[發明專利]基于鄰里成分分析和尺度空間理論的視頻目標跟蹤方法

有效

• 申請號: 201310361932.4
• 申請日: 2013-08-19
• 公開（公告）號: CN103413312A
• 公開（公告）日: 2013-11-27
• 發明（設計）人: 賈靜平;夏宏;魏振華
• 申請（專利權）人: 華北電力大學
• 主分類號: G06T7/00
• 分類號: G06T7/00;G06K9/66
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 黃家俊

技術領域

本發明屬于計算機視覺技術領域，具體涉及一種基于鄰里成分分析和尺度空間理論的視頻目標跟蹤方法。

背景技術

在計算機視覺領域的許多應用中，如智能監控、機器人視覺、人機交互界面等，都需要對視頻序列中的運動目標進行跟蹤。由于跟蹤目標形態的多樣性和目標運動的不確定性，如何實現各種環境下魯棒的實時跟蹤，并隨目標距離變化實現其可變尺度的可靠估計一直是研究的熱點。均值漂移（mean?shift）是近年來學術界研究最多的目標跟蹤方法，它是一種非參數密度梯度上升算法，用于尋找概率密度函數的極值，沿著目標狀態概率函數的梯度方向，局部迭代搜索圖像中目標最可能具有的狀態。該類算法運算速度快，獲得廣泛推崇。然而，均值漂移方法中尺度的自適應機制的一直是重要的問題。傳統的均值漂移算法采用固定帶寬的核函數，不能自適應地跟蹤目標的縮放，容易導致定位不準。當所選擇的帶寬過大時，所提取的候選區域特征概率分布將包含背景干擾，影響定位；反過來，當帶寬過小時，只能獲得目標局部的特征概率分布，同樣會導致定位誤差。

1998年，Bradski等人對基本的均值漂移方法進行了改進，在搜索目標位置的同時用目標狀態概率分布的高階矩得到更加準確的目標尺度大小，即尺度自適應的均值漂移方法（CamShift）。但是該方法在周圍環境的顏色與目標的顏色接近時，容易失效。董蓉（董蓉,李勃,陳啟美,基于SIFT特征的目標多自由度mean-shift跟蹤算法.控制與決策,2012(03):399-402+407）提出了一種利用SIFT特征所獲得的目標尺度和目標方向來調整均值漂移算法核函數的帶寬和方向，從而提高均值漂移跟蹤算法對目標尺度變化的適應能力的算法。由于均值漂移算法本身有可能收斂于狀態空間中的局部最優點，該算法仍然無法從理論上保證跟蹤的精度。覃劍（覃劍,曾孝平,李勇明,基于邊界力的Mean-Shift核窗寬自適應算法.軟件學報,2009(07):p.1726-1734.）提出了引入區域似然度以提取目標的局部信息，比較相鄰幀間的區域似然度并構建邊界力，通過對邊界力的計算,得到邊界點的位置,進而自適應地更新核函數帶寬的一種基于邊界力的均值漂移跟蹤算法。因為同樣的原因，受均值漂移算法本身缺點的約束，該算法也無法從理論上保證跟蹤的精度。類似的問題也存在于別的基于均值漂移的算法中（如王勇,陳分雄,郭紅想,偏移校正的核空間直方圖目標跟蹤.自動化學報,2012(03):p.430-436.）。在已授權的公開號為CN101281648A的發明專利中（低復雜度的尺度自適應視頻目標跟蹤方法），發明人提出的算法，以粒子濾波算法為框架，在重要性采樣函數中利用了均值漂移算法，提高了采樣效率，克服了單一尺度均值漂移方法收斂于局部最優點的缺點，但因為沒有考慮目標本身特征發生變化的自適應問題，在光照發生明顯變化時難以保證定位精度。

鄰里成分分析（Neighbourhood?Components?Analysis，NCA）是Goldberger（J.Goldberger,S.Roweis,G.Hinton,R.Salakhutdinov.(2005)Neighbourhood?Component?Analysis.Advances?in?Neural?Information?Processing?Systems.17,513-520.）提出的一種距離度量的監督學習方法，其目的在于通過在訓練集上學習得到一個線性空間轉移矩陣，在新的轉換空間中最大化平均留一分類效果。它根據一種給定的距離度量算法對樣本數據進行度量，然后對多類簇進行分類。在功能上其和k近鄰算法的目的相同，直接利用隨機近鄰的概念確定與測試樣本臨近的有標簽的訓練樣本。

其典型的處理過程說明如下：以x_i表示訓練集樣本中的第i個樣本，c_i為其類別，則經過線性空間轉移矩陣A變換后的樣本為AX，在變換后的新空間中考慮整個數據集作為隨機最近鄰居。用平方歐氏距離函數來定義在新的轉換空間中的留一數據點與其他數據的距離，該函數定義如下：