科研成果详情

本发明公开了一种基于图像集的目标跟踪算法,包括初始化阶段,用于建立目标模型的训练阶段,用于根据所建立的目标模型测试出指定目标物体的中心位置的测试阶段,和更新阶段。本发明采用图像集作为目标跟踪过程中训练样本和测试样本的基本单位,并在核偏最小二乘法的框架下,将目标跟踪问题视为一个多类别的分类问题,从而能够有效缓解跟踪器的“漂移”问题。

一种基于图像集的目标跟踪算法,其特征在于,包括初始化阶段,用于建立目标模型的训练阶段,用于根据所建立的目标模型测试出指定目标物体的中心位置的测试阶段,和更新阶段；所述初始化阶段包括：提取一帧图像,人为指定该图像中的目标物体和多个非目标物体,并人为获取一个正例类别图像集和多个负例类别图像集；所述正例类别图像集为从当前一帧图像中提取的多个包含所述指定的目标物体的图像块所构成的集合,其中所有图像块均标记为静态图像块；其中一个负例类别图像集为从当前一帧图像中提取的多个包含其中一个指定的非目标物体的图像块所构成的集合；不同的负例类别图像集中的图像块所包含的非目标物体不同；所提取的所有图像块大小均一致；将所指定的目标物体的中心位置设为当前位置；然后转入训练阶段；所述训练阶段包括：A1、将当前所获取的正例类别图像集构造成一个样本矩阵,并将该样本矩阵的类别标记为目标类；分别将当前所获取的每个负例类别图像集均构造成一个样本矩阵,并将这些样本矩阵的类别依次标记为第1非目标类、第2非目标类、...；当前所获取的正例类别图像集所生成的样本矩阵为该正例图像集中所有图像块的d维特征向量的协方差矩阵,其中d属于正整数；当前其中一个负例类别图像集所生成的样本矩阵为该负例类别图像集中所有图像块的d维特征向量的协方差矩阵；A2、建立一个训练集合,该训练集合由当前所获取的所有样本矩阵构成；设定该训练集合中的样本矩阵个数为m个,其中m属于正整数,并将该训练集合中的样本矩阵分别记为C||sub||1||/sub||,C||sub||2||/sub||,...,C||sub||m||/sub||,其中C||sub||i||/sub||∈R||sup||d×d||/sup||(i＝1,2,...m)；将该训练集合中的每个样本矩阵均转换为一个样本列向量,得到m个样本列向量分别为x||sub||1||/sub||,x||sub||2||/sub||,...,x||sub||m||/sub||,分别对应C||sub||1||/sub||,C||sub||2||/sub||,...,C||sub||m||/sub||；其中,由C||sub||i||/sub||的矩阵元素从上到下从左到右串起来而生成；然后设定C||sub||1||/sub||和C||sub||2||/sub||的黎曼核函数分别为和得出和之间满足A3、分别将C||sub||1||/sub||,C||sub||2||/sub||,...,C||sub||m||/sub||的各类别用列向量形式表示,得到m个类别列向量分别为y||sub||1||/sub||,y||sub||2||/sub||,...,y||sub||m||/sub||,分别对应C||sub||1||/sub||,C||sub||2||/sub||,...,C||sub||m||/sub||,并分别对应x||sub||1||/sub||,x||sub||2||/sub||,...,x||sub||m||/sub||；其中,y||sub||i||/sub||＝[0,0,...,1,...,0]||sup||T||/sup||(i＝1,2,...m),是除了第k(k＝1,2,...m)个元素为1之外,其余全为0的向量；当k＝1时,其含义表示C||sub||i||/sub||或x||sub||i||/sub||属于目标类；当1＜k≤m时,其含义表示C||sub||i||/sub||或x||sub||i||/sub||属于第k?1非目标类；然后设定X＝[x||sub||1||/sub||,x||sub||2||/sub||,...,x||sub||m||/sub||]||sup||T||/sup||,并设定Y＝[y||sub||1||/sub||,y||sub||2||/sub||,...,y||sub||m||/sub||]||sup||T||/sup||作为X的类别矩阵；之后根据偏最小二乘回归,将X和Y分解成：