[发明专利]一种基于在线迭代子空间学习的目标跟踪方法

说明书

本发明公开了一种基于在线迭代子空间学习的目标跟踪方法，首先进行目标图像的校准后，随后采用子空间集合在线迭代更新的方法更新子空间。本发明提供的目标跟踪方法，对于监控视频每一帧图像中待跟踪的目标，在完成目标图像的校准后，只需以在线方式更新子空间，跟踪过程中所维持的子空间集合所占用的存储空间远远小于经典目标跟踪方法所维持的“字典”所占用的内存空间，减少了对内存的需求量，提升了目标跟踪方法的效率。在目标被部分遮挡或受到光照变化影响时，依然能有效跟踪目标；即便遇到跟踪的目标对象发生了较大的姿势变化、受到严重的污染、光照明暗强烈变化时，本方法仍旧能较好地跟踪目标，具有较强的鲁棒性。

技术领域

本发明属于计算机视觉技术领域，涉及一种目标跟踪方法，更为具体地说，是涉及一种基于在线迭代子空间学习的目标跟踪方法。

背景技术

视觉跟踪，是指通过摄像机采集图像序列后，利用计算机按照一定算法对图像进行分析处理，对运动目标进行检测、提取和识别后，获得目标对象的运动参数，包括跟踪目标的位置、速度、运动轨迹等，通过对这些先验知识的处理与分析，计算机可以估算目标的运动行为，不断跟踪该目标。视觉跟踪是实际生活中有着十分广泛的应用，例如在有安全保障要求的公共场所(机场、公路等人流量大的地方)，当需要追踪目标人物时，可以利用计算机视觉追踪的方法，估计出待跟踪人物的下一步行动，即使出现目标被遮挡、光线变化等情况时也不至于失去对目标的追踪。经典的目标跟踪方法内存占用空间大，效率较低，尤其是在跟踪目标场景和形态发生较大变化时，通常跟踪效果不佳。

发明内容

为解决上述问题，本发明公开了一种基于在线迭代子空间学习的目标跟踪方法，能够有效解决目标被部分遮挡和跟踪目标图像受到光照变化影响等问题，并显著提升了目标跟踪的效率，减少了对内存的需求量。

为了达到上述目的，本发明提供如下技术方案：

一种基于在线迭代子空间学习的目标跟踪方法，包括如下步骤：

步骤A，序列图像的鲁棒性在线校准

将所跟踪目标的每一张序列图像向量化为n×1的列向量，则整个序列图像集合构成一个n×N矩阵D，其中D可以分解成一个大小为n×N低秩矩阵L＝UW，一个大小为n×N的稀疏矩阵E，和一个非线性图像变换τ，序列图像的鲁棒性在线校准公式如下：

由于图像变换D°τ的非线性性质，上式(1)表示如下：

计算公式(2)将目标图像变换成为一个在规范坐标系中精确校准的目标图像，具体包括如下步骤：

步骤A-1，首先给出第一帧图像中待跟踪物体的若干初始位置参数，对于初始位置参数所框选的待追踪物体图像I均匀进行m次仿射变换扰动，通过仿射变换得到m个经过扰动的跟踪物体图像，然后利用这些图像初始化L个子空间采用上式(2)初始化L个子空间

步骤A-2，每次仅考虑一帧图像I_i，固定子空间将公式(2)改写为：

上式中，I_i是第i帧图像，是第k次迭代所估计的变换参数，是第k次迭代针对变换的雅可比矩阵，w为权重向量，e为稀疏向量，Δτ为增量的变换参数；

公式(3)的增广拉格朗日形式如下：

其中λ∈Rⁿ是拉格朗日乘子向量；

最优参数值(w^*,e^*,Δτ^*,λ^*)可由下式ADMM算法求得：

上式中ρ＞1是ADMM的常量系数；