[发明专利]一种严重遮挡情况下的精准目标跟踪方法

权利要求书

1.一种严重遮挡情况下的精准目标跟踪方法，其特征在于，所述方法包括以下步骤：

步骤一：采用稀疏区分性分类器和稀疏生成模型的高斯联合模型进行目标跟踪；

步骤二：在稀疏区分性分类器中，采用高斯分布的先验知识对候选样本加权，根据上一帧目标的方差和均值预测当前帧候选样本的权重；

步骤三：在稀疏区分性分类器与稀疏生成模型中同时采用稀疏编码与LLC方法分别计算候选样本置信度与样本、模板的相似性，并将得到的两个系数相结合；

步骤四：以权重、置信度、相似度决策最大似然的样本。

2.如权利要求1所述的严重遮挡情况下的精准目标跟踪方法，其特征在于，在稀疏区分性分类器模型中，判别性的特征被提取依据以下公式(1)：

N_p是指正样本，N_n是指负样本，同时是由N_p和N_n组成，K是特征选择之前的特征维度，向量元素表示任意一个模板在训练集A中的属性；稀疏特征向量s,它的非0元素是从K原始空间中挑选出来的具有区别性特征。

3.如权利要求1所述的严重遮挡情况下的精准目标跟踪方法，其特征在于，在稀疏区分性分类器模型中，目标能由正模版的线性组合表示，背景能由负模板的扩展表示；给定候选目标，可由训练模板和下面公式计算出的系数α表示：

因此，构建候选目标x的信任值H_c通过下面的公式(4)：

H_c＝exp(-(ε_f-ε_b)/σ) (4)

其中，是候选样本x与前景模板集A₊重构误差；是候选样本x与背景模板集A-的重构误差，并且α是相关稀疏系数向量。

4.如权利要求1所述的严重遮挡情况下的精准目标跟踪方法，其特征在于，在归一化的图像上用重叠的滑动窗口得到M块图像，每块图像转换成y_i∈R^G×1向量，G表示图像块的大小，通过公式(5)计算每一个patch的稀疏系数向量β：

字典D∈R^G×J是由k-means聚类中心产生；将每个图像块所求得β稀疏系数向量拼接起来形成直方图：

ρ＝[β₁,β₂,β₃,...,β_m]^T (6)

ρ∈R^(J×M)×1是每一个候选对象的直方图；经过修改重构直方图来排除遮挡的图像块；

重构误差较大的图像块被看作遮挡，其对定的稀疏系数向量被置为0，计算通过公式(7):

ρ＝[β₁,β₂,β₃,...,β_m]^T (7)

表示矩阵元素之间的点乘，o中的每个元素是对应遮挡图像块的指示器，计算通过公式(8):

在公式(8)中,是图像小块y_i的重构误差，而y_i是候选样本通过滑动窗口扫描所形成，ε₀是预先设定的阈值用于判断patch是否被遮挡；

再用直方图交叉函数计算目标直方图与模板直方图之间的相似性，计算公式为

模板直方图ψ^j通过公式(5)、(6)计算得到；利用在分性分类器模型中所求得信任值H_c与在稀疏生成模型所求得目标直方图与模板直方图之间的相似性L_c进行结合，计算为公式(10)

5.如权利要求4所述的严重遮挡情况下的精准目标跟踪方法，其特征在于，为了抓住新的外观和在遮挡中恢复目标，模版直方图的更新为稀疏生成模型更新，计算为公式(11)

新直方图ψ_n由根据第一帧直方图ψ_f和最后存储的直方图ψ_l所构成，μ用于分配公式左边和右边的权重大小，将更新后的直方图用于跟踪下一帧图像中的目标。

6.如权利要求1所述的严重遮挡情况下的精准目标跟踪方法，其特征在于，LLC编码采用如下公式：

是指元素之间的点乘，

式(16)中，dist(x_i,B)＝[dist(x_i,b₁),…,dist(x_i,b_M)]^T，同时dist(x_i,b_i)是x_i与b_i之间的欧式距离；σ是用来调整局部适配器权重的衰减速度；

训练模板与候选模板之间的编码系数可以通过如下公式计算：

然后经过下式得到候选样本与目标LLC稀疏编码信任值H_llc

H_llc＝exp(-(ε_f-ε_b)/σ)

其中，是候选样本x与前景模板集A₊重构误差；是候选样本x与背景模板集A_-的重构误差，并且α是相关稀疏系数向量；

再通过式(18)：

H＝H_c+ρH_llc (18)

其中，ρ是指H_c与H_llc之间的结合系数，在本发明中为0.01，这是由于正则项范数稀疏编码更加侧重于全局最优，而LLC编码倾向于局部最优；对于目标跟踪，局部稀疏解应该加入到全局稀疏解中；

在稀疏生成模型中，每个候选样本经过扫描重叠滑动窗口获得m个图像块与字典D，再通过计算公式(19)得到每一个patch的稀疏系数向量β；

类似地，将从每个图像块获得的稀疏系数β向量级联以形成直方图ρ＝[β₁,β₂,β₃,…β_m]^T，同时可以计算出每个样本与跟踪目标的相似度L_llc.最后公式(9)所求得L_c通过公式：

L＝L_c+ρL_llc (20)

得到最终样本相似度。