[发明专利]一种结合分类与域适应的视觉追踪方法

摘要

本发明公开了一种结合分类与域适应的视觉追踪方法，一方面结合了分类构图与迁移学习域适应两种方法的优势，寻求既能将前景和背景分离，又能为近期所获取的源域数据与当前待分类的目标域数据所共享的特征空间；另一方面，采纳了深度学习的思想，在目标域X_t的前景、背景判定和特征空间映射矩阵V的更新过程中，层层迭代，每一次迭代中根据上一次迭代的结果完成分类构图与域适应学习的结合，并将当前层次的输出结果V作为下一次迭代的输入，经过层层迭代学习，获得追踪结果，使得追踪结果的准确性更高。

主权项

1.一种结合分类与域适应的视觉追踪方法，其特征在于，包括如下步骤：(1)、以上一帧图像中的目标窗口St‑1为参考窗口，在当前帧图像中，利用动态模型(dynamic model)获取若干候选窗口，将候选窗口对应的样本作为候选样本；(2)、将前一帧图像追踪得到的前景样本和背景样本构成源域Xs，利用分类器在上一次迭代所获得特征空间映射矩阵V所映射的特征空间中，将当前帧图像的候选样本分为两个类别：伪前景样本和伪背景样本，二者构成目标域Xt；(3)、令域X＝[Xs,Xt]，基于源域Xs中样本(前景样本和背景样本)的标签信息以及目标域Xt中样本(伪前景样本和伪背景样本)的伪标签信息，应用FDA(Fisher Discriminant Analysis)判别分类，对域X进行分类构图，以寻求一个映射矩阵V，使得在映射的特征空间中，前景节点紧凑分布，背景节点紧凑分布，而前景和背景很好的分离；为此：将域X中的样本作为图中的节点，构造类内图(Gw,Mw)以及类间图(Gb,Mb)，并进一步得到分类构图下求取特征空间映射矩阵V的目标函数：其中，tr为矩阵求迹运算符，Lw为图Gw的拉普拉斯矩阵，Lw根据类内关系矩阵Mw计算得到，Lb为图Gb的拉普拉斯矩阵，Lb根据类间关系矩阵Mb计算得到；(4)、基于迁移学习的域适应，寻求能够为源域和目标域共享的特征空间，得到域适应下求解该特征空间映射矩阵V的目标函数：s.t.,VTX＝VTXsZ+E其中，Z为重构的系数矩阵，rank(Z)为矩阵Z的秩，E为噪音矩阵。进一步的，再与步骤(3)结合，寻求能够同时满足域适应和分类目标的特征空间，得到最终求解特征空间映射矩阵V的目标函数：s.t.,VTX＝VTXsZ+E获得目标函数后，对其求解，得到特征空间映射矩阵V；重复步骤(2)～(4)，直到求解特征空间映射矩阵V的算法收敛。(5)、基于上述算法收敛后获得的特征空间映射矩阵V，再次调用分类器对当前帧图像的候选样本作最终分类，获取前景样本、背景样本以及当前帧图像的追踪目标xt，其中，前景样本和背景样本作为求解下一帧图像的源域；(6)、追踪下一帧图像，对下一帧图像重复上述步骤(1)‑(5)，直至视觉追踪结束。