基于pca和噪聲分離的在線視頻跟蹤方法
【技術(shù)領(lǐng)域】
[0001] 本發(fā)明涉及一種計(jì)算機(jī)視覺領(lǐng)域中的目標(biāo)跟蹤方法，尤其是一種可相對(duì)提高計(jì)算 精度及速度的基于PCA (Principal components analysis,主成分分析）和噪聲分離的在 線視頻跟蹤方法。
【背景技術(shù)】
[0002] 目前，基于視頻的目標(biāo)跟蹤已應(yīng)用于現(xiàn)代化軍事、智能視頻監(jiān)控、智能交通、智能 視覺導(dǎo)航、人機(jī)交互等領(lǐng)域。傳統(tǒng)跟蹤方法更多地局限于在可控條件下對(duì)特定目標(biāo)進(jìn)行跟 蹤，而現(xiàn)有的目標(biāo)跟蹤方法大多為對(duì)現(xiàn)實(shí)場景中的任意目標(biāo)進(jìn)行跟蹤的在線視覺跟蹤。在 線視覺跟蹤方法的實(shí)用性更強(qiáng)，但是由于現(xiàn)實(shí)場景和被跟蹤目標(biāo)的復(fù)雜性，如目標(biāo)姿態(tài)、形 狀等內(nèi)在變化以及光照、運(yùn)動(dòng)模糊、遮擋、背景雜亂等外在因素，實(shí)現(xiàn)在線視覺跟蹤存在諸 多挑戰(zhàn)?，F(xiàn)有的在線視頻跟蹤方法根據(jù)基本原理和技術(shù)一般可分為三大類：基于狀態(tài)估計(jì) 的跟蹤算法、基于分類器的跟蹤算法和基于模板匹配的跟蹤算法。
[0003] 與本發(fā)明最接近的現(xiàn)有技術(shù)是基于模板匹配的跟蹤算法，該類算法一般利用特征 直方圖、灰度像素模板和特征子空間作為目標(biāo)模板，跟蹤過程中，該類算法在候選目標(biāo)區(qū)域 內(nèi)尋找與目標(biāo)模板相似度最大或聚類最小的圖像區(qū)域。Lucas和Kanade等人在論文An iterative image registration technique with an application to stereo vision 中提出了一種迭代圖像配準(zhǔn)算法Lucas-Kanade算法，該算法是光流跟蹤算法的基礎(chǔ)，其 優(yōu)點(diǎn)在光照恒定情況下對(duì)剛性目標(biāo)處理速度快，缺點(diǎn)在于不能夠很好地處理目標(biāo)的光照、 姿態(tài)及遮擋的變化。Li 等人在論文 Robust Registration-based tracking by sparse representation with model update中提出了基于稀疏表不的Lucas-Kanade算法，試圖利 用稀疏表示模型來刻畫目標(biāo)在跟蹤過程中的變化，但是由于該算法對(duì)異常噪聲沒有進(jìn)行顯 示地分析和討論，在處理遮擋等挑戰(zhàn)時(shí)效果仍不理想。
[0004] 在計(jì)算機(jī)視覺和模式識(shí)別的很多問題中，通常觀測噪聲會(huì)被假設(shè)為服從某種分 布的單一噪聲。例如主成分分析（PCA)算法假設(shè)樣本數(shù)據(jù)的觀測噪聲服從等方差的多 維高斯分布，通過選擇能夠最大化方差的投影方向作為樣本的主成分。Ross等人在論文 Incremental learning for robust visual tracking 中提出了一種增量子空間跟蹤算法， 可以在線學(xué)習(xí)一個(gè)PCA子空間來適應(yīng)目標(biāo)光照和姿態(tài)的變化，該算法能夠很好地處理目標(biāo) 旋轉(zhuǎn)、尺度和光照變化。但在出現(xiàn)局部遮擋或損毀等異常噪聲時(shí)，就無法利用單一噪聲同時(shí) 考慮目標(biāo)正常變化和異常噪聲。最近，Ayvaci等人在論文Decomposing and regularizing sparse/non-sparse components for motion field estimation 中的運(yùn)動(dòng)估計(jì)問題中將匹 配誤差分解為兩部分：高斯噪聲和稀疏噪聲。隨后，Chen等人在論文Occlusion detection and motion estimation with convex optimization中的運(yùn)動(dòng)估計(jì)問題中同時(shí)對(duì)匹配誤差 和正則化項(xiàng)做了相似的拆分，取得了不錯(cuò)的效果。但是，迄今為止還沒有關(guān)于基于PCA和噪 聲分離的在線視頻跟蹤方法的相關(guān)報(bào)道。

