CN107203747B - 基于自适应选择机制的稀疏联合模型目标跟踪方法 - Google Patents

Abstract

本发明公开了一种基于自适应选择机制的稀疏联合模型目标跟踪方法。构造稀疏的判决模型时，利用特征选择机制提取更具辨识力的特征，并以置信值度量为约束，更好地区分出目标和背景；构造稀疏的生成模型时，结合L1正则化和PCA子空间重构思想，使得目标不仅保留充足外观信息，且可有效抵御离群子干扰，并提出一种结合线性回归和软阈值算子的迭代算法对目标函数进行最小化求解。相较于传统的乘性联合机制，本发明提出了一种基于欧式距离的自适应选择机制，通过分别比较上述两种模型的预测结果与前一帧的跟踪结果的差异，计算偏差，判断模型是否发生退化，并以此构建出更加合理的联合模型评估函数来提升跟踪精度。

Description

基于自适应选择机制的稀疏联合模型目标跟踪方法

技术领域：

本发明属于机器视觉领域，特别涉及一种基于自适应选择机制的稀疏联合模型目标跟踪方法。

背景技术：

目标跟踪技术作为计算机视觉领域的研究热点之一，旨在一系列的图像中对目标物体进行检测、提取、识别和跟踪，从而获得目标物体的相关参数，如位置、速度、尺度、轨迹等；进一步根据跟踪结果进行处理和分析，实现对目标物体的行为理解，或者完成更高一级的任务。其研究成果在视频监控，交通监测，医学诊断，军事打击，人机交互等方面有着良好的应用价值。尽管目标跟踪技术拥有广阔的应用前景和研究价值，近些年来研究人员也已取得诸多研究进展，但是设计出一种鲁棒的跟踪算法依然具有很强的挑战性。需要克服的技术难点问题主要来自两个方面：内在干扰和外在干扰。内在干扰包括目标自身的姿态变化、尺度变化等。外在干扰主要有遮挡、场景光照变化、复杂背景等。

根据设计模型的不同，目标跟踪方法主要分为两类：判别模型跟踪方法和生成模型跟踪方法。基于判别模型的跟踪方法将目标跟踪问题视为分类问题，通过设计出一个鲁棒的分类器来区分出目标和背景。基于生成模型的跟踪算法，其跟踪的目的是在邻域中找寻与目标最近似的图像区域，即最优化估计目标的状态。近年来，有研究学者提出联合模型跟踪方法，旨在结合判别式方法和生成式方法的优势，提升跟踪算法的鲁棒性。Zhong等人^[1]提出一个联合模型跟踪方法，把基于稀疏表示的判别模型和基于稀疏表示的生成模型级联起来用于目标的位置估计，但该方法欠缺对离群子的处理机制，且生成模型采用基于局部图像块的特征导致计算量过大，方法实时性较差；Zhao等人^[2]提出一种混合判别式和生成式的外观模型，结合了颜色、纹理、SIFT描述子等特征，虽然该方法可以有效处理目标姿态变化和旋转等问题，但由于模板集存在冗余特征使得其不能鲁棒应对对运动模糊、背景复杂等外在因素的干扰。现有的联合模型跟踪方法往往采用直接相乘的机制来融合判别模型和生成模型，构建其评估候选样本的似然函数。然而，在跟踪过程中当有一种模型产生恶化或丢失的情况时，这种直接相乘的机制会导致误差累积，进而恶化整个联合模型的表现。

针对上述现有联合模型跟踪算法技术的缺陷，本发明提出一种基于自适应选择机制的稀疏联合模型目标跟踪方法。利用特征选择机制去除冗余特征，构建稀疏判决模型；结合L1正则化和PCA子空间重构，构建稀疏生成模型；提出一种基于欧式距离的自适应选择机制联合上述两种模型，实现鲁棒跟踪。

