[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

说明书

本发明提出了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，包括以下步骤：采用粒子滤波器来产生目标候选矩阵Y₁和Y₂；提出一种基于逆稀疏表示的灰度‑热跟踪框架，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；将U₁和U₂放入支持向量机进行判别，区分最佳目标和目标候选。本发明将典型相关性分析和逆稀疏表示集成到统一的联合优化模型中，通过探索公共子空间中灰度和热视频序列之间的相似性来突出跟踪目标的有用信息，确保从不良照明场景中获得针对目标候选者的鲁棒编码结果；提出了一种交替重构算法来解决联合优化问题，具有快速收敛性及较强的鲁棒性；使用支持向量机对目标候选的编码结果进行判别，提高跟踪速度。

技术领域

本发明涉及一种基于相关性分析的逆稀疏表示的灰度-热红外联合目标跟踪方法，属于图像处理技术领域。

背景技术

目标跟踪在计算机视觉领域中扮演着非常重要的角色，其中具体应用包括：视频分析、车辆导航和人机交互等。虽然近年来取得了重大进展，但在恶劣环境(如：昏暗场景、雾霾、暴雨等)下进行目标跟踪仍然非常具有挑战性。因为在这些恶劣环境下，可见光相机只收集有限的光线，容易导致前景目标和背景难以辨别。

随着多媒体和物联网的快速发展，红外热像仪已经变得很经济实惠。这种相机可以捕获温度高于绝对零度的物体发出的热红外辐射，有利于夜间监控。而可见光相机获取的光谱相对来说较为丰富，它可以在外界环境良好时更好地反映物体细节，但它在光照不足时效果则相对较差。因此，将灰度和热红外图像数据有效结合可以突显图像中的目标特征，利于跟踪隐藏目标。将可见光谱相机与热红外相机有效结合具有以下两个优点：

一是热红外相机对于光照变化是鲁棒的，其可以对从不良光照条件下获得的可见光谱数据进行补充；

二是可见光谱相机的灰度特征有助于解决基于热红外摄像机在物体检测中的热交叉问题。

基于以上优点，研究灰度-热红外联合目标跟踪可以提供一种有效的方法来克服目标跟踪中恶劣天气造成的影响。

灰度和热视频序列在灰度-热红外联合目标跟踪中成对获得，使得设计外观模型变得困难。它不仅需要连接灰度级和热视频序列之间的差异，还要克服灰度级或热视频序列中的数据偏差。稀疏表示因为在多视图人脸识别中的成功应用，已成为克服灰度-热红外联合目标跟踪限制的有效方法。与传统的基于稀疏表示的视觉跟踪不同，基于灰度-热红外联合目标跟踪必须自适应融合灰度和热外观的稀疏表示，以保证灰度和热视频序列都能提供良好的跟踪性能。在实际应用中，已有一种基于协同稀疏表示的灰度-热红外联合跟踪外观模型，其中多模型融合和模型可靠性估计被集成为一个统一的优化问题。由于协同稀疏表示模型无法探索灰度和热视频序列之间的相似性，因此当灰度和热视频序列包含数据偏差时，它可能无法保证灰度-热红外图像对中相同的目标获得类似的稀疏表示结果。为了提高上述方法的跟踪性能，有方法在协作稀疏表示模型中引入了目标本地信息。由于此方法无法使用背景上下文来增强相似目标之间的差异，因此可能会导致在背景杂乱环境中出现跟踪漂移现象。

在传统的基于稀疏表示的目标跟踪中，稀疏表示旨在使用字典来稀疏地表示目标候选者。与稀疏表示方法不同，逆稀疏表示旨在使用目标候选者稀疏地表示目标字典。由于目标字典由目标和背景模板组成，因此使用目标候选者来反向表示目标字典可以突显目标候选者与目标和背景模板的相似性。逆稀疏表示可以使用目标和背景信息来产生用于表示目标候选的判别代码，该模型如下所示：