CN105513089A - 一种基于分批增量判别分析的目标跟踪方法 - Google Patents

Abstract

一种基于分批增量判别分析的目标跟踪方法，包括下述步骤：①取来自目标和背景的样本X，X为X₁，…，X_n，由式（1）分别顺序得到样本的获得类均值m_c ^k：（1），②由式（2）获得k时刻类内分散阵S_w ^k：？（2)，③由式（7）得到最优投影方向w：？？(7)，式中S_w是类内分散阵之和，m₁与m₂是类均值；？④构造X的各分量的线性组合y=w^TX，如果获得X的各分量的线性组合，由y₁，…，y_n对样本X分类，y_i是X_i沿方向w向某直线上的投影，分离出背景的样本和目标的样本。

Description

一种基于分批增量判别分析的目标跟踪方法

技术领域

本发明涉属于图像处理领域，确切地说是一种基于分批增量判别分析的目标跟踪方法。

背景技术

利用计算机视觉和图像处理技术，对视频图像进行实时处理，对需要关注目标实现检测和跟踪。图像中包含目标的形状、大小、姿态、灰度、纹理、运动等多种特征信息，而随场景变化与目标运动，目标的图像特征可能变化很大，采用单一特征进行目标跟踪往往很难奏效，比如采用互相关模板匹配跟踪，当目标与背景变化较大时，不更新模板必然会失跟，模板更新不当造成漂移也会导致失跟，究其原因是特征辨别能力下降所致。目标跟踪就是要从序列图像中寻找目标的对应关系，跟踪成功与否取决于能否从背景中可靠地分离出目标，因此，要实现稳定跟踪，合理利用特征是关键，尤其是动态地综合利用多种特征。目前对目标进行跟踪有很多方法，例如：根据方差比选择最优特征跟踪目标，用单组特征训练集成分类器跟踪目标，用两组独立特征协同训练集成分类器跟踪目标，根据方差比融合多种特征跟踪目标。虽然根据方差比融合多种特征跟踪目标的方法效果相对较好，但实际应用研究发现，并不能获得目标与背景的最优分离。

发明内容

为解决上述问题，本发明的目的是提供一种基于分批增量判别分析的目标跟踪方法。

本发明为实现上述目的，通过以下技术方案实现：

一种基于分批增量判别分析的目标跟踪方法，包括下述步骤：

①取来自目标和背景的样本X，X为X₁，…，X_n，由式(1)分别顺序得到样本的获得类均值m_c ^k：

$m_c^k={(1-\frac{1}{k})}_c^{k-1}m+\frac{1}{k}{m}_c^{*}---\left(1\right)$

其中，k时刻新生分批样本为X_c ^*，到k时刻为止的累积样本为X_c ^k，设分批样本数量相等且为n_c ^*，到k时刻为止的样本总量为kn_c ^*，m_c ^*为X_c ^*的类均值，m_c ^k-1和m_c ^k分别为k-1时刻X_c ^k-1和k时刻X_c ^k的类均值；

②由式(2)获得k时刻类内分散阵S_w ^k：

其中，S_c ^k由式(3)获得

其中式(3)中的S_c ^k-1由式(4)获得、S_c ^*由式(5)获得、D_c ^*由式(6)获得；

$D_c^{*}=(m_c^{k-1}-m_c^{*}){(m_c^{k-1}-m_c^{*})}^T---\left(6\right)$

③由式(7)得到最优投影方向w：

式中S_w是类内分散阵之和，m₁与m₂是类均值；④构造X的各分量的线性组合y＝w^TX，如果获得X的各分量的线性组合，由y₁，…，y_n对样本X分类，y_i是X_i沿方向w向某直线上的投影，分离出背景的样本和目标的样本。

式(1)和式(2)中1/k＝b，b为正实数，式(1)如式(8)表示，式(2)如式(9)表示：

$m_c^k=(1-b)m_c^{k-1}+{\mathrm{bm}}_c^{*}---\left(8\right)$

$S_c^k=(1-b)S_c^{k-1}+{\mathrm{bS}}_c^{*}+b(1-b)D_c^{*}---\left(9\right).$

所述的样本X用灰度、方向梯度与局部二值模式纹理特征描述，具体为：将图像区域R分为背景图像区域和目标图像区域，每个图像区域R分别获得特征直方图，特征直方图为灰度直方图H(n)、方向梯度直方图H(n)和纹理直方图H(n)；灰度直方图H(n)按照式(10)计算获得：式(10)中,i为像素编号,R为目标或背景区域，f为灰度取值，δ为狄拉克函数；方向梯度直方图H(n)按照式(11)计算获得：式(11)中，i为像素编号,R为目标或背景区域，f为梯度方向取值，A为梯度幅度取值，δ为狄拉克函数；纹理直方图H(n)按照式(12)计算获得：式(12)中，i为像素编号,R为目标或背景区域，f为纹理特征LBP_8，1的取值，δ为狄拉克函数；其中纹理特征LBP_8，1按照式(5)计算获得：式(13)中，i为像素编号,在以像素c为中心的8邻域内由左至右逆时针取值，g_i与g_c为像素i与c的灰度取值，I为单位指示函数。

