[发明专利]一种结合局部结构化信息的压缩跟踪方法

说明书

本发明提出了一种结合局部结构化信息的压缩跟踪方法，在压缩跟踪中加入信息结构化预处理步骤，将具有相似纹理、颜色、亮度等特征的相邻像素聚合成一个有视觉意义的不规则像素块，在像素块基础上提取HSV颜色特征，通过构建颜色置信图进行目标位置一阶段的粗估计，再结合像素块的局部结构化信息随机投影与像素级别的随机投影构成新型测量矩阵，利用该测量矩阵对haar‑like特征进行降维处理，根据朴素贝叶斯分类器完成对目标的二阶段精准位置估计，实现目标准确跟踪。相比于现有跟踪技术，本发明结合中层次线索的局部结构化信息与低层次线索的haar‑like特征共同对目标外观进行表征，有效提高了目标跟踪的准确性和鲁棒性，保证了目标跟踪的实时性。

技术领域

本发明涉及一种压缩跟踪技术，尤其涉及一种结合局部结构化信息的压缩跟踪方法，属于视频数据处理或产生领域的视频分析技术，属于视频分析技术领域。

背景技术

随着视频监控技术在安全领域应用的越来越广泛，目标跟踪在计算机视觉系统中有着举足轻重的位置，在智能交通、安全监控等众多领域中有着广阔的前景。近年来，目标跟踪技术也一直是广大学者研究的热点，然而由于目标与背景的复杂性，如光照变化、目标遮挡、背景模糊等问题，如何正确、即时地更新外观模型，并且准确高效地估计出目标的位置依然是目标跟踪研究的一个焦点。

近年来，随着检测器提供的检测结果越来越可靠，基于检测的跟踪方法逐渐成为目标跟踪的一个主要研究方向。其中，压缩跟踪(Compressive Tracking，以下简称CT)技术受到不少人关注，它利用一个非常稀疏的固定的测量矩阵，将提取的图像目标和背景特征有效的映射到低维压缩子空间，利用压缩感知对高维特征数据进行降维，大大提高了处理速度，使得整个跟踪系统数据量小，计算简单，速度快且不易受光照和噪声的影响。但是在目标发生较为严重的遮挡、漂移时，由于压缩跟踪仅利用低层次线索haar-like来表示和匹配目标，缺乏解释目标表观变化的有效表示方法，因此仍然不能准确完整地跟踪目标。

在现有的CT算法研究中，Zhang在2014年提出快速压缩跟踪(Fastcompressivetracking)，采用从粗到精的二次搜索策略，提高了CT跟踪速度，但没有解决目标表观缺乏解释性的有效表示这一根本问题。Bai在2015年提出基于多特征加权融合模型的快速压缩跟踪(Fast compressive tracking based on multi-feature weighted appearancemodel)，利用两个互补测量矩阵分别提取亮度和纹理特征，并用马氏距离对其进行加权，由此来表征目标。该方法将多特征融合运用至压缩跟踪，提高了跟踪的准确性，但其带来的计算复杂度也提高了不止一倍。

上述提到的方法对跟踪的准确性都有所改进，但仍然停留在图像像素层进行处理，缺乏较高层次的特征利用，跟踪效率仍然不够理想，Yang在2014年将超像素引入跟踪，提出了超像素跟踪算法(Robust Superpixel Tracking)，该算法利用超像素能保持图像中目标物体的大部分边界，并且相比于像素包含更多的局部信息这一特点，将跟踪问题转化为计算目标-背景的置信度图问题，实现准确、鲁棒的跟踪。但是该算法使用了meanshift聚类，整个框架结构冗长，跟踪耗时过长，无法满足实时性要求。

发明内容

本发明的目的在于：针对现有技术存在的缺陷，提出一种结合局部结构化信息的压缩跟踪方法，该方法在压缩跟踪中加入局部信息结构化预处理步骤，先将具有相似纹理、颜色、亮度等特征的相邻像素聚合成一个有视觉意义的不规则像素块，结合该像素块特征的随机投影与像素级别的随机投影构成新的测量矩阵，结合中层次线索的像素块的局部结构化信息与低层次线索的haar-like特征共同对目标外观进行表征，在保证跟踪实时性的同时，提高跟踪的准确性与鲁棒性。

为了达到以上目的，本发明提供了一种结合局部结构化信息的压缩跟踪方法，包括以下步骤：

步骤1、对初始帧图像进行初始化：