[发明专利]基于相关性分析的逆稀疏表示的灰度-热目标跟踪方法在审
| 申请号： | 201910541432.6 | 申请日： | 2019-06-21 |
| 公开（公告）号： | CN110264494A | 公开（公告）日： | 2019-09-20 |
| 发明（设计）人： | 丁琬;康彬;樊亚文;林敏;颜俊 | 申请（专利权）人： | 南京邮电大学 |
| 主分类号： | G06T7/20 | 分类号： | G06T7/20 |
| 代理公司： | 南京苏科专利代理有限责任公司 32102 | 代理人： | 姚姣阳;杜春秋 |
| 地址： | 210003 江苏*** | 国省代码： | 江苏;32 |
| 权利要求书： | 查看更多 | 说明书： | 查看更多 |
| 摘要： | |||
| 搜索关键词： | 稀疏表示 灰度 支持向量机 编码结果 目标跟踪 典型相关性分析 矩阵 联合优化模型 粒子滤波器 跟踪目标 候选编码 候选矩阵 快速收敛 联合估计 联合优化 视频序列 照明场景 重构算法 最佳目标 鲁棒性 热跟踪 子空间 放入 鲁棒 分析 跟踪 探索 统一 | ||
1.一种基于相关性分析的逆稀疏表示的灰度-热目标跟踪方法，其特征在于，包括以下步骤：
步骤A，采用粒子滤波器来产生目标候选矩阵Y1和Y2；
步骤B，提出一种基于逆稀疏表示的灰度-热跟踪框架，即基于相关性分析的逆稀疏表示模型，并通过该模型来联合估计Y1和Y2目标候选编码，得到逆稀疏表示矩阵U1和U2；
步骤C，将逆稀疏表示矩阵U1和U2放入支持向量机进行判别，以区分最佳目标和目标候选。
2.根据权利要求1所述基于相关性分析的逆稀疏表示的灰度-热目标跟踪方法，其特征在于，步骤B中，基于相关性分析的逆稀疏表示模型如下所示：
其中，PiT表示什么表示投影矩阵Pi(i＝1,2)的转置，Di(i＝1,2)分别表示从灰度和热视频序列获得的目标字典，Yi(i＝1,2)分别表示灰度和热视频序列的目标候选矩阵，Ui是目标候选矩阵Y1和Y2的逆稀疏表示矩阵，且Ui＝[U1,U2]，Pi(i＝1,2)表示投影矩阵，其通过最小化来更新，F范数是指矩阵的各个元素平方之和再开平方根，λ1、λ2为平衡参数，Tr表示矩阵的迹，P1T表示灰度图像特征投影矩阵的转置，表示热红外图像目标候选矩阵的转置。
3.根据权利要求2所述基于相关性分析的逆稀疏表示的灰度-热目标跟踪方法，其特征在于，对式(1)进行交替重建，具体方法如下：
步骤1，由于U是固定的，通过求解下面的子问题来更新投影矩阵P1和P2，
根据F范数的性质，可以将子问题(2)改写为
Qi＝(Di-YiUi)，为Qi＝(Di-YiUi)的转置矩阵；
使用重新表述子问题(3)，它可以简化为
其中，PT表示P的转置矩阵，0是零矩阵；
将子问题(4)的一阶导数设置为零，然后可以通过奇异值分解更新投影矩阵P；
步骤2，由于P是固定的，并且通过求解下面的子问题来更新Ui＝[U1,U2]，
式(5)中，令Ψ(U)＝||U||2,1；
将合成梯度映射方法应用于Φ(U)和Ψ(U)，可将式(5)变为，
其中，k为迭代参数，Vk为任意值，为梯度运算符，η是步长参数；
式(6)的解由下式给出，
其中，
基于式(7)，U最终更新为
其中，[Uk+1](j,:)表示矩阵Uk+1中的第j行。
4.根据权利要求1所述基于相关性分析的逆稀疏表示的灰度-热目标跟踪方法，其特征在于，步骤C中，支持向量机通过在前10帧中使用正样本代码和负样本代码进行预训练，并且支持向量机每50帧在线更新。
该专利技术资料仅供研究查看技术是否侵权等信息，商用须获得专利权人授权。该专利全部权利属于南京邮电大学，未经南京邮电大学许可，擅自商用是侵权行为。如果您想购买此专利、获得商业授权和技术合作，请联系【客服】
本文链接：http://www.vipzhuanli.com/pat/books/201910541432.6/1.html，转载请声明来源钻瓜专利网。
