[发明专利]基于稀疏表示选择性外观模型的帧自适应目标跟踪算法

说明书

技术领域

本发明涉及计算机视觉的目标跟踪领域，更具体地，涉及一种应用稀疏表示选择 性外观模型的帧自适应目标跟踪算法。

背景技术

作为计算机视觉的前沿学科，目标跟踪技术既是科学领域也是工程领域的研究热 点。目标跟踪的任务是从每一个图像帧中得到关注目标的位置信息，包含坐标、尺寸、旋转 角度甚至速度信息，实现对物体运动轨迹的分析和理解，以便实现更高级的功能。目标跟踪 有很多难题需要解决，例如目标发生遮挡、旋转、尺度变化、亮度变化等等，因此跟踪目标的 外观表示方法是该领域的重要的研究课题。

稀疏表示是近年来信号处理领域的研究热点，通过字典生成和求解系数来对数据 降维。最早将稀疏表示引入到目标跟踪领域的是Mei和Ling，他们提出“L1跟踪算法”，使用 琐碎模板来表示字典重构误差，对遮挡现象有很大的帮助，但是该算法中目标还是背景都 有可能被这些琐碎模板表示，会导致跟踪的二义性，最终可能导致跟踪的失败。Zhong和Lu 等人提出了“基于稀疏表示的联合外观模型方法的跟踪器SCM”，结合局部信息和整体信息， 使得目标的表述更为全面。但是该方法对于不同帧没有自适应性，导致计算复杂度高，对于 图像信息的使用也不够精准。

迄今为止，在国内外公开发表的论文和文献中尚未见开展有关基于稀疏表示选择 性外观模型的帧自适应目标跟踪算法，因此，本专利的发明内容具有独创性。该跟踪器能适 应多种场景，有着广泛的应用前景。

发明内容

基于上述现有技术，本发明提出了一种基于稀疏表示选择性外观模型的帧自适应 目标跟踪算法，将帧自适应的选择外观模型应用在目标跟踪算法中，结合帧特性充分利用 判别型和生成型跟踪器的优势，降低计算复杂度的同时，精确使用图像信息，使得跟踪效果 更加精确。结合每一帧图像特性，引入基于稀疏表示的选择性外观模型

本发明提出了一种基于稀疏表示选择性外观模型的帧自适应目标跟踪算法，该算 法包括以下步骤：

步骤1、初始化跟踪器：判别型跟踪器SDC的模板库包含正样本库A₊和负样本库A_-；之后将每个模板压缩为32*32的大小，将压缩后的模板变形为一维向量，采用滑块的方式得到M个小图像块，获取图像的局部信息，把每个小图像块转化为一维向量，G表示一维数组的大小，使用K中值算法进行聚类，得到J个聚类中心，得到字典R表示数值属于实数域；

步骤2、随机采样多个候选目标：新的一帧图像到来时，在上一帧目标位置周围，得 到N个候选目标X＝{x₁,x₂...x_N}，每个x被压缩为32*32的大小；

步骤3、运行判别型跟踪器SDC：

α表示模板库稀疏表示系数，x表示候选目标，A表示模板库，λ₃表示SDC正则项权 重，求得稀疏表示系数α＝[α_-,α₊]；

求得候选目标关于前景的重构误差ε_f：

x表示候选目标，A₊表示正样本模板库，α₊表示候选目标关于正样本模板库的稀疏 表示系数；

求得候选目标关于背景的重构误差ε_b：

x表示候选目标，A_-表示负样本模板库，α_-表示候选目标关于负样本模板库的稀疏 表示系数；

SDC计算出的第C个候选目标的置信值H_c：

ε_b表示候选目标关于背景的重构误差,ε_f表示候选目标关于前景的重构误差,σ表 示参数尺度因子；

步骤4、帧特性检测：H_C1是第一帧的SDC置信值H_Cj表示第j帧的SDC置信值，f是当前帧的序号，n表示帧窗口长度，是连续n帧的置信值之和，如果H_Cj表示第j帧的SDC置信值，f是当前帧的序号，n表示帧窗口长度，H_C1是第一帧的SDC置信值，T_h表示阈值比率，则令L_C＝0，跳到步骤(7)；如果表示此帧是否发生遮挡；