发明内容：

本发明的主要目的是提出一种基于自适应选择机制的稀疏联合模型目标跟踪算法，在目标被遮挡、场景光照变化、运动模糊、背景复杂等干扰影响下，准确定位目标区域。

为了实现上述目的，本发明提供如下技术方案：

步骤一、读入第一帧图像Image₁，手动标记视频序列第一帧图像得到初始目标位置；在目标位置周围手动采集m个图像，归一化后按行堆放成向量构成相应的正模板集

d为初始特征维数；类似的，在离目标位置较远处采集n个图像，经过相同的处理后获得负模板集

降采样目标图像并转为列向量

d为目标图像的特征维数，初始化子空间U和奇异值对角矩E为空矩阵；

步骤二、读入下一帧Image_t+1(t≥1)，基于粒子滤波框架下随机游走的方式采集t+1帧候选样本集合

并将对应图像作为观测样本集合

其中k为样本的个数；

步骤三、标记第i个观测样本

若t+1<5，则计算观测样本

与第t帧真实目标状态

的残差，得出t+1帧的真实目标状态

并收集样本I_t+1，转入步骤十；否则直接转入步骤四；

步骤四、基于模板集

及其对应的标签向量

利用基于稀疏表示的判别式学习制定特征选择机制，通过最小化求解得到稀疏向量s；根据向量s构建构造映射矩阵S^*，并将训练模板集A和观测样本集Y_t+1映射到低维特征空间中，得到映射后的模板集D和观测样本集Z_t+1；

步骤五、基于映射后的观测样本集Z_t+1和模板集D构建目标函数，利用L₁范数正则化其目标系数项α，并通过LASSO求解得到稀疏映射系数α；分别计算候选观测样本

在正模板集和负模板集上的重构误差ε_f和ε_b，并获得各候选样本的置信度L_c；选取置信度最大的作为判别模型的最佳候选样本

步骤六、基于观测样本集Y_t+1和子空间U构建目标函数，并对重构样本与观测样本的残差

进行拉普拉斯建模‖e‖₁，以抵御目标跟踪中离群子的干扰；通过一种结合线性回归和软阈值算子的迭代算法对目标函数进行最小化求解，得到收敛的目标系数c^*和残差e^*；

步骤七、基于最优的目标系数c^*和残差e^*，制定一种结合拉普拉斯偏差项和重构误差的相似度函数，并计算各候选样本的相似性度量值G_c；选取相似度最大的作为生成模型的最佳候选样本

步骤八、分别计算t+1帧中判别模型和生成模型的最佳候选样本

和

与t帧的目标状态

之间的欧式距离d_d和d_g，并分别与阈值TH进行比较，根据自适应选择机制构建最终的联合模型评估函数H_c；

步骤九、根据评估函数H_c选取置信值最高的候选样本作为第t+1帧的最佳目标状态

并进一步收集样本

步骤十、基于最新跟踪结果更新负模板集，更新的图像来自距当前跟踪结果较远的区域，正模板集保持不变；

步骤十一、若收集的样本I达到5个，则采用文献[3]的增量主成分方法更新子空间及其均值向量，并重置收集的样本个数为0；若未达到5个，则不更新目标子空间；

步骤十二、若视频未结束，则转入步骤二，读入下一帧图像；否则跟踪结束。

与现有的技术相比，本发明具有以下有益效果：

1.通过步骤四、五构建的稀疏判决模型，能够有效地去除模板集中的冗余特征，挑选更具辨识力的特征进行模型训练，在降低计算复杂度，提升实时性的同时，可以更好的区分目标和背景。

2.通过步骤六、七构建的稀疏生成模型，有机地结合了PCA子空间重构方法和拉普拉斯偏差项，在保留充足的外观信息的同时，有效的御离群子(诸如遮挡等)的干扰，更好的刻画目标自身的外观变化。

3.步骤八提供了一种基于欧式距离的自适应选择机制来联合判决模型和生成模型，可以在动态的跟踪过程中及时发现恶化的模型，并采取相应的策略构建更为合理的评估函数，相较于传统的乘性机制，本发明提出的自适应选择机制有更强的灵活性和鲁棒性。

