[發(fā)明專(zhuān)利]一種結(jié)合分類(lèi)與域適應(yīng)的視覺(jué)追蹤方法

在審

• 申請(qǐng)?zhí)枺?/td>: 201811042767.5
• 申請(qǐng)日: 2018-09-07
• 公開(kāi)（公告）號(hào): CN109299676A
• 公開(kāi)（公告）日: 2019-02-01
• 發(fā)明（設(shè)計(jì)）人: 劉杰彥;馬奧
• 申請(qǐng)（專(zhuān)利權(quán)）人: 電子科技大學(xué)
• 主分類(lèi)號(hào): G06K9/00
• 分類(lèi)號(hào): G06K9/00;G06K9/62
• 代理公司: 成都行之專(zhuān)利代理事務(wù)所(普通合伙) 51220
• 代理人: 溫利平

1.一種結(jié)合分類(lèi)與域適應(yīng)的視覺(jué)追蹤方法，其特征在于，包括如下步驟：

(1)、以上一幀圖像中的目標(biāo)窗口S_t-1為參考窗口，在當(dāng)前幀圖像中，利用動(dòng)態(tài)模型(dynamic model)獲取若干候選窗口，將候選窗口對(duì)應(yīng)的樣本作為候選樣本；

(2)、將前一幀圖像追蹤得到的前景樣本和背景樣本構(gòu)成源域X_s，利用分類(lèi)器在上一次迭代所獲得特征空間映射矩陣V所映射的特征空間中，將當(dāng)前幀圖像的候選樣本分為兩個(gè)類(lèi)別：偽前景樣本和偽背景樣本，二者構(gòu)成目標(biāo)域X_t；

(3)、令域X＝[X_s,X_t]，基于源域X_s中樣本(前景樣本和背景樣本)的標(biāo)簽信息以及目標(biāo)域X_t中樣本(偽前景樣本和偽背景樣本)的偽標(biāo)簽信息，應(yīng)用FDA(Fisher DiscriminantAnalysis)判別分類(lèi)，對(duì)域X進(jìn)行分類(lèi)構(gòu)圖，以尋求一個(gè)映射矩陣V，使得在映射的特征空間中，前景節(jié)點(diǎn)緊湊分布，背景節(jié)點(diǎn)緊湊分布，而前景和背景很好的分離；為此：將域X中的樣本作為圖中的節(jié)點(diǎn)，構(gòu)造類(lèi)內(nèi)圖(G_w,M_w)以及類(lèi)間圖(G_b,M_b)，并進(jìn)一步得到分類(lèi)構(gòu)圖下求取特征空間映射矩陣V的目標(biāo)函數(shù)：

其中，tr為矩陣求跡運(yùn)算符，L_w為圖G_w的拉普拉斯矩陣，L_w根據(jù)類(lèi)內(nèi)關(guān)系矩陣M_w計(jì)算得到，L_b為圖G_b的拉普拉斯矩陣，L_b根據(jù)類(lèi)間關(guān)系矩陣M_b計(jì)算得到；

(4)、基于遷移學(xué)習(xí)的域適應(yīng)，尋求能夠?yàn)樵从蚝湍繕?biāo)域共享的特征空間，得到域適應(yīng)下求解該特征空間映射矩陣V的目標(biāo)函數(shù)：

s.t.,V^TX＝V^TX_sZ+E

其中，Z為重構(gòu)的系數(shù)矩陣，rank(Z)為矩陣Z的秩，E為噪音矩陣。進(jìn)一步的，再與步驟(3)結(jié)合，尋求能夠同時(shí)滿足域適應(yīng)和分類(lèi)目標(biāo)的特征空間，得到最終求解特征空間映射矩陣V的目標(biāo)函數(shù)：

s.t.,V^TX＝V^TX_sZ+E

獲得目標(biāo)函數(shù)后，對(duì)其求解，得到特征空間映射矩陣V；

重復(fù)步驟(2)～(4)，直到求解特征空間映射矩陣V的算法收斂。

(5)、基于上述算法收斂后獲得的特征空間映射矩陣V，再次調(diào)用分類(lèi)器對(duì)當(dāng)前幀圖像的候選樣本作最終分類(lèi)，獲取前景樣本、背景樣本以及當(dāng)前幀圖像的追蹤目標(biāo)x_t，其中，前景樣本和背景樣本作為求解下一幀圖像的源域；

(6)、追蹤下一幀圖像，對(duì)下一幀圖像重復(fù)上述步驟(1)-(5)，直至視覺(jué)追蹤結(jié)束。

2.根據(jù)權(quán)利要求1所述的視覺(jué)追蹤方法，其特征在于，步驟(2)中，所述分類(lèi)器為：

該分類(lèi)器的輸入為候選樣本集C、源域X_s、特征空間映射矩陣V，以及歷史上追蹤目標(biāo)樣本的均值輸出目標(biāo)域X_t和偽追蹤目標(biāo)x_t。