基于稀疏鉴别最小生成树的目标跟踪算法制造技术

本发明专利技术提供一种基于稀疏鉴别最小生成树的目标跟踪算法，包括利用前几帧的跟踪结果采集长期、短期两种目标类样本和非目标类样本，并通过粒子滤波围绕上一帧的跟踪结果随机采样若干候选样本作为候选样本集；基于短期和长期目标类样本集以及非目标类样本集，利用稀疏鉴别投影，求解最佳投影矩阵a，并根据表达式

【技术实现步骤摘要】
基于稀疏鉴别最小生成树的目标跟踪算法
本专利技术涉及目标跟踪领域，具体是一种基于稀疏鉴别最小生成树的目标跟踪算法。
技术介绍
传统的多类分类问题需要多类样本来训练分类器。其不足之处在于，如果由于某种原因几乎无法获取多类的样本、或者可以较容易地获得某一类样本，而其他类别的样本获取的代价较高，造成各类样本数严重不平衡，会使分类结果发生严重偏离。这种情况只能利用一类样本进行学习形成类别描述从而实现该类别的识别，称为单类分类。在单类分类中，待区分的类必须和其他所有可能的类相区别，前者称为正类或者目标类，后者统称为负类或非目标类。故障检测、异常行为检测、疾病检测、个体识别都是典型的单类分类的例子。单类分类器的目标是构建一个目标类的模型，接受尽量多的目标类物体，同时尽可能地拒绝其它类。近年来，单类分类器得到广泛的关注和研究，并在多个领域得到应用。当前判别式目标跟踪算法将目标跟踪问题看作目标与背景的两分类问题，通过在近几帧采集跟踪结果作为表征目标的正样本，并在目标附近采集负样本作为背景的训练样本，训练一个两类分类器用以在当前帧中区分目标和背景。然而，实际上“背景”并非一个具体的类，而更像是一个类的集合——所有非目标类的集合。这主要是因为：①运动目标的背景非常复杂，可能由许多不同类型的物体组成；②运动目标的背景是不断变化的，虽然背景也具备一定的连续性，然而用前一帧或几帧的背景作为负类样本训练得到的分类器在当前帧中对背景进行识别仍存在一定误差。针对这种复杂的背景，生成式方法选择只关注目标而不关注背景的方式进行处理。然而大多数生成式方法假设目标类样本位于一个基本的线性流形。但是，这种假设往往因为目标复杂的变化而无法满足。事实上，目标跟踪是一种典型的单类分类问题。考虑一种极端情况，如果知道被跟踪目标的唯一标识特征，则无论该目标面对多么复杂的背景，如车辆拥堵的道路上，或者发生挤压等严重的形变，都能正确跟踪该目标。因此，将目标跟踪作为单类分类问题更能反映问题的本质。被跟踪目标是目标类，而其它所有物体是非目标类。文献一(P.Juszczak,D.M.J.Tax,E.Pekalska,etal.,“Minimumspanningtreebasedone-classclassifier,”Neurocomputing.,vol.72,no.7-9,2009,pp.1859-1869.)提出了一种基于最小生成树的单类分类器，称为最小生成树类描述字(MinimumSpanningTreeClassDescriptor,MSTCD)。与其它单类分类器相比，MSTCD覆盖描述较为紧致，更能反映数据的流形结构，能很好的对非规则复杂数据分布进行描述，且该描述是无参数的，对高维空间小样本问题有良好的鲁棒性。然而，MSTCD也存在以下问题：①仅考虑了训练集只含有一类样本的情况。在某些情况下训练集中可能含有负类样本，只是这些负类样本来源于许多不同的类型，无法用一个统一的模型进行描述。这时完全丢弃负类样本所包含的信息是不恰当的；②MSTCD以成对欧氏距离为距离度量，这种度量方式对噪声敏感，使得最小生成树结构容易发生较大变化，而且缺乏全局信息导致信息密度较低。局部敏感鉴别分析方法(LSDA)(见文献二(D.Cai,X.He,K.Zhou,etal.,“LocalitySensitiveDiscriminantAnalysis,”InIJCAI.,2007,pp.708-713))专注于选择鉴别特征，通过寻求一种映射关系，使得不同类目标数据点的邻域边界最大，然而LSDA是基于成对欧氏距离来构建分类图，因此对噪声很敏感。
技术实现思路
针对现有技术存在的上述不足，本专利技术提供一种基于稀疏鉴别最小生成树的目标跟踪算法，将目标运动背景视为所有非目标类的集合，将目标跟踪问题转化为区分目标类和非目标类的单类分类问题，实验证明该方法对背景的动态变化有很强的鲁棒性，实时性很好。一种基于稀疏鉴别最小生成树的目标跟踪算法，包括如下步骤：步骤一、利用前几帧的跟踪结果采集长期、短期两种目标类样本和非目标类样本，并通过粒子滤波围绕上一帧的跟踪结果随机采样若干候选样本作为候选样本集；步骤二、基于短期和长期目标类样本集以及非目标类样本集，利用稀疏鉴别投影，求解最佳投影矩阵a，并根据表达式对目标类样本集和候选样本集进行投影；步骤三、针对投影后的目标样本集，计算每个目标类样本的稀疏表示系数，以所有其他目标类样本形成的字典作为相似度度量，构建目标类的最小生成树模型；步骤四、利用最小生成树模型对每个候选样本进行评估，实现目标与非目标的甄别，将置信度最高的一个作为目标位置，进而完成目标跟踪。进一步的，步骤一实施过程如下：(1)从第1帧到第m帧，利用最近邻法对目标进行跟踪，所得的跟踪结果作为短期目标类样本集Ip，并初始化长期目标类样本集Is，共同构成了目标类样本集(2)对于第m帧，在围绕跟踪结果的环形区域内随机采样若干与正样本尺寸相等的子区域作为非目标类样本集I-；(3)从第m+1帧开始，在当前帧利用粒子滤波模型，采样若干候选子区域作为候选样本集进一步的，步骤二中按照式(7)求解最佳投影矩阵a：其中0≤α≤1是常数，是一个超完备的字典；Lex＝Dex-Wex，其中类间相异矩阵Wex表示异类样本之间的区分度，Dex是由Dex,ii＝∑jwex,ij定义的对角矩阵，类内相似矩阵Win表示同类样本之间的相似度，Din是由Din,ii＝∑jwin,ij定义的对角矩阵。进一步的，步骤三具体实施过程为：针对投影后的目标样本集，根据式(8)求解投影后目标类样本集的相似矩阵构建目标类的最小生成树模型。其中，是一个超完备的字典，表示样本与其余样本之间的相似关系。进一步的，步骤四包括如下步骤：(4.1)对每一个候选样本按照最小生成树欧式距离的计算公式计算每个候选样本到最小生成树g'的距离得到各候选样本的置信度；(4.2)取上述计算出来的最高置信度的候选区作为跟踪结果。进一步的，步骤(4.1)具体实施过程为：令{xi,xj}∈X表示目标类中的两个样本，定义点x到边eij的距离为d(x|eij)，则根据高维几何关系，点x在边eij上的投影点为：如果P(x,eij)位于eij的边上，则d(x|eij)等于点x到P(x,eij)之间的距离，否则为其与两个顶点之间的最短距离，即有thend(x|eij)＝||x-P(x,eij)||(11)elsed(x|eij)＝min{||x-xi||,||x-xj||}(12)测试对象x到最小生成树g的距离定义为点x到m-1条边的最短距离：进一步的，步骤(4.2)具体实施过程为：认为若一个未知样本位于这个最小生成树的适当邻域内，则该未知样本属于目标类，根据式(14)求取未知样本到最小生成树的距离，利用粒子滤波模型在当前帧中采样N个候选区域得到未标记样本集计算每个候选样本到最小本文档来自技高网...