因此，本发明在视频监控、人机交互、视觉导航等领域都有广泛的应用前景。

附图说明：

图1为本发明的基于自适应选择机制的稀疏联合模型目标跟踪方法的流程示意图；

图2为本发明中基于上一帧的目标位置采集当前帧候选样本的方法示意图；

图3为本发明的稀疏生成模型的外观表述示意图；

图4为本发明在Occlusion2序列上的跟踪效果图；

图5为本发明在Singer1序列上的跟踪效果图；

图6为本发明在Football序列上的跟踪效果图；

图7为本发明在Owl序列上的跟踪效果图；

图8为本发明在Occlusion2序列上的中心偏差曲线图；

图9为本发明在Singer1序列上的中心偏差曲线图；

图10为本发明在Football序列上的中心偏差曲线图；

图11为本发明在Owl序列上的中心偏差曲线图；

具体实施方式

为了更好的说明本发明的目的、具体步骤以及特点，下面结合附图对本发明作进一步详细的说明：

参考图1，本发明提出的一种基于自适应选择机制的稀疏联合模型目标跟踪方法主要包含以下步骤：

步骤一、读入第一帧图像Image₁，手动标记视频序列第一帧图像得到初始目标位置；在目标位置周围手动采集m个图像，归一化后按行堆放成向量构成相应的正模板集

d为初始特征维数；类似的，在离目标位置较远处采集n个图像，经过相同的处理后获得负模板集

降采样目标图像并转为列向量

d为目标图像的特征维数，初始化子空间U和奇异值对角矩E为空矩阵；

步骤二、读入下一帧Image_t+1(t≥1)，基于粒子滤波框架下随机游走的方式采集t+1帧候选样本集合

并将对应图像作为观测样本集合

其中k为样本的个数；

步骤三、标记第i个观测样本

若t+1<5，则计算观测样本

与第t帧真实目标状态

的残差，得出t+1帧的真实目标状态

并收集样本I_t+1，转入步骤十；否则直接转入步骤四；

步骤四、基于模板集

及其对应的标签向量

利用基于稀疏表示的判别式学习制定特征选择机制，通过最小化求解得到稀疏向量s；根据向量s构建构造映射矩阵S^*，并将训练模板集A和观测样本集Y_t+1映射到低维特征空间中，得到映射后的模板集D和观测样本集Z_t+1；

步骤五、基于映射后的观测样本

和模板集D构建目标函数，利用L₁范数正则化其目标系数项α，并通过LASSO求解得到稀疏映射系数α；分别计算候选观测样本

在正模板集和负模板集上的重构误差ε_f和ε_b，并获得各候选样本的置信度L_c；选取置信度最大的作为判别模型的最佳候选样本

步骤六、基于观测样本

和子空间U构建目标函数，并对重构样本与观测样本的残差

进行拉普拉斯建模‖e‖₁，以抵御目标跟踪中离群子的干扰；通过一种结合线性回归和软阈值算子的迭代算法对目标函数进行最小化求解，得到收敛的目标系数c^*和残差e^*；

步骤七、基于最优的目标系数c^*和残差e^*，制定一种结合拉普拉斯偏差项和重构误差的相似度函数，并计算各候选样本的相似性度量值G_c；选取相似度最大的作为生成模型的最佳候选样本

步骤八、分别计算t+1帧中判别模型和生成模型的最佳候选样本

和

与t帧的目标状态

之间的欧式距离d_d和d_g，并分别与阈值进行比较，根据自适应选择机制构建最终的联合模型评估函数H_c；选取似然函数值最高的作为第t+1帧的最佳目标状态

并进一步收集样本

步骤九、基于最新跟踪结果更新负模板集，更新的图像来自距当前跟踪结果较远的区域，正模板集保持不变；

步骤十、若收集的样本I达到5个，则采用文献[3]的增量主成分方法更新子空间及其均值向量，并重置收集的样本个数为0；若未达到5个，则不更新目标子空间；

步骤十一、若视频未结束，则转入步骤二，读入下一帧图像；否则跟踪结束。

上述技术方案中，步骤二对候选样本的采样方法如图2所示，左图实线框为第t帧的目标状态跟踪框，右图虚线框为t+1帧在粒子滤波框架下通过随机游走方法获取的候选样本跟踪框(即观测样本)，具体方法为：

