[发明专利]基于流形学习的贝叶斯视觉跟踪方法

说明书

技术领域

本发明涉及一种行人跟踪算法，特别涉及一种基于流形学习的贝叶斯视觉跟踪方法。

背景技术

在计算机视觉领域，对图像或者视频中的行人身体进行跟踪和姿态判别是一个负有挑战性的难点。被跟踪的目标往往是图像中的一块由高维数据表示的区域，通常是该区域像素的灰度值。

传统的跟踪方法试图提取显著性特征来将目标区域和非目标区域进行区分。典型的该类算法需要一个由物理特征表示的目标模型，这些特征可以是颜色、形状、或者是纹理等。这样跟踪问题可以通过寻找视觉观测中与目标模型具有最小误差的候选者作为新目标而解决。但是这些算法的性能往往受环境光照的剧烈变化或者目标运动的影响，因为所使用的特征在这些极端情况下不是足够的稳定。

近年来提出了另外一种类型的算法，能够对高维数据进行学习，将其嵌入到低维流形中去。尽管跟踪的目标，例如人的身体或者头部，由高维图像数据表示，但是目标的行为和姿态往往处在一个本质低维流形上。基于这种设想，很多研究工作试图在低维子空间而不是原始的高维空间中解决目标跟踪与姿态判别问题。

文献“Tracking People on a Torus”(A.Elgammal and C.S.Lee,IEEE Trans.Pattern Anal.Mach.Intell.,vol31,no.3,pp.520-538,2009.)认为人的身体姿态流形是一个具有两个本质维度：身体姿态和水平视角，但处于三维欧式空间中的圆环体，并且基于这个流形实现了人体跟踪。文献“Learning an intrinsic variable preserving manifold for dynamic visual tracking”(H.Qiao,P.Zhang,B.Zhang,and S.W.Zheng,IEEE.Trans.Syst.Man.Cybern.Part B,vol.40,no.3,pp.868-880,2010)中，提出了一种本质变量保持的流形学习算法（IVPML），能够在降维学习的同时很好的保留训练样本的本质变量，并且成功的应用于动态视觉跟踪中，但是该视觉跟踪算法是通过邻域搜索的方式实现的，这种方法在实际应用中可能不是很稳定。

发明内容

本发明针对上述现有技术存在的问题作出改进，即本发明在上述两文献的基础上结合贝叶斯跟踪框架，构建一种更加有效的跟踪算法，并且应用于实际跟踪中。在本发明跟踪算法中，不仅通过新的流形学习方法训练了从观测空间到流形空间的映射函数，也学习了能够从流形空间恢复出图像观测数据的反向映射。目标的位置和姿态在流形空间中进行预测而在观测空间得到验证。

为了解决上述技术问题，本发明提供了如下的技术方案：

基于流形学习的贝叶斯视觉跟踪方法，包括以下步骤：

S1，提出一种新的流行学习算法得到本质流形，将图像观测数据集X＝[x₁,x₂,…,x_n]与低维流形上面的点集Y＝[y₁,y₂,…,y_n]分别对应，且低维流形表面的每个点可以通过y_i＝[x,y,z]^T＝f(μ,ν)来表示，其中i＝1,2,…,n；

S2，进行反向映射学习，得到从低维流形空间到高维图像观测空间的映射函数g及其相关的系数矩阵B；

S3，结合步骤S1与S2的处理结果进行贝叶斯跟踪处理，最终给出跟踪结果。

在步骤S1中，所述一种新的流形学习算法，不仅可以将人体训练数据嵌入到本质维度空间，而且能够同时保持训练数据集的邻域关系和全局拓扑。在步骤S1和S2中，为了将嵌入流形的点与其对应的高维观测数据准确的联系起来，基于降维学习和核回归方法学习了一种灵活的双向映射。在步骤S3中，基于贝叶斯理论，通过对流形空间上的粒子与图像中的观测数据之间的相互验证，目标可以准确的被跟踪。同时，在流形上粒子的不断更新的过程中，目标的状态也可以估计出来。

进一步地，步骤S1包括以下步骤：

S11，构建邻接图和邻接图的几何结构，并用G来描述，用x₁,x₂,…,x_n来表示其中的训练点集；

S12，选择权重，用矩阵W来表示图G的权重矩阵，对于权重矩阵中的数据，根据不同情况选择不同的权重值；