[发明专利]一种基于流形判别非负矩阵分解的目标跟踪方法

摘要

一种基于流形判别非负矩阵分解的目标跟踪方法，包括：S1获取当前帧正负样本，S2获取正负样本特征和样本矩阵X_l；S3读取下一帧，获取候选样本矩阵X_u；S4合并X_l和X_u为数据矩阵X，将X分解为非负矩阵乘积，再经学习得到分类器；S5通过分类器计算每个候选样本的响应值，选取最大响应作为跟踪目标；S6判断是否最后一帧，若是，进入S7输出每一帧目标的状态，若否，跳至S1。本发明通过非负矩阵分解来获得更高层图像特征，能更好描述局部特性，排除遮挡和背景干扰；使用半监督流形正则方法，结合标记和无标记样本训练含空间结构信息的分类器，可保留更多判别信息，有效应对光照和目标形变；通过在线训练更新特征提取模型，快速定位视频中的指定目标。

主权项

1.一种基于流形判别非负矩阵分解的目标跟踪方法，其特征在于：包括如下步骤：S1:在当前帧，按照粒子滤波框架在目标位置附近分别提取正样本和负样本，且每个样本都包含一组仿射参数；其中，按照粒子滤波框架，每个粒子由6个仿射参数构成，分别表示目标纵轴方向x的位移、横轴方向y的位移、旋转角度、尺度变化比例、纵横比和倾斜度，通过此6个仿射参数的随机变化，就能获得和目标位置相近的其他图像区域的位置参数；正样本和负样本均通过上一帧目标位置附近获取；正样本为np个，所述的负样本为nn个；且每个样本可以为np个正样本中的一个，或者为nn个负样本中的一个；S2:根据S1输出的每个样本包含的仿射参数获取对应该样本的图像块并提取此图像块的图像特征，生成样本矩阵；其中，生成样本矩阵表示为：Xl，其中l＝np+nn；其中，提取图像块的图像特征通过仿射参数变换，将S1选取的对应区域图像转化为宽高为相等的矩阵，然后对每一个样本提取图像特征并转化为列向量；其中，图像特征有灰度、HOG和LAB；S3:读取下一帧，在前一帧目标位置附近提取候选样本，获取对应的候选样本矩阵，记为Xu；具体为：读取当前帧，参照上一帧的目标位置，采用粒子滤波框架获取候选样本；S4:合并S2输出的样本矩阵Xl和S3输出的候选样本矩阵Xu为数据矩阵X，将此数据矩阵X分解为两个低秩的非负矩阵U和V的乘积，同时考虑样本的标记信息和几何特性，引入判别约束和流形约束，最终学习得到一个贝叶斯分类器，考虑分类器的分类结果的基础上综合考虑了图像非负矩阵分解的重构误差；U和V的乘积记为X＝UV；其中，求解U矩阵和V矩阵就转化为以下优化问题：s.t.U≥0 V≥0其中，min表示最小化，是minimize的英文缩写，s.t.表示受制于，是subject to的英文缩写，||·||F表示矩阵的Frobenius范数，即矩阵元素绝对值的平方和再开平方；矩阵U是 一个字典，V是 数据矩阵相对于字典的系数，且 V被作为一种新的中层特征来训练分类器；字典U直观上可以看作是原始图像局部特征的具体刻画；因此，考虑样本的标记信息和空间结构信息，引入流形判别约束，即在原优化问题的基础上增加约束：s.t.U≥0 V≥0其中，第二项和第三项分别是分类器的判别误差和流形正则约束，其中y₁，...，y_l表示l个样本的标记，[...]^T表示中括号中的矩阵或者向量的转置，f＝[f(v₁)，...，f(v_n)]^T＝V^Tw，f表示分类器函数，向量v_i是矩阵V的第i列，W为分类器的最佳分界面；其前l个对角元素为1，diag表示对角化操作算子，即将其后的向量转化成一个对角矩阵，表示n×n维的实数空间；矩阵是p个预定的图所形成的Laplacian矩阵的线性组合，衡量了样本之间的相似程度，包含了目标的结构信息，其中∑表示求和符号，在这里求多个矩阵的和，α_κ表示第κ个预定的Laplacian矩阵的L^(κ)的权重；对其中每一项，L^(κ)＝D^(κ)‑A^(κ)，A^(κ)是样本的亲近矩阵，D^(κ)是一个对角矩阵，其每个对角元素其中∑表示求和符号，此处表示求多个数的和；通过分步迭代求解，可以得到分类器的最佳分界面W和Laplacian矩阵的最优组合参数αk；通过联合优化，一方面提高了运算效率，另一方面也避免陷入局部最优值；S5:通过S4输出的贝叶斯分类器计算S3中每个候选样本的响应值，选取响应值最大的候选样本作为当前帧的跟踪目标；S6、判断当前帧是否是最后一帧，并进行相应操作，具体为：S6.1如果当前帧是最后一帧，表明跟踪结束，跳至S7；S6.2如果当前帧不是最后一帧，表明还需要继续跟踪，跳至S1，继续下一帧图像的目标跟踪；S7、输出每一帧目标的状态。