CN103927716A - 一种计算目标跟踪过程中目标形变或遮挡程度的方法 - Google Patents

Abstract

一种计算目标跟踪过程中目标形变或遮挡程度的方法涉及电子学技术领域，该方法包括：1）将目标跟踪结果y视为原始目标模型A的一种一阶线性回归y＝Ax+n+s，其中x为系数，n为高斯误差，s为拉普拉斯误差，求取一阶线性回归y＝Ax+n+s中的A；2）迭代计算系数x和拉普拉斯噪声s，给定则再用计算得到的则如此反复迭代直到达到最大迭代次数或得到的与上次迭代计算得到的差值小于精度阈值停止迭代；3）对s进行处理得到目标遮挡程度。本发明能够实时在线计算目标跟踪结果与原目标模型的遮挡以及形变位置及程度，并生成一个二值图像来表示遮挡或形变情况，为更新目标以及对跟踪结果的精度和准确度等分析提供很好的依据。

Description

一种计算目标跟踪过程中目标形变或遮挡程度的方法

技术领域

本发明涉及电子学技术领域，尤其涉及一种计算目标跟踪过程中目标形变或遮挡程度的方法。

背景技术

目标跟踪是一项融合图像处理、模式识别、概率论及随机过程、泛函及优化和偏微分方程等多学科的复杂课题，其一直是计算机视觉领域的重要研究课题，被广泛应用在智能人机交互、医疗诊断、安防监控、汽车智能交通等方面。

现有的目标跟踪方法很多，如经典的相关跟踪算法、基于不变性特征（SIFT）匹配的目标跟踪方法、基于均值漂移理论的目标跟踪方法、基于粒子滤波的目标跟踪方法等等，这些方法都是关注在一些特定的、或者是复杂的背景下对特定目标能够跟踪上即完成任务，而要想实现长期稳定的目标跟踪，就必须根据具体情况实时更新目标模型，并对目标在跟踪过程中出现的部分形变和部分遮挡等情况要有很好的鲁棒性。

因此，需要提供一种方法，为更新目标提供依据，从而避免将变化的背景以及遮挡物更新到目标模型中，使目标跟踪更加稳定。

发明内容

本发明的目的是提供一种计算目标跟踪过程中目标形变或遮挡程度的方法，其能够稳定判断出目标的遮挡情况以及目标的形变等情况，可以作为是否进行智能学习更新目标的依据。

为了实现上述目的，本发明的技术方案如下：

一种计算目标跟踪过程中目标形变或遮挡程度的方法包括如下步骤：

步骤1、将目标跟踪结果y视为原始目标模型A的一种一阶线性回归y＝Ax+n+s，其中x为系数，n为高斯误差，s为拉普拉斯误差，求取一阶线性回归y＝Ax+n+s中的A；

步骤2、计算拉普拉斯误差s：采用迭代方法进行求解，给定拉普拉斯误差估计值则系数x的估计值再用计算得到的求得 $\hat{s}=\max \left(\right|y-A\hat{x}|-\mathrm{\λ},0)\mathrm{sgn}(y-A\hat{x}),$ 其中， $\mathrm{\λ}=\sqrt{2}\frac{{\mathrm{\σ}}_N}{{\mathrm{\σ}}_L},$ σ_N和σ_L分别为高斯误差和拉普拉斯误差的方差，如此反复迭代直到达到最大迭代次数或者得到的与上次迭代计算得到的值的差小于精度阈值则停止迭代；

步骤3、计算在步骤2得到的拉普拉斯误差s中，其非零值占整个s向量中的比重，即得到目标形变或遮挡程度

本发明的有益效果是：本发明的方法能够稳定判断出目标的遮挡情况以及目标的形变等情况，可以作为是否进行智能学习更新目标的依据，也可以以此来修正目标跟踪结果，并为轨迹规划等提供有效信息，对实现长期稳定的目标跟踪有重要的理论意义和应用价值。

附图说明

图1为本发明计算目标跟踪过程中目标形变或遮挡程度的方法流程图。

图2为运用本发明方法后的实验结果示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明作进一步的详细说明。

