[发明专利]一种基于多特征融合的稀疏表示的目标追踪方法

说明书

本发明公开了一种基于多特征融合的稀疏表示的目标追踪方法，所述方法采用稀疏表示的目标追踪方法，包括训练核权重、获得粒子观测的稀疏表示以及稀疏重建算法三个部分。本发明将fisher判别标准引入多特征核函数权重训练模型中，可准确判断出特征向量的鲁棒性强弱，提升多特征核函数融合的可靠性；使采用混合范数自适应的选择相关高的粒子观察用于多任务稀疏重建，可有效排除非相关采样粒子的干扰；重构算法具有快速收敛性以及较强的鲁棒性。

技术领域

本发明属于图像处理技术技术领域，具体涉及一种基于多特征融合的稀疏表示目标追踪方法。

背景技术

图像信号处理一直是人们研究的热门领域，在移动互联的数据化时代，对于高效鲁棒性的图像处理技术的需求更是推动了该领域的长足发展，同时也对该领域的研究人员提出了更大的挑战。近年来，视频追踪将计算机视觉、模式识别、人工智能等学科的技术很好地融合在一起，成为视觉研究领域内一个非常活跃的分支。视频处理领域中的运动目标追踪主要是对传感器采集到的视频序列进行分析，提取场景中感兴趣的运动目标，给对应于同一目标的像素区域分配相同的标记，在连续的图像帧之间跟踪各个标记目标的位置、轮廓、形状、速度、纹理、颜色等特征信息的变化情况。实现目标跟踪的关键在于完整地分割目标、合理地提取特征和准确地识别目标，同时要考虑算法实现的时间，保证实时性。

近年来，稀疏表示方法已成为计算机视觉发展新的方向。稀疏表示的目的就是在给定的超完备字典中用尽可能少的原子来表示信号，可以获得信号更为简洁的表示方式，从而使我们更容易地获取信号中所蕴含的信息，更方便进一步对信号进行加工处理，如压缩、编码等。

设A为一过完备字典，A＝[a₁,a₂,…,a_n]∈R^m×n，m＜n，字典A中每个列向量为一个模板原子。观察样本y∈R^m×1可以通过字典A线性表示：

y＝x₁a₁+x₂a₂+…+x_na_n (1)

上式中，x＝[x₁,x₂,…,x_n]^T为y关于字典A的系数向量。由于m＜n，所以上述线性方程是欠定的。稀疏表示指的是在求解欠定方程的过程中，对解向量x中非零元素个数进行约束，使得解向量x尽可能稀疏，即非零解个数尽可能少。对系数向量x加上稀疏约，则样本y关于字典A的系数求解变为如下所示:

x＝arg min_x||x||₀subject to Ax＝y (2)

上式中，||·||₀是l₀范数，表示向量里非零项的个数。在实际应用中，观察样本会受到噪声的影响，所以需要在线性方程中考虑误差，则优化问题变为：

x＝arg min_x||x||₀subject to||y-Ax||₂≤ε (3)

上式中，ε表示误差常数。

稀疏表示系数求解指的是给定观察样本y∈R^m×1和过完备字典A∈R^m×n，求解y关于A的稀疏向量x的过程。求解方式可以分为贪婪算法和凸松弛算法等。