[发明专利]一种基于视频帧间低秩关联信息一致性的实时物体追踪方法

权利要求书

1.一种基于视频帧间低秩关联信息一致性的实时物体追踪方法，其特征在于包括以下六个步骤：

步骤(1)、基于局部约束的压缩感知的目标物体特征描述：对当前帧的特征物体以及下一帧的潜在物体区域进行统一的、随机的特征区域采样，以原像素级灰度信息为基础，采用带有局部约束的随机观测矩阵(-1，0，1)进行观测，反复150次观测结果作为当前区域的特征描述；

步骤(2)、生成局部目标物体特征库：将当前帧中的目标物体特征描述与目标特征库中的全部描述一并进行目标特征偏重的低秩分析，依据低秩分解得到的稀疏矩阵的L1-范数的前15小的特征描述作为局部目标特征库；

步骤(3)、帧间低秩关联性分析：将下一视频帧中的潜在目标区域的特征描述(从步骤(1)获取)与局部目标特征库进行特征库偏重的低秩分析，依据低秩分解得到的稀疏矩阵L1-范数作为物体检测基础指示；

步骤(4)、获取低秩先验及遮挡掩模：将前一帧的步骤(3)中获取的稀疏矩阵L1-范数作为当前帧的物体检测基础指示的权重，并且将当前的稀疏矩阵L1-范数中处于较高水平的部分作为遮挡掩模；

步骤(5)、输出当前帧目标物体追踪结果：结合步骤(3)以及步骤(4)中的输出结果作为目标物体检测的最终指示，其最大值对应的特征区域为目标物体所在当前帧中的位置；

步骤(6)、更新目标物体特征库：采用步骤(1)中的特征描述方法描述步骤(5)中检测得到的特征物体，并对目标物体特征库进行全局低秩分析，最终用当前特征物体的特征描述替换稀疏矩阵中L1-范数值较低的前K个特征描述对应的特征库记录。

2.根据权利要求1所述的基于视频帧间低秩关联信息一致性的实时物体追踪方法，其特征在于：步骤(1)中所述的基于局部约束的压缩感知的目标物体特征描述，直接采用原始灰度空间中的像素级信息为基础，通过统一大小的局部小方块区域作为压缩感知的一次随机观测，每次观察的结果为该小区域所有像素点灰度值之和，并结合随机(-1,0,1)值作为观测最终结果，反复观测150次并进行最大最小归一化作为该目标区域的最终特征描述。

3.根据权利要求1述的基于视频帧间低秩关联信息一致性的实时物体追踪方法，其特征在于：步骤(2)中所述的生成局部目标物体特征库，将目标物体特征描述与目标物体特征库中的全部描述一齐进行偏重于当前目标物体的低秩分析，依据低秩分解得到的稀疏矩阵的残差量L1-范数的大小，从特征库中选取最小的15个特征描述作为局部目标物体特征库。

4.根据权利要求1述的基于视频帧间低秩关联信息一致性的实时物体追踪方法，其特征在于：步骤(3)中所述帧间低秩关联性分析，将当前帧中目标物体可能存在的潜在位置的全部特征描述与局部目标物体特征库进行偏重于特征库的低秩分析，依据低秩分解得到的稀疏矩阵的L1-范数作为当前物体检测基础指示。

5.根据权利要求1述的基于视频帧间低秩关联信息一致性的实时物体追踪方法，其特征在于：步骤(4)中所述获取低秩先验及遮挡掩模，将前面帧的物体检测基础指示(低秩分解得到的稀疏矩阵)作为当前基础指示的先验权重，并通过迭代的方式，计算当前物体检测基础指示的较高稀疏度对应的局部观测窗口作为遮挡掩模。

6.根据权利要求1述的基于视频帧间低秩关联信息一致性的实时物体追踪方法，其特征在于：步骤(5)中所述输出当前帧目标物体追踪结果，结合步骤(3)以及步骤(4)中的输出结果作为目标物体检测的最终指示，其最大值对应的特征区域为目标物体所在当前帧中的位置。

7.根据权利要求1述的基于视频帧间低秩关联信息一致性的实时物体追踪方法，其特征在于：步骤(6)中所述更新目标物体特征库，对目标物体特征描述库进行全局无偏的低秩分析，依据低秩分解得到的稀疏矩阵的L1-范数值为指示，从中选取K个最小的值所对应的特征描述，这些特征描述将被当前检测得到的目标物体描述直接替换或线性更新。