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概率主成分分析和压缩感知的在线目标跟踪方法,提高目标表示模型描述目标特征空间的准确性和加快更新目标表示模型的速度。
技术方案
一种基于概率主成分分析和压缩感知的在线目标跟踪方法,其特征在于步骤如下:
步骤1:在第一帧中标记目标x1,初始化N个粒子及其权值所述x1为第一帧中目标图像块的仿射变换参数;
步骤2:使用经典粒子滤波算法对前T帧图像跟踪目标,得到初始目标样本集合A=[y1,y2,...,yT],A的每一列是这T帧图像中目标图像块的特征表示向量;
步骤3:对A进行奇异值分解SVD,得到目标特征子空间的表示模型;
步骤4:对当前帧是第t帧的前一帧中粒子按其权值的正比关系进行重采样,再运用高斯运动模型,得到当前帧中粒子
步骤5:求出当前帧中粒子对应图像块的特征表示向量
步骤6:计算出当前帧中第i个粒子对应图像块的特征表示向量与目标特征子空间的视觉相似性的概率表述将该值作为粒子新的权值然后运用最大后验概率准则MAP准则,得到当前帧中具有最大权值的粒子作为该帧目标的状态估计值以此为对当前帧的跟踪结果;若当前帧是最后一帧,则结束,否则继续执行;
步骤7:当已经跟踪的帧数等于m帧时,执行步骤8,否则转到步骤4;其中:m为更新频率,2<m<10;
步骤8:以m个跟踪结果得到一个增量矩阵B=[yn+1,yn+2,...,yn+m],其中的每一列是这m帧中跟踪到的目标图像块对应的特征表示向量;
步骤9:使用增量PCA算法更新得到C=[C,B],构成目标特征空间的子空间表示模型;然后重复转到步骤4;其中第一次更新时令C=[A,B]。
有益效果
本发明提出的一种基于概率主成分分析和压缩感知的在线目标跟踪方法,为了提高目标表示模型描述目标特征空间的准确性和加快更新目标表示模型的速度,本发明提出了一种十分简洁的目标表示模型,该模型运用了压缩感知强(CS)大的信号恢复能力,大大降低了目标图像块特征向量的维度,同时使用了PCA方法压缩目标特征空间到一个近似的子空间模型,该子空间模型的更新速度非常迅速,在保证实时性的前提下,能够允许较大的更新频率,使得该模型能对较大的目标外观变化、光照变化等有很好的鲁棒性。我们根据概率主成分分析的方法得到“两个距离”来更好的描述候选目标和目标特征子空间的视觉相似性,这“两个距离”为:(a)DFFS(distancefromfeaturespace),即候选目标与目标特征子空间的垂直距离;(b)DIFS(distanceinfeaturespace),即候选目标在目标特征子空间上投影点与子空间中心点的马氏距离。
由于本发明结合压缩感知强大的信号恢复能力和PCA优秀的降维能力,并为PCA建立了一个概率表示模型,既PPCA,从而使之与粒子滤波算法很好的相结合,这样便得到了本发明的算法。实验证明本发明在处理目标有较大位移、光照、尺度等变化情况时有很好的鲁棒性并且取得到很好的实时性。
本发明的有益效果是:将压缩感知理论与PPCA相结合,得到了一个非常简洁的目标特征子空间表示模型,并且使用增量PCA算法在线更新该目标子空间表示模型,使得跟踪算法能够达到很好的实时性。同时我们将PPCA理论运用到计算候选目标与目标子空间表示模型的视觉相似性上,得到了两个距离DFFS和DIFS,而不仅仅是PCA中的重构误差,使得视觉相似性的计算更为准确,这样保证了跟踪算法的准确性。
具体实施方式
现结合实施例、附图对本发明作进一步描述:
步骤1:在第一帧中标记目标x1(x1为第一帧中目标图像块的仿射变换参数),初始化N个粒子及其权值
步骤2:前T帧使用经典粒子滤波算法跟踪目标,得到初始目标样本集A=[y1,y2,...,yT],yi是高维度的图像特征向量在测量矩阵P上的投影,是压缩了的低维度特征向量,有:
yi=Pvi(1)
其中,vi是第i帧图像中目标图像块在各种尺度矩形滤波器下输出的聚合的列向量表示(vi即高维度的图像特征向量),P是一个满足等距约束条件,且大小为L*H(L<<H,取L=50,即yi的维数,H是高维特征向量的维数)的稀疏测量矩阵。
令矩阵P为:
s=2ors=3andi=1,2,...,L.j=1,2,...,H
步骤3:对A-IA进行SVD分解:A-IA=UΣVT。得到初始目标子空间表示模型:Ud,Σd,u=IA。其中,Σd为前d(d<L)个较大奇异值组成的对角阵,Ud是对应的特征向量组成的矩阵,IA是A中样本的均值;
步骤4:输入新的一帧图像作为当前帧,并假设当前帧为第t帧。将前一帧图像中粒子按其权值的正比关系进行重采样,再运用高斯运动模型,求出当前帧中粒子状态参数即将重采样后的粒子加上一个服从高斯分布的随机扰动。一般有高斯运动模型:xt~N(xt;xt-1,Σx),其中Σx是一个对角阵,对角线上元素表示仿射变换参数的方差。
步骤5:求出当前帧中粒子对应的低维度特征向量(具体求法如步骤2所示);
步骤6:计算出当前帧中第i个粒子对应图像块的低维度特征向量与目标特征子空间Ud,Σd,u的视觉相似性的概率表述将该值作为粒子新的权值,即 有:
该值由DFFS和DIFS两部分组成,表示如下:
其中u是当前子空间样本均值,σ2是DFFS的尺度因子,有L是特征维数,λ1≥λ2≥...≥λL为L个奇异值。然后运用MAP准则,得到当前帧中具有最大权值的粒子作为该帧目标的状态估计值既为我们对当前帧的跟踪结果。若当前帧是最后一帧,则结束,否则继续执行;
步骤7:判断是否已经跟踪了m帧(m是更新频率,2<m<10)。若是,执行步骤8),否则转到步骤4);
步骤8:由这m个跟踪结果得到一个增量矩阵B=[yn+1,yn+2,...,yn+m],其中的每一列是这m帧图像中跟踪到的目标图像块对应的低维度特征(具体求法如步骤2所示),n为这m帧图像之前跟踪到的帧数;
步骤9:使用增量PCA算法更新当前样本空间C=[C,B](第一次更新时令C=[A,B])的子空间表示模型。转到步骤4)。
增量PCA算法流程如下:
输入:当前目标子空间模型Ud,Σd,u,增量矩阵B,B的均值IB,遗忘因子f。
输出:新的目标子空间模型
a.更新均值: IC是C的均值;
b.令
c.求解 其中QR(·)表示QR分解运算;
d.令 ,对R进行SVD分解,有
e.最后得到 u*=IC。