本发明的优点在于：本发明基于分批增量判别分析动态融合多种特征的贝叶斯目标跟踪方法，将目标跟踪视为目标与背景像素的二分类问题，根据类条件概率密度构造特征似然作为区分目标与背景像素的置信度，在线训练最优判别分类器，有效地区分目标与背景。对视频的目标跟踪实验结果表明，本发明方法在背景光照、目标姿态变化及局部被遮挡等情况下特征提取稳定性良好。

附图说明

图1是实施例一中100帧的视频中0帧、25帧、75帧、100帧时的四幅图像；图2是实施例一的图像采用线方差比特征融合方法的跟踪误差曲线；图3是实施例一的图像采用本发明方法的跟踪误差曲线；图4是实施例一的本发明方法的跟踪误差曲线；图5是实施例一中100帧的视频中0帧、25帧、75帧、100帧时的特征融合图像；图6是实施例二中100帧的视频中0帧、25帧、75帧、100帧时的四幅图像；图7是实施例二中100帧的视频中0帧、25帧、75帧、100帧时的特征融合图像；图8是实施例二的图像采用线方差比特征融合方法的跟踪误差曲线；图9实施例二的本发明方法的跟踪误差曲线；图10是实施例二的图像采用互相关模板匹配跟踪方法的跟踪误差曲线；图11是实施例三中400帧的视频中0帧、135帧、270帧、400帧时的四幅图像；图12实施例三中400帧的视频中0帧、135帧、270帧、400帧时的特征融合图像；图13是实施例三的图像采用线方差比特征融合方法的跟踪误差曲线；图14是实施例三的图像采用互相关模板匹配跟踪方法的跟踪误差曲线；图15是实施例三的本发明方法的跟踪误差曲线。

具体实施方式

一种基于分批增量判别分析的目标跟踪方法，按照下述步骤，样本X用灰度、方向梯度与局部二值模式纹理特征描述：将图像区域R分为背景图像区域和目标图像区域，每个图像区域R分别获得特征直方图，特征直方图为灰度直方图H(n)、方向梯度直方图H(n)和纹理直方图H(n)；灰度直方图H(n)按照式(10)计算获得：式(10)中,i为像素编号,R为目标或背景区域，f为灰度取值，δ为狄拉克函数；方向梯度直方图H(n)按照式(11)计算获得：式(11)中，i为像素编号,R为目标或背景区域，f为梯度方向取值，A为梯度幅度取值，δ为狄拉克函数；纹理直方图H(n)按照式(12)计算获得：式(12)中，i为像素编号,R为目标或背景区域，f为纹理特征LBP_8，1的取值，δ为狄拉克函数；其中纹理特征LBP_8，1按照式(5)计算获得：式(13)中，i为像素编号,在以像素c为中心的8邻域内由左至右逆时针取值，g_i与g_c为像素i与c的灰度取值，I为单位指示函数。

①取来自目标和背景的样本X，X为X₁，…，X_n，由式(1)分别顺序得到样本的获得类均值m_c ^k：

$m_c^k=(1-\frac{1}{k})m_c^{k-1}+\frac{1}{k}{m}_c^{*}---\left(1\right)$

其中，k时刻新生分批样本为X_c ^*，到k时刻为止的累积样本为X_c ^k，设分批样本数量相等且为n_c ^*，到k时刻为止的样本总量为kn_c ^*，m_c ^*为X_c ^*的类均值，m_c ^k-1和m_c ^k分别为k-1时刻X_c ^k-1和k时刻X_c ^k的类均值；

②由式(2)获得k时刻类内分散阵S_w ^k：

其中，S_c ^k由式(3)获得

其中式(3)中的S_c ^k-1由式(4)获得、S_c ^*由式(5)获得、D_c ^*由式(6)获得；

$D_c^{*}=(m_c^{k-1}-m_c^{*}){(m_c^{k-1}-m_c^{*})}^T---\left(6\right)$

③由式(7)得到最优投影方向w：

式中S_w是类内分散阵之和，m₁与m₂是类均值；④构造X的各分量的线性组合y＝w^TX，获得X的各分量的线性组合，由y₁，…，y_n对样本X分类，y_i是X_i沿方向w向某直线上的投影，分离出背景的样本和目标的样本。

然而，随时间增长，当k>>1时，m_c ^k和S_w ^k趋于稳定，导致当前样本的更新作用消失，为保证当前样本的更新作用，式(1)和式(2)中1/k＝b，b为用小的正实数，式(1)如式(8)表示，式(2)如式(9)表示：

