[发明专利]基于稀疏表示选择性外观模型的帧自适应目标跟踪算法

摘要

本发明公开了一种基于稀疏表示选择性外观模型的帧自适应目标跟踪算法，初始化跟踪器、随机采样多个候选目标；运行判别型跟踪器SDC；帧特性检测；运行生成型跟踪器SGM；更新遮挡检测阈值T_h；以及计算联合模型并确定跟踪。与现有技术中相比，本发明所提出的算法在解决前人的基于学习的超分辨率重建算法需要大量训练集的缺陷的基础上，改进了邻域嵌入方法，并将其用于解决基于局部自相似性和多尺度相似性的超分辨率算法中存在的不准确高频初始估计问题，提升了图像的超分辨率重建效果。实验结果表明，本发明提出的算法能够更好地抑制了锯齿效应和振铃效应，重建出的高分辨率图像更接近于真实图像，具有更好的主观和客观质量。

主权项

一种基于稀疏表示选择性外观模型的帧自适应目标跟踪算法，其特征在于，所述：步骤(1)、初始化跟踪器：判别型跟踪器SDC的模板库包含正样本库A₊和负样本库A_‑；之后将每个模板压缩为32*32的大小，将压缩后的模板变形为一维向量，采用滑块的方式得到M个小图像块，获取图像的局部信息，把每个小图像块转化为一维向量，G表示一维数组的大小，使用K中值算法进行聚类，得到J个聚类中心，得到字典R表示数值属于实数域；步骤(2)、随机采样多个候选目标：新的一帧图像到来时，在上一帧目标位置周围，得到N个候选目标X＝{x₁,x₂...x_N}，每个x被压缩为32*32的大小；步骤(3)、运行判别型跟踪器SDC：$\underset{\mathrm{\α}}{min}\left|\right|x-A\mathrm{\α}|{|}_2^2+{\mathrm{\λ}}_3|\left|\mathrm{\α}\right||,$α表示模板库稀疏表示系数，x表示候选目标，A表示模板库，λ₃表示SDC正则项权重，求得稀疏表示系数α＝[α_‑,α₊]；求得候选目标关于前景的重构误差ε_f：${\mathrm{\ϵ}}_f=\left|\right|x-A_{+}{\mathrm{\α}}_{+}|{|}_2^2$x表示候选目标，A₊表示正样本模板库，α₊表示候选目标关于正样本模板库的稀疏表示系数；求得候选目标关于背景的重构误差ε_b：${\mathrm{\ϵ}}_b=\left|\right|x-A_{-}{\mathrm{\α}}_{-}|{|}_2^2$x表示候选目标，A_‑表示负样本模板库，α_‑表示候选目标关于负样本模板库的稀疏表示系数；SDC计算出的第C个候选目标的置信值H_c：$H_c=\frac{1}{1+\exp (-({\mathrm{\ϵ}}_b-{\mathrm{\ϵ}}_f)/\mathrm{\σ})}$ε_b表示候选目标关于背景的重构误差,ε_f表示候选目标关于前景的重构误差,σ表示参数尺度因子；步骤(4)、帧特性检测：H_C1是第一帧的SDC置信值H_Cj表示第j帧的SDC置信值，f是当前帧的序号，n表示帧窗口长度，是连续n帧的置信值之和，如果H_Cj表示第j帧的SDC置信值，f是当前帧的序号，n表示帧窗口长度，H_C1是第一帧的SDC置信值，T_h表示阈值比率，则令L_C＝0，跳到步骤(7)；如果表示此帧是否发生遮挡；步骤(5)、运行生成型跟踪器SGM：取M个滑块，y_i,i＝1...M，y_i表示每个滑块，M表示滑块的个数，用字典D进行稀疏表示，β是稀疏表示的系数；$\underset{{\mathrm{\β}}_i}{min}\left|\right|y_i-{\mathrm{D\β}}_i|{|}_2^2+{\mathrm{\λ}}_2|\left|{\mathrm{\β}}_i\right|{|}_1,$y_i表示每个滑块，D表示字典，β是字典稀疏表示系数，λ₂表示SGM正则项权重；每一个块的字典稀疏表示系数拼在一起，就形成了每一个候选目标的直方图ρ；$\mathrm{\ρ}={\[{\mathrm{\β}}_1^T{\mathrm{\β}}_2^T...{\mathrm{\β}}_M^T\]}^T,$ρ表示每一个候选目标的直方图，表示第1个块的字典稀疏表示系数的转置，表示第M个块的字典稀疏表示系数的转置；求得每个小图像块稀疏表示的重构误差ε_i：${\mathrm{\ϵ}}_i=\left|\right|y_i-{\mathrm{D\β}}_i|{|}_2^2,$y_i表示每个滑块，D表示字典，β_i是第i个块的字典稀疏表示系数，大于阈值ε₀时，认为是遮挡块，遮挡标签O_i置为0，去除遮挡效应，生成新的直方图o＝{o₁,o₂...o_M}，o表示所有块遮挡标签组成的数组，o₁表示第1个块的遮挡标签，o_M表示第M个块的遮挡标签；求得遮挡块个数占块总数的比occmap，用于评判遮挡程度：$occmap=\frac{\underset{i=0}{\overset{M-1}{\Σ}}1-o_i}{M}$o_i表示第i个块的遮挡标签，M表示滑块的个数；是第C个候选目标的直方图，ψ是模板的直方图SGM计算出的第C个候选目标的置信值L_C：M表示滑块的个数，J表示聚类中心的个数，表示第C个候选目标的直方图中的j个元素的值，ψ^j是标准模板的直方图中的j个元素的值；步骤(6)、更新遮挡检测阈值T_h$T_h=\left\{\begin{array}{c}{T}_h*\left(1-\mathrm{\λ}\right)+\left(T_h+\mathrm{\Δ}\right)*\mathrm{\λ},occmap\∈\left(0,O_{\min }\right)\\ T_h*\left(1-\mathrm{\λ}\right)+\left(T_h-\mathrm{\Δ}\right)*\mathrm{\λ},occmap\∈\left(O_{\max },1\right)\end{array}\right.$λ表示阈值更新速度，Δ表示阈值更新步长，occmap表示遮挡块个数占块总数的比，通过更新使得遮挡程度occmap保持在一个区间范围内(O_min,O_max)(O_min,O_max)表示occmap的最小和最大值组成的区间；步骤(7)、计算联合模型并确定跟踪结果：P_C＝H_C+γL_C对于第C个候选目标，P_C是最终的置信值，H_C和L_C分别是SDC和SGM的置信值，权重因子γ；在每一帧计算N个P_C，N表示候选目标的个数；选取置信值最大的候选目标作为跟踪的结果；为第t帧的目标位置。