[发明专利]基于自适应选择机制的稀疏联合模型目标跟踪方法

说明书

本发明公开了一种基于自适应选择机制的稀疏联合模型目标跟踪方法。构造稀疏的判决模型时，利用特征选择机制提取更具辨识力的特征，并以置信值度量为约束，更好地区分出目标和背景；构造稀疏的生成模型时，结合L1正则化和PCA子空间重构思想，使得目标不仅保留充足外观信息，且可有效抵御离群子干扰，并提出一种结合线性回归和软阈值算子的迭代算法对目标函数进行最小化求解。相较于传统的乘性联合机制，本发明提出了一种基于欧式距离的自适应选择机制，通过分别比较上述两种模型的预测结果与前一帧的跟踪结果的差异，计算偏差，判断模型是否发生退化，并以此构建出更加合理的联合模型评估函数来提升跟踪精度。

技术领域：

本发明属于机器视觉领域，特别涉及一种基于自适应选择机制的稀疏联合模型目标跟踪方法。

背景技术：

目标跟踪技术作为计算机视觉领域的研究热点之一，旨在一系列的图像中对目标物体进行检测、提取、识别和跟踪，从而获得目标物体的相关参数，如位置、速度、尺度、轨迹等；进一步根据跟踪结果进行处理和分析，实现对目标物体的行为理解，或者完成更高一级的任务。其研究成果在视频监控，交通监测，医学诊断，军事打击，人机交互等方面有着良好的应用价值。尽管目标跟踪技术拥有广阔的应用前景和研究价值，近些年来研究人员也已取得诸多研究进展，但是设计出一种鲁棒的跟踪算法依然具有很强的挑战性。需要克服的技术难点问题主要来自两个方面：内在干扰和外在干扰。内在干扰包括目标自身的姿态变化、尺度变化等。外在干扰主要有遮挡、场景光照变化、复杂背景等。

根据设计模型的不同，目标跟踪方法主要分为两类：判别模型跟踪方法和生成模型跟踪方法。基于判别模型的跟踪方法将目标跟踪问题视为分类问题，通过设计出一个鲁棒的分类器来区分出目标和背景。基于生成模型的跟踪算法，其跟踪的目的是在邻域中找寻与目标最近似的图像区域，即最优化估计目标的状态。近年来，有研究学者提出联合模型跟踪方法，旨在结合判别式方法和生成式方法的优势，提升跟踪算法的鲁棒性。Zhong等人^[1]提出一个联合模型跟踪方法，把基于稀疏表示的判别模型和基于稀疏表示的生成模型级联起来用于目标的位置估计，但该方法欠缺对离群子的处理机制，且生成模型采用基于局部图像块的特征导致计算量过大，方法实时性较差；Zhao等人^[2]提出一种混合判别式和生成式的外观模型，结合了颜色、纹理、SIFT描述子等特征，虽然该方法可以有效处理目标姿态变化和旋转等问题，但由于模板集存在冗余特征使得其不能鲁棒应对对运动模糊、背景复杂等外在因素的干扰。现有的联合模型跟踪方法往往采用直接相乘的机制来融合判别模型和生成模型，构建其评估候选样本的似然函数。然而，在跟踪过程中当有一种模型产生恶化或丢失的情况时，这种直接相乘的机制会导致误差累积，进而恶化整个联合模型的表现。

针对上述现有联合模型跟踪算法技术的缺陷，本发明提出一种基于自适应选择机制的稀疏联合模型目标跟踪方法。利用特征选择机制去除冗余特征，构建稀疏判决模型；结合L1正则化和PCA子空间重构，构建稀疏生成模型；提出一种基于欧式距离的自适应选择机制联合上述两种模型，实现鲁棒跟踪。

发明内容：

本发明的主要目的是提出一种基于自适应选择机制的稀疏联合模型目标跟踪算法，在目标被遮挡、场景光照变化、运动模糊、背景复杂等干扰影响下，准确定位目标区域。

为了实现上述目的，本发明提供如下技术方案：

步骤一、读入第一帧图像Image₁，手动标记视频序列第一帧图像得到初始目标位置；在目标位置周围手动采集m个图像，归一化后按行堆放成向量构成相应的正模板集d为初始特征维数；类似的，在离目标位置较远处采集n个图像，经过相同的处理后获得负模板集降采样目标图像并转为列向量d为目标图像的特征维数，初始化子空间U和奇异值对角矩E为空矩阵；

步骤二、读入下一帧Image_t+1(t≥1)，基于粒子滤波框架下随机游走的方式采集t+1帧候选样本集合并将对应图像作为观测样本集合其中k为样本的个数；