[發明專利]一種基于高階偏最小二乘法的目標跟蹤算法

有效

• 申請號: 201410279523.4
• 申請日: 2014-06-20
• 公開（公告）號: CN104021395B
• 公開（公告）日: 2017-05-03
• 發明（設計）人: 鐘必能;王田;沈映菊;陳雁;謝維波;陳鍛生;陳維斌
• 申請（專利權）人: 華僑大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06T7/292
• 代理公司: 廈門市首創君合專利事務所有限公司35204
• 代理人: 張松亭

1.一種基于高階偏最小二乘法的目標跟蹤算法，其特征在于，包括初始化階段、訓練階段、測試階段，和更新階段；

所述初始化階段包括：指定一個目標物體，并設定以該目標物體的中心為中心的n-1種不同相對方位為該目標物體的n-1種非目標方位；將當前時刻記為t時刻，并提取從t-m時刻到t時刻的m幀圖像，其中m為一個預先設定的正整數；針對所提取的每一幀圖像，人為找到該圖像中的目標物體，以該目標物體的中心為中心截取包含該目標物體的1個第一圖像塊，之后分別以該目標物體的n-1種非目標方位為中心截取n-1個第二圖像塊，其中n為一個預先設定的大于1的正整數；所有第一圖像塊和所有第二圖像塊的大小均一致；將所截取的每個第一圖像塊和每個第二圖像塊均用一個I₁×I₂的特征矩陣表示，I₁和I₂均為一個預先設定的正整數；將當前的m個第一圖像塊組成一個圖像集，并記為目標圖像集；將當前以同一種非目標方位為中心的第二圖像塊組成一個圖像集，并記為非目標圖像集，得到n-1個非目標圖像集；將t時刻的一幀圖像中目標物體的中心位置設為當前位置；然后轉入訓練階段；

所述訓練階段包括：

A1、將當前的目標圖像集的類別標記為目標類，將當前的n-1個非目標圖像集的各類別分別標記為第1非目標類、第2非目標類、…第n-1非目標類；然后將所述目標類、第1非目標類、第2非目標類、…第n-1非目標類分別對應n個類別行向量，記為y₁，y₂，…，y_n，其中，y_i＝[0,0,…,1,…,0]，i＝1,2,…,n，是除了第i個元素為1之外，其余全為0的向量，當i＝1時，其含義表示目標類，當1<i≤n時，其含義表示第i-1非目標類；

A2、基于當前的1個目標圖像集和n-1個非目標圖像集構建一個高階張量，記為X，且其中第一階的n表示n個類別，第二階和第三階的I₁×I₂表示所截取的圖像塊的特征矩陣大小為I₁×I₂，第四階的m表示m幀圖像；將所述n個類別行向量y₁，y₂，…，y_n依照X的第一階中n個類別的順序從上到下排列、構建成一個X的類別矩陣，記為Y，得出Y∈R^n×n；

A3、利用高階偏最小二乘法，分別將X和Y分解為

$X={\mathrm{\&Sigma;}}_{r=1}^R{G}_r{\&times;}_1{t}_r{\&times;}_2{P}_r^{\left(1\right)}{\&times;}_3{P}_r^{\left(2\right)}{\&times;}_4{P}_r^{\left(3\right)}+E_R---\left(1\right)$

$Y={\mathrm{\&Sigma;}}_{r=1}^R{u}_r{q}_r^T+F_R---\left(2\right)$

其中，R表示對X和Y的分解進行R次迭代，G_r表示X的第r次迭代的核心張量，t_r表示X的第r次迭代的隱藏向量，為X第r次迭代的三個加載矩陣，u_r為Y第r次迭代的隱藏向量，q_r為Y第r次迭代的加載向量，E_R為X經過R次迭代后所得的殘差張量，F_R為Y經過R次迭代后所得的殘差矩陣，t_r、u_r和q_r均為列向量；同時，||q_r||＝1，||t_r||＝1，以及

