一種基于在線迭代子空間學習的目標跟蹤方法
【技術領域】
[0001] 本發(fā)明屬于計算機視覺技術領域，涉及一種目標跟蹤方法，更為具體地說，是涉及 一種基于在線迭代子空間學習的目標跟蹤方法。
【背景技術】
[0002] 視覺跟蹤，是指通過攝像機采集圖像序列后，利用計算機按照一定算法對圖像進 行分析處理，對運動目標進行檢測、提取和識別后，獲得目標對象的運動參數(shù)，包括跟蹤目 標的位置、速度、運動軌跡等，通過對這些先驗知識的處理與分析，計算機可以估算目標的 運動行為，不斷跟蹤該目標。視覺跟蹤是實際生活中有著十分廣泛的應用，例如在有安全保 障要求的公共場所（機場、公路等人流量大的地方），當需要追蹤目標人物時，可以利用計 算機視覺追蹤的方法，估計出待跟蹤人物的下一步行動，即使出現(xiàn)目標被遮擋、光線變化等 情況時也不至于失去對目標的追蹤。經(jīng)典的目標跟蹤方法內存占用空間大，效率較低，尤其 是在跟蹤目標場景和形態(tài)發(fā)生較大變化時，通常跟蹤效果不佳。

【發(fā)明內容】

[0003] 為解決上述問題，本發(fā)明公開了一種基于在線迭代子空間學習的目標跟蹤方法， 能夠有效解決目標被部分遮擋和跟蹤目標圖像受到光照變化影響等問題，并顯著提升了目 標跟蹤的效率，減少了對內存的需求量。
[0004] 為了達到上述目的，本發(fā)明提供如下技術方案：
[0005] -種基于在線迭代子空間學習的目標跟蹤方法，包括如下步驟：
[0006] 步驟A，序列圖像的魯棒性在線校準
[0007] 將所跟蹤目標的每一張序列圖像向量化為nX1的列向量，則整個序列圖像集合 構成一個nXN矩陣D，其中D可以分解成一個大小為nXN低秩矩陣L=UW，一個大小為 nXN的稀疏矩陣E，和一個非線性圖像變換τ，序列圖像的魯棒性在線校準公式如下：
[0008] ⑴
[0009] 由于圖像變換D°τ的非線性性質，上式（1)表示如下：
[0010]
[0011] 計算公式（2)將目標圖像變換成為一個在規(guī)范坐標系中精確校準的目標圖像，具 體包括如下步驟：
[0012] 步驟A-1，首先給出第一幀圖像中待跟蹤物體的若干初始位置參數(shù)，對于初始位置 參數(shù)所框選的待追蹤物體圖像I均勻進行m次仿射變換擾動，通過仿射變換得到m個經(jīng)過 擾動的跟蹤物體圖像，然后利用這些圖像初始化L個子空間丨。，采用上式（2)初始化L個子空間
[0013]步驟A-2,每次僅考慮一幀圖像L，固定子空間^，將公式（2)改寫為：
[0014]
[0015] 上式中，L是第i幀圖像，&4是第k次迭代所估計的變換參數(shù)，，是第k次迭代針 對變換rf的雅可比矩陣，w為權重向量，e為稀疏向量，Δτ為增量的變換參數(shù)；
[0016] 公式⑶的增廣拉格朗日形式如下：
[0017]
[0018] 其中務(健為義綠=Η.+在:-一考蠢念'λ G Rn是拉格朗日乘子向量；
[0019] 最優(yōu)參數(shù)值（w^e'Δτ'λ，可由下式ADMM算法求得：
[0020]
[0021] 上式中Ρ> 1是ADMM的常量系數(shù)；
[0022] 步驟Α-3,選擇公式（4)作為第k次迭代過程中子空間更新的代價函數(shù)更新子空間
[0023] 首先對⑷關于Uk求導：
[0024]
(6)
[0025] 將其投影至格拉斯曼流形G(dk，n)，得梯度
-，引入
，得AL= ，ΔL的SVD分解表示為下式：
