一种自解释目标跟踪方法及装置的制造方法

文档序号:9418253阅读:290来源:国知局
一种自解释目标跟踪方法及装置的制造方法
【技术领域】
[0001 ] 本发明涉及通信领域,尤其涉及一种自解释目标跟踪方法及装置。
【背景技术】
[0002] 目标跟踪是现代智能技术领域的核心技术之一,在国民经济甚至国防领域中都有 着广泛应用,目标跟踪的本质是给定初始视频帧上目标的运动状态,在后续视频帧序列中 估计目标的运动状态。在一般的目标跟踪方法中,首先生成候选目标,然后根据所生成的候 选目标确定候选目标表达方法的模型,再次,确定用以估计一个候选目标成为当前帧目标 可能性的目标定位准则,最后通过在线更新策略更新跟踪目标的最新变化。
[0003] 现有技术中,可重建的表达方法越来越多的受到关注,该可重建的表达方法经由 表达重建目标,该类方法中常见的有子空间表达和稀疏表达,子空间表达和稀疏表达分别 挖掘了候选目标在低维空间的相似关系和候选目标与字典(模板)的近邻关系以提升表达 的精确性。
[0004] 在实现本发明过程中,发明人发现现有技术中至少存在如下问题:
[0005] 然而,在子空间表达和稀疏表达中,候选目标在低维空间的相似关系和候选目标 与字典(模板)的近邻关系均是单向的,即只使用之前已经定位了的目标来表达候选目标, 却没有考虑候选目标之间的相互表达关系。