A4、將對當前的X進行R次迭代所得的所有隱藏向量組成一個隱藏矩陣，記為T_R，則T_R＝[t₁,t₂,…,t_R]；將對當前Y進行R次迭代所得的所有隱藏向量組成一個隱藏矩陣，記為U，則U＝[u₁,u₂,…u_R]；對U與T_R作關聯處理，得出U＝T_RD+Z，其中D是對角矩陣，Z是高斯殘差；將公式(2)中的Y分解改寫為：

$Y={\mathrm{\&Sigma;}}_{r=1}^R{u}_r{q}_r^T+F_R={\mathrm{\&Sigma;}}_{r=1}^R{d}_r{t}_r{q}_r^T+F_R^{,}---\left(3\right)$

其中，d_r為D的第r個對角元素，F_R'＝F_R+ZQ，Q為由q₁,q₂,…q_R構成的矩陣，Q＝[q₁,q₂,…q_R]；

A5、根據公式(1)，設定

$\begin{array}{c}{X}_1=X=G_1{\&times;}_1{t}_1{\&times;}_2{P_1}^{\left(1\right)}{\&times;}_3{P_1}^{\left(2\right)}{\&times;}_4{P_1}^{\left(3\right)}+E_1\\ X_2=X_1-G_1{\&times;}_1{t}_1{\&times;}_2{P_1}^{\left(1\right)}{\&times;}_3{P_1}^{\left(2\right)}{\&times;}_4{P_1}^{\left(3\right)}=E_1\\ ......\\ X_R=X_{R-1}-G_{R-1}{\&times;}_1{t}_{R-1}{\&times;}_2{P_{R-1}}^{\left(1\right)}{\&times;}_3{P_{R-1}}^{\left(2\right)}{\&times;}_4{P_{R-1}}^{\left(3\right)}=E_{R-1}\end{array}---\left(4\right)$

其中，E_R-1為X經過R-1次迭代后所得的殘差張量；

同理根據公式(3)，得出Y₁,Y₂,…Y_R，之后根據

$\begin{array}{c}{\max }_{\{{P_r}^{\left(j\right)},q_r\}}\left|\right|X_r{\&times;}_1{Y_r}^T{\&times;}_1{q_r}^T{\&times;}_2{P_r}^{{\left(1\right)}^T}{\&times;}_3{P_r}^{{\left(2\right)}^T}{\&times;}_4{P_r}^{{\left(3\right)}^T}|{|}_F^2\\ \left|\right|q_r|{|}_F=1\end{array}---\left(5\right)$

同時，設定C_r＝X_r×₁Y_r^T，利用高階奇異值分解依次計算出C_r的單次迭代的核心張量G_r^(C)，并求解出和q_r，然后根據

$\begin{array}{c}{t}_1\&LeftArrow;{\left(X_1{\&times;}_2{P_1}^{{\left(1\right)}^T}{\&times;}_3{P_1}^{{\left(2\right)}^T}{\&times;}_4{P_1}^{{\left(3\right)}^T}\right)}_{\left(1\right)}{G}_{1\left(1\right)}^{{\left(C\right)}^{+}},t_1\&LeftArrow;t_1/\left|\right|t_1|{|}_F\\ t_2\&LeftArrow;{\left(X_2{\&times;}_2{P_2}^{{\left(1\right)}^T}{\&times;}_3{P_2}^{{\left(2\right)}^T}{\&times;}_4{P_2}^{{\left(3\right)}^T}\right)}_{\left(1\right)}{G}_{2\left(1\right)}^{{\left(C\right)}^{+}},t_2\&LeftArrow;t_2/\left|\right|t_2|{|}_F\\ ......\\ t_R\&LeftArrow;{\left(X_R{\&times;}_2{P_R}^{{\left(1\right)}^T}{\&times;}_3{P_R}^{{\left(2\right)}^T}{\&times;}_4{P_R}^{{\left(3\right)}^T}\right)}_{\left(1\right)}{G}_{R\left(1\right)}^{{\left(C\right)}^{+}},t_R\&LeftArrow;t_R/\left|\right|t_R|{|}_F\end{array}---\left(6\right)$