【技术保护点】
1.一种基于稀疏鉴别最小生成树的目标跟踪算法，其特征在于：包括如下步骤：/n步骤一、利用前几帧的跟踪结果采集长期、短期两种目标类样本和非目标类样本，并通过粒子滤波围绕上一帧的跟踪结果随机采样若干候选样本作为候选样本集；/n步骤二、基于短期和长期目标类样本集以及非目标类样本集，利用稀疏鉴别投影，求解最佳投影矩阵a，并根据表达式

【技术特征摘要】
1.一种基于稀疏鉴别最小生成树的目标跟踪算法，其特征在于：包括如下步骤：
步骤一、利用前几帧的跟踪结果采集长期、短期两种目标类样本和非目标类样本，并通过粒子滤波围绕上一帧的跟踪结果随机采样若干候选样本作为候选样本集；
步骤二、基于短期和长期目标类样本集以及非目标类样本集，利用稀疏鉴别投影，求解最佳投影矩阵a，并根据表达式对目标类样本集和候选样本集进行投影；
步骤三、针对投影后的目标样本集，计算每个目标类样本的稀疏表示系数，以所有其他目标类样本形成的字典作为相似度度量，构建目标类的最小生成树模型；
步骤四、利用最小生成树模型对每个候选样本进行评估，实现目标与非目标的甄别，将置信度最高的一个作为目标位置，进而完成目标跟踪。


2.如权利要求1所述的基于稀疏鉴别最小生成树的目标跟踪算法，其特征在于：步骤一实施过程如下：
(1)从第1帧到第m帧，利用最近邻法对目标进行跟踪，所得的跟踪结果作为短期目标类样本集Ip，并初始化长期目标类样本集Is，共同构成了目标类样本集
(2)对于第m帧，在围绕跟踪结果的环形区域内随机采样若干与正样本尺寸相等的子区域作为非目标类样本集I-；
(3)从第m+1帧开始，在当前帧利用粒子滤波模型，采样若干候选子区域作为候选样本集


3.如权利要求1所述的基于稀疏鉴别最小生成树的目标跟踪算法，其特征在于：步骤二中按照式(7)求解最佳投影矩阵a：



其中0≤α≤1是常数，是一个超完备的字典；Lex＝Dex-Wex，其中类间相异矩阵Wex表示异类样本之间的区分度，Dex是由Dex,ii＝∑jwex,ij定义的对角矩阵，类内相似矩阵Win表示同类样本之间的相似度，Din是由Din,ii＝∑jwin,ij定义的对角矩阵。


4.如权利要求1所述的基于稀疏鉴别最小生成树的目标跟踪算法，其特征在于：步骤三具体实施过程为：针对投影后的目标样本集，根据式(8)求解投影后目标类样本集的相似矩阵构建目标类的最小生成树模型：



其中，是一个超完备的字典，表示样本Ii+与其余样本之间的相似关系。


5.如权利要求1所述的基于稀疏鉴别最小生成树的目标跟踪算法，其特征在于：步骤四包括如下步骤：<...

【专利技术属性】
技术研发人员：满欣，毛盾，林晓烘，
申请(专利权)人：中国人民解放军海军工程大学，
类型：发明
国别省市：湖北;42