以第t帧目标

为中心，目标的运动状态由六个仿射参数组成，即:

这六个仿射参数分别表示代表水平方向的位移、垂直方向的位移、旋转角度、尺度、宽高比、斜切角，并独立服从高斯分布。所以相邻帧之间的状态转移可以表示为：p(x_t+1|x_t)＝N(x_t+1；x_t,Σ)，其中Σ为对角协方差矩阵，其对角元素为六个仿射参数的方差，N(·)表示高斯分布。

的运动状态对应的图像块即为候选样本的观测向量

上述技术方案中，步骤四基于稀疏表示的特征选择机制具体为：

其中，

为模板集，

为标签向量，它的每个元素对应模板集A中每个模板的性质，即+1表示正模板，-1表示负模板。通过LASSO求解上式得到的向量s具有一定的稀疏性，其中的非零元素对应原始特征空间中具有判别力的特征。λ₁为正则化系数，取λ₁＝0.001。根据向量s构建构造映射矩阵S^*的具体方法如下：

1.根据向量s中元素是否为0构造一个对角矩阵

2.将对角阵S′的所有的零行删去，其他行相应上移得到映射矩阵S^*。该矩阵的行数等于向量s中非零元素的个数，列数等于向量s的维数。

上述技术方案中，步骤五针对映射后的观测样本

和模板集D构建的稀疏判决模型目标函数为(为了描述方便，将映射后的观测样本

简写为z)：

其中，λ₂为权重参数，取λ₂＝0.01。通过LASSO求解得到稀疏映射系数α，并制定如下的基于重构误差的评价函数来评估候选样本的置信度：

L_c＝exp((ε_n-ε_p)/σ)，

其中，

和

分别表示候选观测样本z在负模板集D_-和正模板集D₊上的重构误差。σ是一个固定的常量，用于权衡判决模型和生成模型在联合模型中所占的比重，取σ＝0.4。

上述技术方案中，步骤六的稀疏生成模型的外观表述示意图如图3所示。以加权后的PCA子空间和加权后的琐碎模板组合而成，其中的权值分别为目标系数和琐碎模板映射系数。PCA子空间和琐碎模板分别对目标和离群子进行外观描述。由此可以得到目标外观表述的数学表达：

其中y为输入的观测样本(即步骤六中的

为表述方便简写为y)，U为当前帧的PCA子空间，c为观测样本对应的目标系数，I为琐碎模板(编码可用单位矩阵表示)，e为琐碎模板映射系数。由此引出外观模型的最小化问题，即如何在不增加额外开销情况下获取最优的c和e，由此得到如下的稀疏生成模型目标函数：

其中对残差项e进行拉普拉斯建模以抵御离群子的干扰，λ₃为稀疏度调节参数，取λ₃＝0.1。上式可以看做是最小二乘和L₁正则项的有机结合，另外，该式是凸的但并非处处可微，因此本发明提出一种结合线性回归和软阈值算子的迭代算法对其进行最小化求解，具体步骤包括：

步骤1.输入当前帧的观测样本y，PCA子空间U；

步骤2.初始化，令目标系数c₀＝0，残差项e₀＝0，迭代变量i＝0；

步骤3.迭代求解：

a)c_i+1:＝U^T(y-e_i)

b)e_i+1:＝S_τ(y-Uc_i+1)