$m_c^k=(1-b)m_c^{k-1}+{\mathrm{bm}}_c^{*}---\left(8\right)$

$S_c^k=(1-b)S_c^{k-1}+{\mathrm{bS}}_c^{*}+b(1-b)D_c^{*}---\left(9\right).$

实施例一：

一种基于分批增量判别分析的目标跟踪方法，以图1图像为例，图1中为100帧的视频中0帧、25帧、75帧、100帧时的四幅图像，光照由暗到明变化。跟踪结果如图5所示，目标与背景分离。

追踪结果对比，本发明方法与线方差比特征融合方法、互相关模板匹配跟踪方法进行对比，结果如图2、图3和图4所示，图中跟踪误差曲线图横坐标为时间，纵坐标为误差值，跟踪过程中背景亮度由暗到明，变化很大，背景中出现与目标相似的干扰物，由特征融合图像(图5)目标与背景对比鲜明，特征判别能力随目标运动不断改变，可见本发明与其他2种方法相当。

实施例二

以图6图像为例，图6中为100帧的视频中0帧、25帧、75帧、100帧时的四幅图像，目标姿态不断发生变化。采用本发明方法跟踪结果如图7所示，目标与背景分离。

追踪结果对比，本发明方法与线方差比特征融合方法、互相关模板匹配跟踪方法进行对比，结果如图8、图9和图10所示，图中跟踪误差曲线图横坐标为时间，纵坐标为误差值。跟踪过程中目标姿态与灰度变化很大，由特征融合图像(图7)可见目标与背景对比鲜明，特征判别能力随目标运动不断改变，由图8、图9和图10可见本文跟踪精度明显优于其他2种方法。

实施例三

以图11图像为例，图11中为400帧的视频中0帧、135帧、270帧、400帧时的四幅图像，目标局部被遮挡。采用本发明方法跟踪结果如图12所示，目标与背景分离。

追踪结果对比，本发明方法与线方差比特征融合方法、互相关模板匹配跟踪方法进行对比，结果如图13、图14和图15所示，图中跟踪误差曲线图横坐标为时间，纵坐标为误差值。跟踪过程中，背景亮度变化很大且目标不断被树荫遮挡，由特征融合图像(图12)可见目标与背景对比鲜明，特征判别能力随目标运动不断改变，由图13、图14和图15可见本文跟踪精度明显优于其他2种方法，而其他2种方法在第270帧左右失跟。

本发明的技术方案并不限制于本发明所述的实施例的范围内。本发明未详尽描述的技术内容均为公知技术。

Claims (3)

1.一种基于分批增量判别分析的目标跟踪方法，其特征在于：包括下述步骤：

①取来自目标和背景的样本X，X为X₁，…，X_n，由式(1)分别顺序得到样本的获得类均值m_c ^k：

其中，k时刻新生分批样本为X_c ^*，到k时刻为止的累积样本为X_c ^k，设分批样本数量相等且为n_c ^*，到k时刻为止的样本总量为kn_c ^*，m_c ^*为X_c ^*的类均值，m_c ^k-1和m_c ^k分别为k-1时刻X_c ^k-1和k时刻X_c ^k的类均值；

②由式(2)获得k时刻类内分散阵S_w ^k：

其中，S_c ^k由式(3)获得

其中式(3)中的S_c ^k-1由式(4)获得、S_c ^*由式(5)获得、D_c ^*由式(6)获得；

③由式(7)得到最优投影方向w：式中S_w是类内分散阵之和，m₁与m₂是类均值；④构造X的各分量的线性组合y＝w^TX，如果获得X的各分量的线性组合，由y₁，…，y_n对样本X分类，yi是X_i沿方向w向某直线上的投影，分离出背景的样本和目标的样本。

2.根据权利要求1所述的一种基于分批增量判别分析的目标跟踪方法，其特征在于：式(1)和式(2)中1/k＝b，b为正实数，式(1)如式(8)表示，式(2)如式(9)表示：

3.根据权利要求1所述的一种基于分批增量判别分析的目标跟踪方法，其特征在于：所述的样本X用灰度、方向梯度与局部二值模式纹理特征描述，具体为：将图像区域R分为背景图像区域和目标图像区域，每个图像区域R分别获得特征直方图，特征直方图为灰度直方图H(n)、方向梯度直方图H(n)和纹理直方图H(n)；灰度直方图H(n)按照式(10)计算获得：式(10)中,i为像素编号,R为目标或背景区域，f为灰度取值，δ为狄拉克函数；方向梯度直方图H(n)按照式(11)计算获得：式(11)中，i为像素编号,R为目标或背景区域，f为梯度方向取值，A为梯度幅度取值，δ为狄拉克函数；纹理直方图H(n)按照式(12)计算获得：式(12)中，i为像素编号,R为目标或背景区域，f为纹理特征LBP_8，1的取值，δ为狄拉克函数；其中纹理特征LBP_8，1按照式(5)计算获得：式(13)中，i为像素编号,在以像素c为中心的8邻域内由左至右逆时针取值，g_i与g_c为像素i与c的灰度取值，I为单位指示函数。