依次求解出t₁,t₂,…t_R；

最后根據

$\begin{array}{c}{d}_1={t_1}^T{u}_1={t_1}^T{Y}_1{q}_1\\ d_2={t_2}^T{u}_2={t_2}^T{Y}_2{q}_2\\ ......\\ d_R={t_R}^T{u}_R={t_R}^T{Y}_R{q}_R\end{array}---\left(7\right)$

依求解出d₁,d₂,…d_R；然后轉入測試階段；

所述測試階段包括：

B1、提取下一時刻的一幀圖像，設定該圖像上以所述當前位置為中心、以指定半徑長度為半徑的圓形區域為該圖像的搜索區域；轉入步驟B2；

B2、在當前一幀圖像的搜索區域中選取至少一個位置，作為當前一幀圖像的測試位置；對于當前一幀圖像的每個測試位置，分別以該測試位置為中心提取圖像塊，作為該測試位置的測試圖像塊；所有測試圖像塊大小均一致，且與所述初始化階段中第一圖像塊或第二圖像塊的大小一致；轉入步驟B3；

B3、將當前所提取的每個測試圖像塊均用一個I₁×I₂的特征矩陣表示；針對所提取的每個測試圖像塊：將該測試圖像塊與當前的目標圖像集中的所有圖像塊一起組成一個新的圖像集，記為測試圖像集，然后基于該測試圖像集構建一個新的高階張量，記為X^new，且將該測試圖像塊對應的類別行向量設為y^new，則

y^new≈X^newWDQ^T (8)

其中，W是R列的矩陣，每一列表示為

$w_r=(P_r^{\left(3\right)}\&CircleTimes;P_r^{\left(2\right)}\&CircleTimes;P_r^{\left(1\right)})G_r^{+}---\left(9\right)$

由公式(8)和(9)計算出y^new＝[β,γ₁,γ₂,...,γ_n-1]，其中β表示該測試圖像塊對應目標類的概率，γ_k表示該測試圖像塊對應第k非目標類的概率，其中，k＝1,...,n-1；

計算出當前所有測試圖像塊對應的類別行向量后，轉入步驟B4；

B4、根據這些測試圖像塊對應的類別行向量，選取其中與所述目標類對應的類別行向量最接近的一個，若該類別行向量與所述目標類對應的類別行向量的差值大于預設的閾值，則舍棄當前所獲取的所有測試圖像塊，并轉入步驟B2；若該類別行向量與所述目標類對應的類別行向量的差值小于或等于預設的閾值，則轉入更新階段；

所述更新階段包括：

C1、將所述當前位置更新為所選取的類別行向量所對應的測試圖像塊的測試位置，并記錄跟蹤；然后，將該測試圖像塊添加到當前的目標圖像集中并將該目標圖像集中對應時刻最早的一個圖像塊刪除，得到1個新的目標圖像集；

C2、以所述當前位置為中心獲取當前一幀圖像中目標物體的n-1種非目標方位；之后，分別以這n-1種非目標方位為中心提取n-1個圖像塊，這n-1個圖像塊的大小均與所述初始化階段中第一圖像塊或第二圖像塊的大小一致；然后，將這n-1個圖像塊根據所圍繞的非目標方位、分別添加到當前的n-1個非目標圖像集中，并將這n-1個非目標圖像集中對應時刻最早的一個圖像塊刪除，得到n-1個新的非目標圖像集；

C3、將當前目標圖像集中所有圖像塊和當前n-1個非目標圖像集中所有圖像塊均用一個I₁×I₂的特征矩陣表示，轉入訓練階段。