c)i←i+1

步骤4.判断目标函数是否收敛，若“是”，输出最优的c^*和e^*；若“否”，重复步骤3的迭代过程。

其中，S_τ(x)为软阈值算子，即S_τ(x)＝sgn(x)max(|x|-τ,0)，sgn(·)为符号函数。

上述技术方案中，步骤七基于最优状态参数c^*和e^*的相似度评价机制如下：

G_c＝exp(-γd(y；U))，

其中

表示该候选观测样本的重构误差，‖e^*‖₁用来评估该候选样本的离群程度。γ是常数，用来控制高斯核的形状，取γ＝0.1。

上述技术方案中，步骤八提到的两种欧式距离d_d和d_g的计算方法如下：

其中

和

分别对应t+1帧中由判别模型和生成模型计算得到的最佳候选样本，

表示t帧的目标状态。根据d_d和d_g与阈值TH的比较结果制定自适应选择机制，旨在舍弃发生恶化的模型的计算结果，构建更为合理的联合模型评估函数H_c，具体步骤如下：

1.当d_d≤TH且d_g≤TH，此时判别模型和生成模型均未发生恶化，采用相乘机制将二者联合起来，即H_c＝L_cG_c；

2.当d_d>TH且d_g<TH，这表明判别模型由于引入错误标记的训练样本而发生了退化，故只保留生成模型而暂时舍弃判别模型的计算结果，即H_c＝G_c；

3.当d_d<TH且d_g>TH，此时生成模型发生了恶化，故只选择判别模型的置信度函数作为联合模型的评估函数，即H_c＝L_c；

4.当d_d>TH且d_g>TH，这表明判别模型和生成模型均发生了不同程度的退化，故通过比较d_d和d_g，选择偏差较小的模型作为最终的似然函数表达，具体有：

a)当d_d<d_g，令H_c＝L_c；

b)当d_d≥d_g，令H_c＝G_c。

其中，取阈值TH＝0.12。上述的基于欧式距离的自适应选择机制提供了一种更为灵活的挑选最优候选样本的方法，并致力于解决传统的乘性联合机制出现的由于一种模型丢失或退化而恶化整个联合模型的问题。

上述技术方案中，步骤九用于更新子空间的样本收集方法为：

其中μ_j为PCA子空间中均值向量μ的第j个元素值，

为t+1帧目标状态观测向量

的第j个元素值。根据目标状态观测向量

对应的残差向量e判断目标区域是否受到离群子干扰，进而考虑是否需要替换掉子空间模板的对应像素值。具体地：当e_j≠0时，可认为目标观测向量的第j个元素存在离群子，故利用子空间中的均值向量的第j个元素值μ_j进行替换；当e_j＝0时，可认为目标观测向量的第j个元素未受到离群子干扰，故保留当前确定的目标状态观测向量的第j个元素值

上述技术方案中，步骤十一利用文献[3]的方法来增量更新PCA子空间，即每收集到5个样本后，将其加入到当前的PCA子空间来获得新的子空间和目标均值向量。每一次更新后子空间的主成分数就增加5个，当子空间主成分超过16个之后，取前16个构成新的子空间，之后保持最大数量16个不变，具体步骤包括：

1.给定t+1帧子空间U，取U中的基向量组成矩阵A＝[I₁,I₂,…,I_n]，同理取步骤九收集到的样本组成矩阵B＝[I_n+1,I_n+2,…,I_n+m](m＝5)，设A对应的均值向量为

B对应的均值向量为

并令C＝[AB]；

2.计算B对应的均值向量

C对应的均值向量

3.生成矩阵

4.对

进行正交化得到

令

5.对T进行SVD奇异值分解：

6.获取新的子空间

新的奇异值对角矩阵

以及新的均值向量

上述技术方案中，基于自适应选择机制的稀疏联合模型目标跟踪方法的性能表现如图4-图11所示。图4给出了在Occlusion2实验序列中，当目标物体经受严重遮挡和面内旋转等干扰时算法的跟踪结果；图5给出了在Singer1实验序列中，当目标物体经受剧烈光照变化和尺度变化等干扰时算法的跟踪结果；图6给出了在Football实验序列中，当目标物体经受复杂背景和相似物遮挡等干扰时算法的跟踪结果；图7给出了在Owl实验序列中，当目标物体经受由摄像头快速运动而产生运动模糊等干扰时算法的跟踪结果；图8-图11分别给出了算法在Occlusion2、Singer1、Football、Owl四个序列上的中心偏差曲线图(即真实目标的中心位置和当前跟踪框的中心位置之间的偏差)；通过四组序列测试，实验结果以定性的跟踪效果图和定量的中心偏差曲线进行说明，验证了算法在目标被遮挡、光照变化、尺度变化、复杂背景、运动模糊等干扰情形下的鲁棒性。

