[發明專利]一種基于顏色屬性和PCA的時空上下文快速追蹤方法

在審

• 申請號: 201810264378.0
• 申請日: 2018-03-28
• 公開（公告）號: CN108520527A
• 公開（公告）日: 2018-09-11
• 發明（設計）人: 張云洲;劉一秀;史維東;王松;孫立波;劉雙偉;李瑞龍
• 申請（專利權）人: 東北大學
• 主分類號: G06T7/246
• 分類號: G06T7/246;G06T7/90
• 代理公司: 北京易捷勝知識產權代理事務所(普通合伙) 11613
• 代理人: 韓國勝

1.一種基于顏色屬性和PCA的時空上下文快速追蹤方法，其特征在于，具體包括：

101、建立目標跟蹤的空間上下文模型；

102、建立用于處理圖像幀的上下文先驗概率模型；

103、建立用于表示目標位置的置信圖模型；

104、根據空間上下文模型和上下文先驗概率模型以及置信圖模型，獲取關于目標位置的似然函數模型；

105、利用快速的傅里葉變換將構造的似然函數模型從空間域轉換到頻域；

106、根據上下文先驗概率模型和轉換到頻域的似然函數模型來訓練學習空間上下文模型；

107、提取待識別目標物體的多維度顏色屬性特征；

108、歸一化處理顏色屬性特征，

109、利用PCA算法對提取并歸一化后的顏色屬性特征做降維處理，獲得最終特征向量；

110、通過學習的空間上下文模型、最終特征向量和待測圖像的上下文先驗概率模型獲得新的置信圖模型，根據新的置信圖模型最大值所對應的變量來確定目標的最大可能出現位置。

2.根據權利要求1所述的方法，其特征在于，所述步驟101包括：

使用h^sc(x-z)來表示目標位置x和本地上下文z在距離和方向之間的關系，得到目標和上下文之間的條件概率函數關系式；

p(x|c(z),o)＝h^sc(x-z) (1)

所述條件概率函數作為建立的空間上下文模型。

3.根據權利要求2所述的方法，其特征在于，所述步驟102包括：

將上下文先驗概率函數作為上下文先驗概率模型；

其中，上下文先驗概率函數為：P(c(x)|o)＝I(z)ω_σ(z-x^*) (2)

I(z)為多維度顏色屬性特征強度；

k是歸一化常數，σ為比例參數，ω_σ(·)表示加權函數。

4.根據權利要求3所述的方法，其特征在于，所述步驟103包括：

令：c(x)＝p(x|o) (4)

其中，o為場景中出現的目標,x為目標位置，P(x|o)為目標在該目標位置的概率；

將空間上下文模型和上下文先驗概率模型結合得到目標位置的置信圖模型：

α為尺度參數，β是一個形狀系數,s是歸一化系數。

5.根據權利要求4所述的方法，其特征在于，所述步驟104包括：

目標位置的似然函數的模型為

6.根據權利要求5所述的方法，其特征在于，所述步驟105包括：

從空間域轉換到頻域的似然函數模型為：

7.根據權利要求6所述的方法，其特征在于，所述步驟106包括：

學習得到的條件概函數作為訓練學習空間上下文模型；

學習到的條件概率函數為

。

8.根據權利要求7所述的方法，其特征在于，所述步驟107包括：

提取待識別目標物體的11維度顏色特征；

所述步驟108包括：采用公式(9)歸一化處理11維度顏色特征；

x是歸一化處理后的特征矩陣提取對象,x⁽ⁱ⁾表示原始數據的第i個特征向量，μⁱ為原始樣本數據的均值，σ為原始樣本數據標準差。

9.根據權利要求8所述的方法，其特征在于，所述步驟109包括：

計算協方差矩陣：

∑是協方差矩陣，m是維數，x⁽ⁱ⁾是歸一化后的特征向量；通過奇異值分解,有

使用公式(11)，得到投影矩陣U，將特征矩陣x的維數從m×n減小到n×k；

采用公式(12)得到特征z，m是11，而k是3，n是顏色名稱向量的長度。

10.根據權利要求9所述的方法，其特征在于，所述步驟110包括：

新的置信圖模型最大值所對應的變量來確定目標的最大可能出現位置；

其中，新的置信圖模型為

t代表t-th幀圖像,新的目標位置。