[发明专利]一种鲁棒性的加权局部多任务稀疏跟踪方法

说明书

技术领域

本发明涉及计算机视觉领域，尤其涉及一种鲁棒性的加权局部多任务稀疏跟踪方法。

背景技术

视觉跟踪是计算机视觉系统中的重要环节，它融合了图像处理、随机过程、人工智能等多领域的理论知识。视觉跟踪就是利用指定目标对象的颜色、纹理、边缘和轮廓等特征对目标对象进行检测，采用跟踪算法对目标对象当前时刻的运动状态进行估计，并对下一时刻的状态进行预测，从而实现指定目标对象的准确、连续、快速的跟踪。视觉跟踪的关键就是建立每一帧图像中候选目标与事先确定的跟踪目标的对应关系。

视觉跟踪技术有着广阔的应用前景和巨大的市场需求，目前它在安全监控、交通控制、人机交互、行为识别等领域已经得到了成功的应用。鉴于视觉跟踪技术的重要应用价值，学术界和工业界都对它进行了广泛的研究，但是由于光照变化、尺度变化、遮挡、变形、快速运动、旋转以及背景杂波等复杂场景的存在，时至今日依然没有一种能够应对上述各种挑战的跟踪方法。

针对已有技术的不足之处，本发明提出了一种鲁棒性的加权局部多任务稀疏跟踪方法。

发明内容

本发明所要解决的技术问题是提供一种能克服视频中目标对象因光照变化、尺度变化、遮挡、变形、快速运动、旋转以及背景杂波等原因导致跟踪不准确甚至漂移现象的跟踪方法。

为了解决上述技术问题，本发明提供了一种鲁棒性的加权局部多任务稀疏跟踪方法，其特征在于，包括如下步骤：

首先初始化目标模板，并对每个目标模板进行分块处理，获得模板字典；基于高斯随机采样原理，采样获取当前帧第t帧的候选目标粒子，对每个候选目标粒子也进行分块处理；分块处理后的候选目标粒子基于模板字典线性表示；基于局部多任务稀疏跟踪模型捕获离群粒子；基于近端梯度加速法求解局部多任务稀疏跟踪模型的全局最优解；根据观测似然度确定跟踪结果；在线更新模板字典；

优选地，在第一帧中，通过在候选目标粒子的初始位置以及它的周围采样m个大小相等的块来初始化目标模板T＝[T₁，T₂，…，T_m]，并把每个目标模板分成K个子块，利用m个目标模板的第k个局部块得到相对应的模板字典其中，k＝1，…，K，表示第i个目标模板中第k个局部块对应的颜色直方图特征；

优选地，利用高斯随机采样(以第t-1帧的状态变量为均值和常数为方差)，获得第t帧的n个候选目标粒子；然后采用与目标模板相同的分块方式对每个候选目标粒子进行分块处理，即其中，k＝1，…，K，是第i个候选目标粒子中第k个局部块对应的颜色直方图特征；

优选地，由于模板字典的局部块来自多个目标模板，捕获了不同模板之间的共性，因此Y^k中的每个观测量(即每列)能够被D^k线性表示，即，

Y^k＝D^kZ^k

其中，

定义为所有候选目标粒子第k个局部块的线性表示系数；

优选地，候选目标粒子是沿着先前目标状态以零均值进行高斯密集采样的，虽然大部分候选目标粒子是相似的，但仍存在小部分离群粒子；为了利用候选目标粒子以及它们的局部块之间的内在关系，提出局部多任务稀疏跟踪模型，其目标函数如下：

其中，

Z^k＝P^k+Q^k，P＝[P¹，…，P^K]，Q＝[Q¹，…Q^K]，λ₁，λ₂分别是关于P和Q稀疏度的惩罚参数；混合范数[P]_i，j是矩阵P第i行第j个元素；

优选地，考虑到离群粒子的存在会降低局部多任务稀疏跟踪模型性能，因此在该跟踪模型中每个矩阵Z^k被分解为两个协同矩阵P^k和Q^k，其中P^k的行稀疏约束保证了所有候选目标粒子能够选择相同的目标模板作为基，Q^k的列稀疏约束确保可以捕获离群粒子；由于来自同一个候选目标粒子的不同局部块应该选择相同的目标模板所对应的局部块作为基，故所有P^k组成的矩阵P＝[P¹，…，P^K]依然是行稀疏，所有Q^k组成的矩阵Q＝[Q¹，…Q^K]依然列稀疏的；