[发明专利]基于增量Bi-2DPCA学习和稀疏表示的在线目标跟踪方法

摘要

本发明涉及一种基于增量Bi-2DPCA学习和稀疏表示的在线目标跟踪方法，为了反映目标在跟踪过程中外观变化，提出了一种增量Bi-2DPCA学习算法能够快速而准确的更新目标子空间模型。由于目标在跟踪过程中经常被遮挡和被噪声污染，导致跟踪效果变差，本发明针对该问题，将基于Bi-2DPCA的子空间模型嵌入到稀疏表示框架下。从而最大限度消除了遮挡和噪声对目标定位和目标子空间模型更新带来的干扰。同时，本发明使用了一种新的计算视觉相似性的方法，该方法考虑到了Bi-2DPCA在表示图像时的能量分布，相比经典的重构误差更加准确。跟踪在贝叶斯推论框架下实现，并且使用粒子滤波算法估计目标状态。

主权项

1.一种基于增量Bi-2DPCA学习和稀疏表示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，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帧图像使用经典粒子滤波算法跟踪目标，得到初始目标样本集合A＝{A₁,A₂,...,A_T}，A_i表示第i帧图像中目标图像块矩阵，其大小标准化到m×n；步骤3：对A中元素进行Bi-2DPCA处理，得到如下目标子空间初始模型：A中元素均值图像；L∈R^m*p：左变换矩阵，其列向量正交；R∈R^n*q：右变换矩阵，其列向量正交；步骤4：输入新一帧图像作为当前帧，并假设当前帧是第t帧。将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外观表示，既标准化到大小为m×n的图像矩阵步骤6：计算出当前帧中粒子对应图像块的外观表示与目标外观模型(该模型由基于Bi-2DPCA的子空间模型嵌入到稀疏表示框架下构成)的视觉相似性的概率将该值作为粒子新的权值，即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即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：判断是否已经跟踪了M帧，若是，执行步骤8，否则转到步骤4；所述M为更新频率，2＜M＜10；步骤8：由这个M跟踪结果得到一个增量矩阵B＝{A_t+1,A_t+2,...,A_t+M}，B中每一元素是新跟踪到的一帧图像中目标图像块的外观表示，其大小标准化为m×n；步骤9：使用增量Bi-2DPCA算法更新由C＝{C,B}，第一次更新时令C＝{A,B}；构建的基于Bi-2DPCA的目标子空间表示模型；转到步骤4。