[发明专利]一种严重遮挡情况下的精准目标跟踪方法

说明书

本发明提出了一种高斯稀疏表达协作模型，用于严重遮挡下的目标跟踪。方法最为核心的地方在于采用稀疏编码与LLC编码相结合的方式对候选样本进行稀疏表示。方法极易获得稀疏解的同时又具备高度精准的重构误差，并且将先验概率加入到了模型中，使下一帧目标周围的样本更易作为最终跟踪结果，通过与其他方法进行大量实验对比，本发明的方法能够在严重遮挡情况下更好的跟踪目标。

技术领域

本发明属于模式识别与机器学习领域，可用于物体的目标跟踪，尤其是针对跟踪物体被严重遮挡的情况。

背景技术

目标跟踪方法的分类方式有很多种，按时间先后顺序，可以分成上世纪和本世纪初出现的跟踪算法，如Cam Shift、Mean Shift、Kalman Filtering、Optical Flow和Particle Filtering等，近十年内出现了很多非深度学习跟踪算法，如KCF，SCM，TLD，Struck等。直到2012年深度学习的奠基人之一Hinton推动了深度学习的发展，近几年出现了很多深度学习目标跟踪算法，如MDnet,CNT。不同类型的目标跟踪方法暴露的问题不一样。

1.其中要提前进行预训练的跟踪方法很容易出现预测目标位置偏移现象，且此类方法对训练数据集存在依赖；而离线跟踪方法可以对跟踪路径做全局优化，可以在测试序列上向前或向后进行扫描，但应用场合相对较少，因此，在线进行跟踪的方法是主要研究方向。

2.在实际情况中采用生成模型与判别式模型相结合的方法表现更为出色，主要是因为生成模型跟踪方法在背景较为复杂、干扰因素较多的情况下容易出错，很难正确判断目标的移动方向。

3.一些深度学习目标跟踪算法为目标学习提取了目标的深层特征。当目标被严重遮挡时，目标的原始特征部分消失，这些深度特征不能匹配，因此跟踪器可以在宽范围搜索中跟踪目标，这很容易导致目标的丢失或者具有较大的中心点错误。

4.图8是目标跟踪研究领域最常见也是最难处理的遮挡问题，当跟踪目标被遮挡后，目标原始特征变得不完整，目前很多跟踪器难以捕捉目标，而当目标跟丢后，跟踪算法很难找回目标，从而导致跟踪失败。

发明内容

本发明提出了一种在严重遮挡情况下，采用稀疏区分性分类器(SDC)和稀疏生成模型(SGM)的高斯联合模型(GSCM)来进行目标跟踪，能够应用于无人机、服务机器人、

智能摄像头等智能化产品。

在SDC模型中，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。同时，在SDC与SGM模型中同时采用稀疏编码与LLC 分别计算候选样本置信度与样本和模板的相似性，并将得到的两个系数相结合。最终，以权重、置信度、相似度来决策最大似然的样本。

本发明主要将稀疏编码技术与LLC编码技术联合使用，将整个目标跟踪框架分成SDC (sparsity-based discriminative classifier，基于稀疏表达的判别分类器)SGM模型 (sparsity-based generative model，稀疏生成模型)。

在SDC模型中，判别性的特征被提取依据以下公式(1)：

在这里，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。图3 显示了正负样本模板，模板图片大小为32×32。

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。