图1示出了本发明计算目标跟踪过程中目标形变或遮挡程度的方法流程图。本发明方法可以用于任何带有学习、更新模块的智能目标跟踪方法或系统中。

本发明将目标跟踪结果y视为原始目标模型A的一种一阶线性回归y＝Ax+e，其中x为系数，e为残差即噪声，A为原始目标模型，那么对于系数x的求解问题可以最大似然估计问题，当噪声服从高斯分布，那么，最大似然估计问题就变为最小平方误差问题，此时其中，||·||₂表示二范数，即，使均方误差最小的系数x，该问题的解为当噪声服从拉普拉斯分布时，x的求解问题就变为最小绝对偏分问题其中，||·||₁表示一范数，而该一范数的直接求解很难。高斯分布对外点和噪声敏感，而拉普拉斯分布对噪声不敏感，那么可将本回归中的噪声看作是高斯分布和拉普拉斯分布的联合，一阶线性回归变为y＝Ax+n+s，其中，s为拉普拉斯误差，n为高斯分布误差，拉普拉斯误差s能够很好的表征目标跟踪结果y中的外点即遮挡或者形变程度。

那么结合上面的说明及图1的流程图，本发明计算目标跟踪过程中目标形变或遮挡程度的方法包括如下步骤：

步骤1、计算初始选定的目标的模型表示，即：对选定的目标进行表示，求取一阶线性回归y＝Ax+n+s中的A；

步骤2、计算拉普拉斯误差s，要同时计算得出目标跟踪结果与原始目标的系数x，此时对于系数x的求解问题则变为求最小化问题。由于一范数很难直接求解，对于该问题本发明采用迭代的方式进行求解，对于估计的s和x值本发明使用和表示，设具体过程如下：

1）设定的初始值，一般设为0向量，Dold=0；

2）给定则

3）再用计算得到的求得 $\hat{s}=\max \left(\right|y-A\hat{x}|-\mathrm{\λ},0)\mathrm{sgn}(y-A\hat{x}),$ 其中， $\mathrm{\λ}=\sqrt{2}\frac{{\mathrm{\σ}}_N}{{\mathrm{\σ}}_L},$ σ_N和σ_L分别为高斯误差和拉普拉斯误差的方差；

4）计算 $D_{\mathrm{new}}=\frac{1}{2}{\left|\right|y-A\hat{x}-\hat{s}\left|\right|}_2^2+\mathrm{\λ}{\left|\right|\widehat{s\left|\right|}}_1;$

5）判断是否达到最大迭代次数或者|D_new-D_old|小于精度阈值θ_th，如果是，则停止迭代进入下一步，如果否，则D_old＝D_new并返回2）；

6）计算得到的即为我们要求得的拉普拉斯噪声s；

步骤3、计算形变或遮挡程度w，对拉普拉斯误差s进行处理得到目标遮挡程度，得到的拉普拉斯误差s中的非零分量表示得到的目标跟踪结果中有外点即形变或者遮挡。形变或遮挡程度w为s向量中的非零值占整个s向量中的比重，

图2为一组实验结果，其中图2（a）为初始选定的目标，大小为32*32，图2（b）为目标跟踪得到的结果，大小同样是32*32，图2（c）为将本发明计算得到的s中的非零值变为1后得到的二值化图像，s的大小为32*32，其中图2（c）中的白色部分为s的非零值的对应位置，也对应了图2（b）中的跟踪结果中的原始目标的遮挡和形变位置。

实验中s的大小为32*32，其中非零值为237个，即图2(c)中的白点为237个，那么遮挡、形变度求得的拉普拉斯误差中的非零元素能够代表外点即目标中被遮挡或者发生形变的位置和程度。

Claims (1)

1.一种计算目标跟踪过程中目标形变或遮挡程度的方法，其特征在于，该方法包括如下步骤：

步骤1、将目标跟踪结果y视为原始目标模型A的一种一阶线性回归y＝Ax+n+s，其中x为系数，n为高斯误差，s为拉普拉斯误差，求取一阶线性回归y＝Ax+n+s中的A；

步骤2、计算拉普拉斯误差s：采用迭代方法进行求解，给定拉普拉斯误差估计值则系数x的估计值再用计算得到的求得 $\hat{s}=\max \left(\right|y-A\hat{x}|-\mathrm{\λ},0)\mathrm{sgn}(y-A\hat{x}),$ 其中， $\mathrm{\λ}=\sqrt{2}\frac{{\mathrm{\σ}}_N}{{\mathrm{\σ}}_L},$ σ_N为高斯误差的方差，σ_L为拉普拉斯误差的方差，如此反复迭代直到达到最大迭代次数或者得到的与上次迭代计算得到的值的差小于精度阈值则停止迭代；

步骤3、计算在步骤2得到的拉普拉斯误差s中，其非零值占整个s向量中的比重，即得到目标形变或遮挡程度