上面结合附图对本发明的具体实施方式做了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。

参考文献

1.W.Zhong,H.Lu,and M.Yang,Robust Object Tracking via SparseCollaborative Appearance Model,IEEE Transactions on Image Process.23(5)(2014)2356-2368.

2.L.Zhao,Q.Zhao,Y.Chen,and P.Lv,Combined discriminative global andgenerative local models for visual tracking,Journal of Electronic Imaging.25(2)(2016)023005.

3.D.Ross,J.Lim,R.Lin,and M.Yang,Incremental learning for robustvisual tracking,International Journal of Computer Vision.77(1-3)(2008)125-141.

Claims (3)

1.基于自适应选择机制的稀疏联合模型目标跟踪方法，其特征在于，包括下列步骤：

步骤一、读入第一帧图像Image₁，手动标记视频序列第一帧图像得到初始目标位置；在目标位置周围手动采集m个图像，归一化后按行堆放成向量构成相应的正模板集

d为初始特征维数；类似的，在离目标位置较远处采集n个图像，经过相同的处理后获得负模板集

降采样目标图像并转为列向量

d为目标图像的特征维数，初始化子空间U和奇异值对角矩E为空矩阵；

步骤二、读入下一帧Image_t+1，其中t≥1，基于粒子滤波框架下随机游走的方式采集t+1帧候选样本集合

并将对应图像作为观测样本集合

其中k为样本的个数；

步骤三、标记第i个观测样本

若t+1＜5，则计算观测样本

与第t帧真实目标状态

的残差，其中i＝1，2...k，得出t+1帧的真实目标状态

并收集样本I_t+1，转入步骤十；否则直接转入步骤四；

步骤四、基于模板集

及其对应的标签向量

利用基于稀疏表示的判别式学习制定特征选择机制，通过最小化求解得到稀疏向量s；根据向量s构建构造映射矩阵S^*，并将训练模板集A和观测样本集Y_t+1映射到低维特征空间中，得到映射后的模板集D和观测样本集Z_t+1；

步骤五、基于映射后的观测样本集Z_t+1和模板集D构建目标函数，利用L₁范数正则化其目标系数项α，并通过LASSO求解得到稀疏映射系数α；分别计算候选观测样本

在正模板集和负模板集上的重构误差ε_f和ε_b，并获得各候选样本的置信度L_c；选取置信度最大的作为判别模型的最佳候选样本

步骤五中稀疏判决模型的置信度评价函数：

L_c＝exp((ε_n-ε_p)/σ)，

其中，

和

分别表示候选观测样本z在负模板集D_-和正模板集D₊上的重构误差；σ是一个固定的常量，用于权衡判决模型和生成模型在联合模型中所占的比重；

步骤六、基于观测样本集Y_t+1和子空间U构建目标函数，并对重构样本与观测样本的残差

进行拉普拉斯建模||e||₁，以抵御目标跟踪中离群子的干扰；通过一种结合线性回归和软阈值算子的迭代算法对目标函数进行最小化求解，得到收敛的目标系数c^*和残差e^*；

其中基于子空间学习和L₁正则化的目标函数及其最小化求解方法：

其中y为输入的观测样本，U为当前帧的PCA子空间，c为观测样本对应的目标系数，e为残差项；对残差项e进行拉普拉斯建模以抵御离群子的干扰，λ₃为稀疏度调节参数；上述目标函数是凸的但并非处处可微，采用一种结合线性回归和软阈值算子的迭代算法对其进行最小化求解，具体步骤包括：

