264/avc压缩域的运动目标跟踪的方法 | |
CN103177265A (zh) | 基于核函数与稀疏编码的高清图像分类方法 | |
Chiang et al. | Reservoir drought prediction using support vector machines | |
CN111178261A (zh) | 一种基于视频编码技术的人脸检测加速方法 | |
CN106530330B (zh) | 基于低秩稀疏的视频目标跟踪方法 | |
CN110111365B (zh) | 基于深度学习的训练方法和装置以及目标跟踪方法和装置 | |
CN103824285B (zh) | 一种基于蝙蝠优化模糊聚类的图像分割方法 | |
CN104933733A (zh) | 一种基于稀疏特征选择的目标跟踪方法 | |
Park et al. | Enhanced machine learning algorithms: deep learning, reinforcement learning, and q-learning | |
Li et al. | Towards communication-efficient digital twin via ai-powered transmission and reconstruction | |
CN104680194A (zh) | 基于随机蕨丛和随机投影的在线目标跟踪方法 | |
CN106952287A (zh) | 一种基于低秩稀疏表达的视频多目标分割方法 | |
CN116257780A (zh) | 基于盲信号分离的无监督特征提取和自适应的dbscan聚类方法 | |
CN110751082B (zh) | 一种智能家庭娱乐系统手势指令识别方法 | |
Zhu et al. | An improved FCM algorithm for ripe fruit image segmentation | |
Li et al. | An innovated integrated model using singular spectrum analysis and support vector regression optimized by intelligent algorithm for rainfall forecasting |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C14 | Grant of patent or utility model | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20170208 Termination date: 20190729 |
|
CF01 | Termination of patent right due to non-payment of annual fee |