[0026]
Π)
[0027] 子空間的更新方法如下：
[0028]
C:l:)
[0029] 步驟B，采用子空間在線更新方法對目標進行跟蹤，對子空間集合，通過如 下步驟進行在線更新：
[0030] 對于當前待跟蹤的第i幀序列圖像Ii，完成L次迭代，完成對子空間集合的 更新，每次迭代時使用公式（5)計算出最優(yōu)的（《?Δτ'λ〇,其中Δτ?φλγ，1，計算 出1 = 4 +λ<d々=:[i,…/小其中初始的子空間集合為{i/f}匕，初始的變換參數(shù)為
[0031] 依次處理后續(xù)幀序列圖像，初始的變換參數(shù)Γ；^ =<，采用與第i幀序列圖像同樣 的方式更新子空間集合，直至處理完所有后續(xù)幀序列圖像；
[0032] 根據(jù)在規(guī)范坐標系中校準目標圖像的矩形框若干頂點位置常量，經(jīng)過的變換， 得到該目標在1 1+1圖像中的位置參數(shù)，其中?Τ為的逆變換。
[0033] 進一步的，在步驟B之前采用下式判斷跟蹤目標的圖像是否發(fā)生較大的畸變：
[0034] Π0 )
[0035] 如果稀疏向量f超過給定閾值則說明跟蹤目標的圖像發(fā)生了較大的畸變，需要重 新初始化跟蹤目標的子空間集合丨，使用上一幀校準的跟蹤目標和當前幀出 現(xiàn)畸變的跟蹤目標Λ'°，分別隨機均勻擾動m次，并分別增加子空間集合的秩dk=dk+l，k =1，…山然后使用公式⑵初始化得到新的子空間集合。
[0036] 進一步的，所述P= 1. 5。
[0037] 進一步的，所述e= 〇· 2。
[0038] 有益效果：
[0039] 本發(fā)明提供的目標跟蹤方法，對于監(jiān)控視頻每一幀圖像中待跟蹤的目標，在完成 目標圖像的校準后，只需以在線方式更新子空間，跟蹤過程中所維持的子空間集合所占用 的存儲空間遠遠小于經(jīng)典目標跟蹤方法所維持的"字典"所占用的內存空間，減少了對內存 的需求量，提升了目標跟蹤方法的效率。在目標被部分遮擋或受到光照變化影響時，依然能 有效跟蹤目標；即便遇到跟蹤的目標對象發(fā)生了較大的姿勢變化、受到嚴重的污染、光照明 暗強烈變化時，本方法仍舊能較好地跟蹤目標，具有較強的魯棒性。
【附圖說明】
[0040] 圖1為本發(fā)明步驟流程圖。
[0041] 圖2為圖像校準示意圖。
[0042] 圖3為基于圖像校準的目標跟蹤示意圖。
[0043] 圖4為子空間集合在線更新示意圖。
【具體實施方式】
[0044] 以下將結合具體實施例對本發(fā)明提供的技術方案進行詳細說明，應理解下述具體 實施方式僅用于說明本發(fā)明而不用于限制本發(fā)明的范圍。
[0045] 本發(fā)明提供的基于在線迭代子空間學習的目標跟蹤方法，對于待校準圖像采用基 于A范數(shù)的魯棒性回歸方法，在完成目標圖像的校準后，采用了子空間集合在線迭代更新 的方法更新子空間。具體的說，本發(fā)明方法如圖1所示，包括以下幾個步驟：
[0046] 步驟A，序列圖像的魯棒性在線校準
[0047] 將所跟蹤目標的每一張序列圖像向量化為ηX1的列向量（η是圖像的像素數(shù)），則 整個序列圖像集合構成一個ηΧΝ矩陣D(N是序列圖像的數(shù)量），則D可以分解成一個大小 為nXN低秩矩陣L=UW(其中，U是構成低秩矩陣L的列子空間正交矩陣，大小為nXd，d 為矩陣L的秩;W是權重系數(shù)矩陣，大小為dXN)，一個大小為ηΧΝ的稀疏矩陣E，和一個非 線性圖像變換τ。序列圖像的魯棒性在線校準可以數(shù)學建模為下式（1):