步骤1.输入当前帧的观测样本y，PCA子空间U；

步骤2.初始化，令目标系数c₀＝0，残差项e₀＝0，迭代变量i＝0；

步骤3.迭代求解：

a)c_i+1：＝U^T(y-e_i)

b)e_i+1：＝S_τ(y-Uc_i+1)

c)i←i+1

步骤4.判断目标函数是否收敛，若“是”，输出最优的c^*和e^*；若“否”，重复步骤3的迭代过程；

其中，S_τ(x)为软阈值算子，即S_τ(x)＝sgn(x)max(|x|-τ，0)，sgn(·)为符号函数；

步骤七、基于最优的目标系数c^*和残差e^*，制定一种结合拉普拉斯偏差项和重构误差的相似度函数，并计算各候选样本的相似性度量值G_c；选取相似度最大的作为生成模型的最佳候选样本

步骤八、分别计算t+1帧中判别模型和生成模型的最佳候选样本

和

与t帧的真实目标状态

之间的欧式距离d_d和d_g，并分别与阈值TH进行比较，根据自适应选择机制构建最终的联合模型评估函数H_c；

步骤八中基于欧式距离的自适应选择机制：首先给出t+1帧中判别模型和生成模型的最佳候选样本

和

与t帧的真实目标状态

之间的欧式距离d_d和d_g的计算方法：

根据d_d和d_g与阈值TH的比较结果制定自适应选择机制，旨在舍弃发生恶化的模型的计算结果，构建更为合理的联合模型评估函数H_c，具体步骤如下：

(1)当d_d≤TH且d_g≤TH，此时判别模型和生成模型均未发生恶化，采用相乘机制将二者联合起来，即H_c＝L_cG_c；

(2)当d_d＞TH且d_g＜TH，这表明判别模型由于引入错误标记的训练样本而发生了退化，故只保留生成模型而暂时舍弃判别模型的计算结果，即H_c＝G_c；

(3)当d_d＜TH且d_g＞TH，此时生成模型发生了恶化，故只选择判别模型的置信度函数作为联合模型的评估函数，即H_c＝L_c；

(4)当d_d＞TH且d_g＞TH，这表明判别模型和生成模型均发生了不同程度的退化，故通过比较d_d和d_g，选择偏差较小的模型作为最终的似然函数表达，具体有：

a)当d_d＜d_g，令H_c＝L_c；

b)当d_d≥d_g，令H_c＝G_c；

步骤九、根据评估函数H_c选取置信值最高的候选样本作为第t+1帧的最佳的真实目标状态

并进一步收集样本

步骤十、基于最新跟踪结果更新负模板集，更新的图像来自距当前跟踪结果较远的区域，正模板集保持不变；

步骤十一、若收集的样本I达到5个，则采用增量主成分方法更新子空间及其均值向量，并重置收集的样本个数为0；若未达到5个，则不更新目标子空间；

步骤十二、若视频未结束，则转入步骤二，读入下一帧图像；否则跟踪结束。

2.根据权利要求1所述的基于自适应选择机制的稀疏联合模型目标跟踪方法，其特征在于，步骤四中基于稀疏表示的特征选择机制：

其中，

为模板集，

为标签向量，它的每个元素对应模板集A中每个模板的性质，即+1表示正模板，-1表示负模板；通过LASSO求解上式得到的向量s具有一定的稀疏性，其中的非零元素对应原始特征空间中具有判别力的特征；根据向量s构建构造映射矩阵S^*的具体方法如下：

(1)根据向量s中元素是否为0构造一个对角矩阵

(2)将对角阵S′的所有的零行删去，其他行相应上移得到映射矩阵S^*；该矩阵的行数等于向量s中非零元素的个数，列数等于向量s的维数。

3.根据权利要求1所述的基于自适应选择机制的稀疏联合模型目标跟踪方法，其特征在于，步骤七中稀疏生成模型的相似度评价机制：

G_c＝exp(-γd(y；U))，

其中

表示该候选观测样本的重构误差，||e^*||₁用来评估该候选样本的离群程度；γ是常数，用来控制高斯核的形状。

Images