【发明内容】

[0006] 本发明的实施例提供一种自解释目标跟踪方法及装置,能够提高目标跟踪装置的 精确性和鲁棒性。
[0007] 为达到上述目的,本发明的实施例采用如下技术方案:
[0008] 第一方面,提供一种自解释目标跟踪方法,包括:
[0009] 获取跟踪目标在当前帧的候选目标;
[0010] 获取Nt组目标模板T以及Nb组背景模板B中,与每个所述候选目标相似性最大的 模板;
[0011] 将每个所述候选目标划分到与所述候选目标相似性最大的模板对应的类别,其 中,所述类别包含目标类别和至少一个背景类别,所有目标模板对应目标类别,每一组背景 模板分别对应一个背景类别;
[0012] 对于所述目标类别中每个候选目标,利用与所述候选目标相似性最大的模板以及 与所述候选目标相似性最小的背景模板分别计算所述候选目标成为目标的可能性,将目标 可能性最大的候选目标定位为当前帧目标;
[0013] 根据得到的所述当前帧目标,更新所述当前帧目标对应的所述目标模板T,并根据 划分到背景类别中候选目标更新所述背景模板B。
[0014] 结合第一方面,在第一方面的第一种可能的实现方式中,所述获取Nt组目标模板T 以及N b组背景模板B中,与每个所述候选目标相似性最大的模板,包括:
[0015] 构建包含Nt组目标模板T、当前帧的候选目标C以及Nb组背景模板B的样本矩阵 X,所述背景模板B包含所述当前帧之前的帧视频序列中预设数量的图像序列的背景图像, 所述目标模板T包含所述当前帧之前的帧序列中提取的预设数量的目标图像;
[0016] 构建所述样本矩阵X的相似性矩阵A ; _7] 根据nt_g maxγ 获取Nt组目标模板T以及N b组背景模板B中,与每个所 述候选目标相似性最大的模板,其中N1= N b+Nt。
[0018] 结合第一方面的第一种可能的实现方式,在第一方面的第二种可能实现方式中, 所述构建所述样本矩阵X的相似性矩阵A,包括:
[0019] 构建所述样本矩阵X的自解释低秩约束模型:
[0020] mTnZ(Z). 〃^ = ;(2:'其中,乂为样本矩阵,2为父的表达矩阵;
[0021] 对所述样本矩阵X进行图像矩阵低秩约束分解,得到:
[0022]
[0023] 其中,E为稀疏误差部分,λ > 〇控制Z的低秩性与E的稀疏误差的权重,核范数 |Z| L为矩阵Z中奇异值之和;
[0024] 根据公式:构建所述样本矩阵X的相似性矩阵Α。
[0025] 结合第一方面的第二种可能的实现方式,在第一方面的第三种可能实现方式中, 所述根据公式·
;构建所述样本矩阵X的相似性矩阵A之前还包括计算表达矩 阵Z的核范数I |Ζ| |*:
[0026] 将公?
引入松弛变量后,得到:
[0027]
[0028] 其中,Z2为松弛变量,Z1为重命名后的Z ;
[0029] 对公式
使用增强拉格朗日乘子法,得到:
[0030]
[0031] 其中,YjP Y2为拉格朗日乘子,τ > 〇为惩罚项参数,I卜I I「为F,< ·,· >为 求取两个矩阵的内积;
[0032] 通过迭代算法求取最小化函数UZ1, Z2, E)得到Z1,从而得到表达矩阵Z。
[0033] 结合第一方面的第三种可能的实现方式,在第一方面的第四种可能实现方式中, 所述通过迭代算法求取最小化函数UZ 1, Z2, E)得到Z1,包括: CN 105139422 A 说明书 3/17 页
[0034] 利用阈值收缩算法
进行迭代计算得 到:
[0035]
[0036]
[0037]
[0038] 其中,Z1' Z/及E $分别为使L(Z η Z2, E)最小的最优解;
[0039] 当所述迭代算法满足相邻再次迭代中UZ1, Z2, E)差距为0. 001-0. 01时或迭代次 数超过所允许的最大值50-100时,该迭代算法停止迭代。
[0040] 结合第一方面,在第一方面的第五种可能实现方式中,所述对于所述目标类别中 每个候选目标,利用与所述候选目标相似性最大的模板以及与所述候选目标相似性最小的 背景模板分别计算所述候选目标成为目标的可能性,将目标可能性最大的候选目标定位为 当前帧目标,包括:
[0041] 根据
公式计算利用与 所述候选目标相似性最大的模板以及与所述候选目标相似性最小的背景模板分别计算所 述候选目标成为目标的可能性L1 (c);
[0042] 其中,c为候选目标,σ为指数函数的尺度,p和β为相应项的权重参数,e.为重 建的候选目标,t为候选目标c的目标描述符,bk为与所述候选目标相似性最小的背景模板 的背景描述符,ej为候选目标c的表达误差e的第j个元素;
[0043] 根据公式最小化所述候选目标成为目标的可能性L1 (c),其 中,Ne为使用的目标模板组数;
[0044] 根据公式
将所述当前帧中所有候选目标中概率分布最大 的确定为当前帧目标,其中,C为当前帧中所有候选目标的集合。
[0045] 结合第一方面,在第一方面的第六种可能实现方式中,所述根据得到的所述当前 帧目标,更新所述当前帧目标对应的所述目标模板Τ,包括:
[0046] 计算所述当前帧目标与所述第1组目标模板之间的相关性;
[0047] 当所述当前帧目标与所述第1组目标模板之间的相关性小于预先定义的阈值Θ k, 用所述当前帧目标替换所述相关性最小的目标模板。
[0048] 结合第一方面,在第一方面的第七种可能实现方式中,所述背景模板B由每一帧 的目标区域向m个方向平移该目标区域宽度或高度的10% -30%个像素而得到,其m个方 向由在[0° ,360° )方向范围内均匀采样得到,其中,6彡m彡10。
[0049] 第二方面,本发明实施例提供了一种自解释目标跟踪装置,包括:
[0050] 获取单元,用于获取跟踪目标在当前帧的候选目标;
[0051] 计算单元,用于获取Nt组目标模板T以及Nb组背景模板B中,与每个所述候选目 标相似性最大的模板;
[0052] 分类单元,用于将每个所述候选目标划分到与所述候选目标相似性最大的模板对 应的类别,其中,所述类别包含目标类别和至少一个背景类别,所有目标模板对应目标类 另IJ,每一组背景模板分别对应一个背景类别;
[0053] 定位单元,用于对于所述目标类别中每个候选目标,利用与所述候选目标相似性 最大的模板以及与所述候选目标相似性最小的背景模板分别计算所述候选目标成为目标 的可能性,将目标可能性最大的候选目标定位为当前帧目标;
[0054] 更新单元,用于根据得到的所述当前帧目标,更新所述当前帧目标对应的所述目 标模板T,并根据划分到背景类别中候选目标更新每个所述背景模板B。
[0055] 结合第二方面,在第二方面的第一种可能实现方式中,所述计算单元,包括:
[0056] 第一构建模块,用于构建包含Nt组目标模板T、当前帧的候选目标C以及N b组背 景模板B的样本矩阵X,所述背景模板B包含所述当前帧之前的帧视频序列中预设数量的图 像序列的背景图像,所述目标模板T包含所述当前帧之前的帧序列中提取的目标图像;
[0057] 第二构建模块,用于构建所述样本矩阵X的相似性矩阵A ;
[0058] 计算模块,用于根据HWgnMx#% {4^获取Nt组目标模板T以及N b组背景模板 B中,与每个所述候选目标相似性最大的模板,其中N1= Nb+Nt。
[0059] 结合第二方面的第一种可能实现方式,在第二方面的第二种可能实现方式中,所 述第二构建模块具体用于:
[0060] 构建所述样本矩阵X的自解释低秩约束模型,niJnY M· 'Y = f ^其中,X为 样本矩阵,Z为X的表达矩阵;
[0061] 对所述样本矩阵X进行图像矩阵低秩约束分解,得到:
[0062]
[0063] 其中,E为稀疏误差部分,λ > 〇控制Z的低秩性与E的稀疏误差的权重,核范数 |Z| L为矩阵Z中奇异值之和;
[0064] 根据公式
构建所述样本矩阵X的相似性矩阵Α。
[0065] 结合第二方面的第二种可能实现方式,在第二方面的第三种可能实现方式中,所 述第二构建模块还包括计算表达矩阵Z的核范
当前第1页1 2 3 4 5 
网友询问留言 已有0条留言
  • 还没有人留言评论。精彩留言会获得点赞!
1