CN104933733A - 一种基于稀疏特征选择的目标跟踪方法 - Google Patents

Abstract

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。

Description

一种基于稀疏特征选择的目标跟踪方法

技术领域

本发明属于计算机数字图像处理技术，具体涉及一种基于稀疏特征选择的目标跟踪方法。

背景技术

目标跟踪算法，大致可以分为生成型和判别型两大类。生成型的跟踪算法通常为需要跟踪目标生成一个外观模型，通过对外观模型的匹配，寻找到相似度最高的那个候选目标最为跟踪结果。而判别型的跟踪算法则采用不同的方法，它将跟踪看成一个二分分类问题，通过正负样本训练一个分类器，将目标和背景区分开来。

近年来，基于粒子滤波的目标跟踪方法得到了极大的重视，粒子滤波器是一种从带噪声的数据中估计运动状态的技术，在状态空间中通过传播大量带权离散随机变量来近似概率分布并递归。这里的随机变量被形象地称为粒子，当粒子个数趋于无穷时可以逼近任何形式的概率分布。通常视频目标运动状态是非线性、非高斯的，粒子滤波器由于其独特的优越性被广泛应用于目标跟踪领域。虽然粒子滤波器是一种选取候选目标的有效手段，但是该算法仍然存在着一些问题。其中主要是需要用大量的样本数量才能很好地近似系统的后验概率密度，因此极大的增加了计算的复杂度，而且图像原始灰度特征容易受光照以及相似背景等影响。

发明内容

要解决的技术问题

为了避免现有技术的不足之处，本发明提出一种基于稀疏特征选择的目标跟踪方法，解决图像序列中目标与背景的对比度较低、灰度特征易受噪声、光照变化以及相似物体的干扰影响等问题。

技术方案

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

${\mathrm{\μ}}_i^1=\frac{1}{n}{\mathrm{\Σ}}_{k=0|y-1}^{n-1}{v}_i\left(k\right)$

${\mathrm{\σ}}_i^1=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{(v_i\left(k\right)-{\mathrm{\μ}}_i^1)}^2};$

${\mathrm{\μ}}_i^0=\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=0}^{n-1}{v}_i\left(k\right)$

${\mathrm{\σ}}_i^0=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=0}^{n-1}{(v_i\left(k\right)-{\mathrm{\μ}}_i^0)}^2}$

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：

${\mathrm{\μ}}_i^1=(1-\mathrm{\λ}){\mathrm{\μ}}_i^1+\mathrm{\λ}{\mathrm{\μ}}_{i\_\mathrm{new}}^1$

${\mathrm{\σ}}_i^1=\sqrt{(1-\mathrm{\λ}){\left({\mathrm{\σ}}_i^1\right)}^2+\mathrm{\λ}{\left({\mathrm{\σ}}_{i\_\mathrm{new}}^1\right)}^2+\mathrm{\λ}(1-\mathrm{\λ}){({\mathrm{\μ}}_i^1-{\mathrm{\μ}}_{i\_\mathrm{new}}^1)}^2}$

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：

${\mathrm{\μ}}_{i\_\mathrm{new}}^1=\frac{1}{n}{\mathrm{\Σ}}_{k=1}^m{v}_i\left(k\right)$

${\mathrm{\σ}}_{i\_\mathrm{new}}^1=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0}^m{(v_i\left(k\right)-{\mathrm{\μ}}_{i\_\mathrm{new}}^1)}^2}.$

有益效果

本发明提出的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。

本发明在稀疏表示的基础上，基于一种稀疏表示矩阵对Harr-like特征进行压缩，不但很好的保持了原始图像特征，而且具备更好的表示能力。用一种基于稀疏投影的特征来训练分类器，计算量大大减少，同时能够更加有效地表示目标，克服了光照变化、遮挡、尺度变化、目标变形等问题，实现了目标的快速鲁棒跟踪。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。

附图说明

图1是本发明的流程图

具体实施方式

现结合实施例、附图对本发明作进一步描述：

1)在第一帧图像目标的周围距离为R₁(R₁一般取2～4)的圆形范围内随机产生N_p个粒子点(N_p一般取8～10)，并记录其坐标(x_i,y_i),i＝1,2,…,N_p。每个粒子代表了一个目标样本。在距离目标半径为R₂(R₂一般取10～15)的圆形外，同样可以随机产生N_n个粒子点(N_n一般取50～70)，并记录其坐标点(x_j,y_j),j＝1,2,…,N_n。每个粒子点代表一个目标负样本；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；