[0048]
(1)
[0049] η維實空間中所有nXd的正交矩陣構成的集合稱為格拉斯曼流形 (Grassmannian)，表示為G(d,η)，即UeG(d,η)。因此，可以認為完整的序列圖像集合經(jīng)過 合適的幾何變換后，能夠表示為低秩矩陣UW和稀疏異常矩陣Ε的疊加。
[0050] 然而由于圖像變換D°τ的非線性性質，公式（1)需要采用線性逐次逼近的方法 求解，即公式⑵：
[0051] (2)
[0052] 在第V」，?- ，··、」疋=|日_圖像變換參數(shù)的估計，< 是第i張圖像 基于圖像旋轉變換< 的雅克比矩陣，UJ表示1^的標準基。由于圖像的非線性變換τ的 作用，需要用一族低秩子空間丨。來逼近該非線性變換過程（L為總的迭代次數(shù)，非線性 越強L設置的越大，一般可設置為L= 10)。并且在不同的迭代循環(huán)中，由于圖像對齊的尺 度不一致，該低秩子空間集合{^/}匕具有不同的維度，也就是在不同的迭代階段Uk將被限 制在不同的格拉斯曼流形G(dk,η)上。
[0053] 步驟Α-1，構建和初始化子空間：
[0054] 對于進行目標跟蹤的視頻圖像序列，首先給出第一幀圖像中待跟蹤物體的初始位 置參數(shù)（即三點坐標），圖2中左半部分為校準前原圖像，其中待跟蹤物體用三點坐標框出， 根據(jù)需要說明的是，這里的三點坐標僅僅為示例，根據(jù)需要可以選擇三點或四點坐標甚至 更多來框選目標圖像的位置）。對于該三點坐標所框選的待追蹤物體圖像I均勻進行m次 仿射變換擾動，仿射變換包括縮放、平移和旋轉，通過這樣的仿射變換得到m個經(jīng)過擾動的 跟蹤物體圖像，然后利用此m圖像初始化L個子空間。此L個子空間彳的初始 化方法基于上式（2)。
[0055]步驟A-2，ADMM求解局部線性問題：
[0056] 當Uk已知（或者為已知估計值），公式（2)可利用ADMM(AlternatingDirection MethodofMultipliers)算法求解。對于在線校準，每次僅考慮一幀圖像1;，固定子空間 W，公式（2)可改寫為：
[0057] (3)
[0058] 這里L是第i幀圖像，<是第k次迭代所估計的變換參數(shù)，是第k次迭代針對 變換#的雅可比矩陣，目標是優(yōu)化求解權重向量w，稀疏向量e和增量的變換參數(shù)Δτ。
[0059] 公式⑶的增廣拉格朗日形式如下：
[0060]
[0061]其中的r,= + λ e Rn是拉格朗日乘子向量。
[0062] 最優(yōu)參數(shù)值（V，e'Δτ'λ，可由如下ADMM算法求得：
[0063]
[0064] 這里P> 1是ADMM的常量系數(shù)，取為P= 1. 5。
[0065]步驟A-3，迭代子空間更新：
[0066] 為了確定公式（2)中第k次迭代中的最優(yōu)子空間t/，將其視為一個基于格拉斯 曼流形的優(yōu)化問題。也就是說，本發(fā)明希望得到這樣一個子空間序列{0 } 滿足 (t-因此選擇用公式⑷作為第k次迭代過程中子空間更新的代價函數(shù)。 一旦根據(jù)之前的子空間i/f利用（5)求解出其它最優(yōu)參數(shù)（《?Δτ'λ，，則可用公式 (4)為代價函數(shù)更新該子空間。
[0067] 使用梯度下降算法，需要首先對（4)關于Uk求導，即：
[0068] (6)
[006