Details of Research Outputs

本发明公开了一种基于高阶偏最小二乘法的目标跟踪算法,包括初始化阶段、训练阶段、测试阶段,和更新阶段。本发明以二维张量来表示图像块,保存了该图像块内在的空间结构信息,同时,本发明综合了多个时序的图像块及其类别来建立高阶张量,并以偏最小二乘法来分析该高阶张量与其类别矩阵的关联之处,使目标跟踪算法的性能大大提高。

一种基于高阶偏最小二乘法的目标跟踪算法,其特征在于,包括初始化阶段、训练阶段、测试阶段,和更新阶段；所述初始化阶段包括：指定一个目标物体,并设定以该目标物体的中心为中心的n?1种不同相对方位为该目标物体的n?1种非目标方位；将当前时刻记为t时刻,并提取从t?m时刻到t时刻的m帧图像,其中m为一个预先设定的正整数；针对所提取的每一帧图像,人为找到该图像中的目标物体,以该目标物体的中心为中心截取包含该目标物体的1个第一图像块,之后分别以该目标物体的n?1种非目标方位为中心截取n?1个第二图像块,其中n为一个预先设定的大于1的正整数；所有第一图像块和所有第二图像块的大小均一致；将所截取的每个第一图像块和每个第二图像块均用一个I||sub||1||/sub||×I||sub||2||/sub||的特征矩阵表示,I||sub||1||/sub||和I||sub||2||/sub||均为一个预先设定的正整数；将当前的m个第一图像块组成一个图像集,并记为目标图像集；将当前以同一种非目标方位为中心的第二图像块组成一个图像集,并记为非目标图像集,得到n?1个非目标图像集；将t时刻的一帧图像中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、将当前的目标图像集的类别标记为目标类,将当前的n?1个非目标图像集的各类别分别标记为第1非目标类、第2非目标类、…第n?1非目标类；然后将所述目标类、第1非目标类、第2非目标类、…第n?1非目标类分别对应n个类别行向量,记为y||sub||1||/sub||,y||sub||2||/sub||,…,y||sub||n||/sub||,其中,y||sub||i||/sub||＝[0,0,...,1,...,0](i＝1,2,…m),是除了第i个元素为1之外,其余全为0的向量,当i＝1时,其含义表示目标类,当1＜i≤n时,其含义表示第i?1非目标类；A2、基于当前的1个目标图像集和n?1个非目标图像集构建一个高阶张量,记为X,且其中第一阶的n表示n个类别,第二阶和第三阶的I||sub||1||/sub||×I||sub||2||/sub||表示所截取的图像块的特征矩阵大小为I||sub||1||/sub||×I||sub||2||/sub||,第四阶的m表示m帧图像；将所述n个类别行向量y||sub||1||/sub||,y||sub||2||/sub||,…,y||sub||n||/sub||依照X的第一阶中n个类别的顺序从上到下排列、构建成一个X的类别矩阵,记为Y,得出Y∈R||sup||n×n||/sup||；A3、利用高阶偏最小二乘法,分别将X和Y分解为