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_wh,}进行卷积计算。每种尺度的矩形滤波器定义如下：

$F_{w,h}(x,y)=\frac{1}{\mathrm{wh}}\×\left\{\begin{array}{cc}1,& 1\≤x\≤w,1\≤y\≤h\\ 0,& \mathrm{otherwise}\end{array}\right.$

然后，将每种尺度卷积后的目标块拉成一个维度为w×h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

3)采用一个大小为n×m投影矩阵S将原始的特征空间投影到新选择

的特征空间v∈Rⁿ，v＝Sx这个新空间中，目标和背景之间有较好的区分性。其中投影矩阵S的元素定义如下：

$S_{\mathrm{ii}}^{\′}=\left\{\begin{array}{cc}0& s_i=0\\ 1& \mathrm{otherwise}\end{array}\right.$

其中，S′_ii为对角矩阵的对角元素，s_i为向量s第i维的值，其中向量s通过如下公式计算：

$\underset{s}{\min }{\left|\right|A^{T}s-p\left|\right|}_2^2+\mathrm{\λ}{\left|\right|s\left|\right|}_1$

公式中由N_p个正模板A₊和N_n个负模板A_-组成，m是进行特征选择前的特征维数，λ为0.001。向量的每个元素代表训练集A中每个模板的性质，+1表示正样本，-1表示负样本。上式的解向量s中，非零元素对应着原始的K维空间中具有区分性的特征。这些特征是对于目标和背景的区分具有判别性的特征，而其它特征对于目标和背景的区分作用不大。因此通过删除对角矩阵S′中全为0的行，构造了投影矩阵S；

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对朴素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

${\mathrm{\μ}}_i^1=\frac{1}{n}{\mathrm{\Σ}}_{k=0|y-1}^{n-1}{v}_i\left(k\right)$

${\mathrm{\σ}}_i^1=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=1}^{n-1}{(v_i\left(k\right)-{\mathrm{\μ}}_i^1)}^2};$

${\mathrm{\μ}}_i^0=\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=0}^{n-1}{v}_i\left(k\right)$

${\mathrm{\σ}}_i^0=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0|y=0}^{n-1}{(v_i\left(k\right)-{\mathrm{\μ}}_i^0)}^2}$

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，每个粒子点按照上面步骤2和3中的特征表示方法可以得到一个列向量d∈Rⁿ；

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，以分类器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：

${\mathrm{\μ}}_i^1=(1-\mathrm{\λ}){\mathrm{\μ}}_i^1+\mathrm{\λ}{\mathrm{\μ}}_{i\_\mathrm{new}}^1$

${\mathrm{\σ}}_i^1=\sqrt{(1-\mathrm{\λ}){\left({\mathrm{\σ}}_i^1\right)}^2+\mathrm{\λ}{\left({\mathrm{\σ}}_{i\_\mathrm{new}}^1\right)}^2+\mathrm{\λ}(1-\mathrm{\λ}){({\mathrm{\μ}}_i^1-{\mathrm{\μ}}_{i\_\mathrm{new}}^1)}^2}$

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：

${\mathrm{\μ}}_{i\_\mathrm{new}}^1=\frac{1}{n}{\mathrm{\Σ}}_{k=1}^m{v}_i\left(k\right)$

${\mathrm{\σ}}_{i\_\mathrm{new}}^1=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0}^m{(v_i\left(k\right)-{\mathrm{\μ}}_{i\_\mathrm{new}}^1)}^2}.$

Claims (1)

1.一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：

${\mathrm{\μ}}_{i\_\mathrm{new}}^1=\frac{1}{n}{\mathrm{\Σ}}_{k=1}^m{v}_i\left(k\right)$

${\mathrm{\σ}}_{i\_\mathrm{new}}^0=\sqrt{\frac{1}{n}{\mathrm{\Σ}}_{k=0}^m{(v_i\left(k\right)-{\mathrm{\μ}}_{i\_\mathrm{new}}^0)}^2}.$