目标跟踪方法及装置制造方法及图纸
Target tracking method and device
The present invention provides a target tracking method, including: building the target subspace, including constructing the sample matrix including characteristics of the target image; according to the effectiveness of the various features of the sample matrix calculation in the sparsity induced matrix, each feature sparsity induced matrix for effective sample matrix maximum K characteristics, among them, K is the number of columns of the sample matrix; remove the noise in the sample matrix of the sample matrix without noise; calculating expression error matrix; matrix analysis to obtain the sample matrix multiplication method in sparse matrix and the noise induced by the initial learning subspace using principal component; basis vectors in the initial subspace corresponding to the interference ignore the feature position on the insertion of zero, get the target subspace; the target subspace tracking target; the target subspace online update. The invention also provides a target tracking device. The target tracking method is not sensitive to the occlusion and can track the target more accurately.
【技术实现步骤摘要】
本专利技术涉及视觉跟踪领域，具体地，涉及一种目标跟踪方法和一种执行该目标跟踪方法的装置。
技术介绍
移动目标跟踪已经成为智能
的核心技术之一，在国民经济甚至国防领域中都有着广泛应用。例如，在智能交通系统中，可以通过对移动目标跟踪来对肇事车辆进行自动跟踪监控；在家庭智能娱乐设备中，可以控制对运动人体的自动跟踪；在军事领域中，可以对武器进行精确制导等。在移动目标的跟踪领域，目标的表达方法对算法很重要，甚至在某些场景下会决定跟踪任务的成败。子空间学习是一种常用的目标表达方法，给方法假设跟踪目标存在于一个低维的子空间中，首先在前一帧上对每个候选目标计算表达误差，将表达误差最小的候选目标确定为当前帧上的目标。已经证明，这种方法可以很有效地处理场景光照变化、小幅度目标姿态变化等跟踪难点问题，但是，这种方法对遮挡场景十分敏感。例如，图1(a)中所示的是一种利用子空间法构建目标子空间以对目标进行跟踪的方法中，目标子空间的示意图。如图所示，重建图像时，并不能消除对遮挡物的影响，因此，难以判断被遮挡住的图像是否为跟踪目标。还例如，图1(b)中所示的是一种利用稀疏子空间法构建目标子空间以对目标进行跟踪的方法中，目标子空间的示意图。如图所示，对子空间进行了稀疏处理，但是，重建图像中仍然不能消除遮挡物的影响。因此，如何提供一种对遮挡场景不敏感的目标跟踪方法成为本领域亟待解决的技术问题。
技术实现思路
本专利技术的目的在于提供一种目标跟踪方法和一种执行该目标跟踪方法的装置。所述目标跟踪方法能够对目标进行精确跟踪。为了实现上述目的，作为本专利技术的一个方面，提供一种目标跟踪方法，其...
【技术保护点】
一种目标跟踪方法，其特征在于，所述目标跟踪方法包括：构建目标子空间，包括：构建包括目标图像的特征的样本矩阵；根据所述样本矩阵中各个特征的有效性计算稀疏性诱导矩阵，所述稀疏性诱导矩阵的各个特征为所述样本矩阵中有效性最大的K个特征，其中，K为所述样本矩阵的列数；去除所述样本矩阵中的噪声得到无噪声的样本矩阵；计算表达误差矩阵；使用主成分分析法在所述稀疏性诱导矩阵和所述无噪声的样本矩阵相乘获得的矩阵上学习得到初始子空间；在所述初始子空间的基向量中对应于忽略的干扰特征位置上插入零值，得到所述目标子空间；利用所述目标子空间追踪目标；对所述目标子空间进行在线更新。
【技术特征摘要】
1.一种目标跟踪方法，其特征在于，所述目标跟踪方法包括：构建目标子空间，包括：构建包括目标图像的特征的样本矩阵；根据所述样本矩阵中各个特征的有效性计算稀疏性诱导矩阵，所述稀疏性诱导矩阵的各个特征为所述样本矩阵中有效性最大的K个特征，其中，K为所述样本矩阵的列数；去除所述样本矩阵中的噪声得到无噪声的样本矩阵；计算表达误差矩阵；使用主成分分析法在所述稀疏性诱导矩阵和所述无噪声的样本矩阵相乘获得的矩阵上学习得到初始子空间；在所述初始子空间的基向量中对应于忽略的干扰特征位置上插入零值，得到所述目标子空间；利用所述目标子空间追踪目标；对所述目标子空间进行在线更新。2.根据权利要求1所述的目标跟踪方法，其特征在于，根据目标图像各个特征的有效性计算稀疏性诱导矩阵的步骤包括：利用以下公式计算表示所述样本矩阵中两两特征之间的关系的表达矩阵： m i n Z , E | | Z | | 1 + λ | | E | | 1 s . t . X T = X T Z + E Z i i = 0 ; ]]>其中，Z∈Rd×d表示两两特征间的关系的矩阵；E为所述表达误差矩阵；λ为权重系数，λ＞0；利用以下公式计算关系矩阵： A = 1 2 ( | Z | + | Z T | ) ; ]]>其中，A为所述关系矩阵；利用以下公式计算所述样本矩阵中的特征的有效性： ϵ i = exp ( - 1 μ Σ j = 1 , j ≠ i d A i j ) , ]]>其中，εi为所述样本矩阵中第i个特征的有效性；μ为指数函数的尺度参数，μ＞0；Aij为所述样本矩阵中第i个特征与第j个特征之间的关系，且Aii＝0，Aij＝Aji≥0。3.根据权利要求2中所述的目标跟踪方法，其特征在于，在所述利用以下公式计算所述样本矩阵中的特征的有效性的步骤中，利用LASSO算法、正交匹配跟踪算法和增强拉格朗日乘子法中的任意一种求解所述样本矩阵中两两特征之间的关系的表达矩阵。4.根据权利要求1至3中任意一项所述的目标跟踪方法，其特征在于，利用所述目标子空间追踪目标的步骤是基于粒子滤波跟踪框架实现的，其中，利用以下公式计算当前帧图像中的候选者成为目标的可能性： Ψ ( c ) = exp ( - 1 l | | ∂ S ( c - m ) - QQ T ( c - m ) | | 2 2 ) ; ]]>其中，Ψ(c)为候选者成为目标的可能性；c为候选者的特征；m为去除噪声的样本矩阵Y的均值列向量；l为指数函数的尺度参数，且l＞0；Q为所述目标子空间，其中，Q∈Rd×r。5.根据权利要求1至3中任意一项所述的目标跟踪方法，其特征在于，对所述目标子空间进行在线更新的步骤包括：当已定位目标不超过N个时，则将全部定位得到的目标用于构建所述目标子空间；当已定位的目标超过N个时，利用最近定位N-1个目标以及第一帧定位的目标构建所述目标子空间；每隔M帧重新构建一次所述目标子空间，其中，M和N均为自然数，M＜N，M≥1。6.一种目标跟踪装置，其特征在于，所述目标跟踪装置包括：目标子空间构建模块，所述目标子空间构建模块用于构建目标子空间，所述目标子空间构建模块包括：样本矩阵构建...
【专利技术属性】
技术研发人员：汤雅妃，王志军，邓瑞，李伟杰，
申请(专利权)人：中国联合网络通信集团有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。