【發(fā)明內(nèi)容】

[0005] 本發(fā)明是為了解決現(xiàn)有技術(shù)所存在的上述技術(shù)問題，提供一種可相對(duì)提高計(jì)算精 度及速度的基于PCA和噪聲分離的在線視頻跟蹤方法。
[0006] 本發(fā)明的技術(shù)解決方案是：一種基于PCA和噪聲分離的在線視頻跟蹤方法，其特 征在于依次按照如下步驟進(jìn)行： 步驟1 :采集第一幀圖像，初始化變換參數(shù)； 步驟2 :PCA空間建模，初始化基向量和均值； 步驟3:采集下一幀圖像； 步驟4 :根據(jù)變換參數(shù)摳取圖像； 步驟5 :根據(jù)PCA基向量和均值計(jì)算表示系數(shù)和異常噪聲； 步驟6 :Lucas_Kanade算法計(jì)算新的變換參數(shù)； 步驟7 :判斷循環(huán)迭代是否收斂？是，更新并輸出變換參數(shù)，更新PCA基向量和均值，返 回步驟3 ;否，返回至步驟4。
[0007] 所述步驟2是在第一幀圖像中摳取目標(biāo)圖像，在目標(biāo)圖像周圍收集樣本，利用PCA 子空間建立模3
【主權(quán)項(xiàng)】
1. 一種基于PCA和噪聲分離的在線視頻跟蹤方法，其特征在于依次按照如下步驟進(jìn) 行： 步驟1 :采集第一幀圖像，初始化變換參數(shù)； 步驟2 :PCA空間建模，初始化基向量和均值； 步驟3:采集下一幀圖像； 步驟4 :根據(jù)變換參數(shù)摳取圖像； 步驟5 :根據(jù)PCA基向量和均值計(jì)算表示系數(shù)和異常噪聲； 步驟6 :Lucas_Kanade算法計(jì)算新的變換參數(shù)； 步驟7 :判斷循環(huán)迭代是否收斂？是，更新并輸出變換參數(shù)，更新PCA基向量和均值，返 回步驟3 ;否，返回至步驟4。
2. 根據(jù)權(quán)利要求1所述基于PCA和噪聲分離的在線視頻跟蹤方法，其特征在于所述 步驟2是在第一幀圖像中摳取目標(biāo)圖像，在目標(biāo)圖像周圍收集樣本，利用PCA子空間建立 模型7? P十[X = P十X1O1十---+ΧΛ，其中，為待觀測的樣本，為均值向量， Γ =IulrIi::…為】el5"為PCA的基向量，X = X:，,,,,X:」e JT:為表示系數(shù)。
3. 根據(jù)權(quán)利要求2所述基于PCA和噪聲分離的在線視頻跟蹤方法，其特征在于所述步 驟5是按照目標(biāo)函數(shù)
求解表示系數(shù)X和異常噪聲，式中e為稀疏異 常噪聲：
b預(yù)設(shè)定的正則化參數(shù)；
給定最優(yōu)的'，最優(yōu)的^由映射操作獲得 ;給定最優(yōu)的^，最優(yōu)的，由軟閾值操作獲得，即SJ|y-|i-[Vy，所述為軟閾值函 數(shù)S:_ ix:) = max(|r|-2=0+:|sgii(x)，其中 sgn(x)為符號(hào)函數(shù)。
4. 根據(jù)權(quán)利要求3所述基于PCA和噪聲分離的在線視頻跟蹤方法，其特征在 于所述步驟6是根據(jù)Lucas-Kanade算法獲得dp的高斯-牛頓迭代梯度下降形式：
式中： ΔΡ為變換參數(shù)變量；H是海森矩陣；是圖像梯度；疒@)是與μ + ΙΓχ + e對(duì)應(yīng)的圖像 塊；J (w(z，p))是與y(w(z，p)對(duì)應(yīng)的圖像塊，其中Wp表示仿射變換，ζ是變換前圖像坐 標(biāo)，P是存儲(chǔ)的變換參數(shù)。
【專利摘要】本發(fā)明公開一種可相對(duì)提高計(jì)算精度及速度的基于PCA和噪聲分離的在線視頻跟蹤方法，依次按照如下步驟進(jìn)行：步驟1：采集第一幀圖像，初始化變換參數(shù)；步驟2：PCA空間建模，初始化基向量和均值；步驟3：采集下一幀圖像；步驟4：根據(jù)變換參數(shù)摳取圖像；步驟5：根據(jù)PCA基向量和均值計(jì)算表示系數(shù)和異常噪聲；步驟6：Lucas-Kanade算法計(jì)算新的變換參數(shù)；步驟7：判斷循環(huán)迭代是否收斂，是，更新并輸出變換參數(shù)，更新PCA基向量和均值，返回步驟3；否，返回至步驟4。
【IPC分類】G06T5-00, G06T7-00
【公開號(hào)】CN104751448
【申請(qǐng)?zhí)枴緾N201510081852
【發(fā)明人】薄純娟, 王愛芹, 龔濤, 趙丹
【申請(qǐng)人】大連民族學(xué)院
【公開日】2015年7月1日
【申請(qǐng)日】2015年2月15日