[发明专利]一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法

摘要

本发明公开了一种基于局部鉴别性稀疏表示模型的鲁棒目标跟踪算法，首先，从第一帧图像中截取待跟踪目标的多个不同模板，对各模板进行分块，并将所有模板中处于相同对应位置的子块视为一个样本类别；其次，用HOG特征提取方法对各图像块进行特征提取，并用LC‑KSVD算法进行鉴别性字典学习；然后，将局部鉴别性稀疏表示模型加入到均值漂移框架中来预测目标所在的位置；最后，为了克服在跟踪过程中目标外观的变化，提出了一种字典在线更新方法，以实现对目标的持续性建模。本发明不仅利用了目标图像块各自本身的特征，还通过引入不同类别图像块之间的鉴别信息来对目标外观进行建模以实现对目标的跟踪，故具有更强的鲁棒性。

主权项

1.一种基于局部鉴别性稀疏表示的鲁棒目标跟踪方法，其特征在于，包括如下步骤：步骤一：从第一帧图像中截取待跟踪目标的多个不同模板，对各模板进行分块，并将所有模板中处于相同对应位置的子块视为一个样本类别；步骤二：用HOG特征提取方法对各图像块进行特征提取，并用LC‑KSVD算法进行鉴别性字典学习；步骤三：将局部鉴别性稀疏表示模型加入到均值漂移框架中来预测目标所在的位置；步骤四：为了克服在跟踪过程中目标外观的变化，提出了一种模型在线更新方法，以实现对目标的持续性建模；将局部鉴别性稀疏表示模型加入到均值漂移框架中来预测目标所在的位置，其操作过程如下：1)在当前帧图像中采集多个目标候选区域；首先，输入当前帧图像；如果该帧是视频序列的第一帧图像，则人工截取目标并记录其中心位置l*；否则，令Rp区域中心等于前一帧中提取到的目标中心位置l*，并将其向四周进行扩展，得到一个尺度为Rp区域两倍大小的目标候选区域搜寻范围Rs；然后，为了克服跟踪过程中目标的尺度变化，用一个多尺度滑动窗口扫描区域Rs，从而得到多个目标候选区域；最后，可以得到当前帧图像的目标候选区域集C：C＝[c1,...,cM]其中，ci代表第i个目标候选区域，1≤i≤M，M代表候选区域的数量；2)将每个候选区域进行分块，并提取每个图像块的HOG特征；首先，为了确保特征的维数相同，首先将每个候选区域尺寸归一化为32×32像素；接着，将每个候选区域分割为r个不重叠的图像块；然后，提取所有候选区域中每个图像块的HOG特征fi,j；其中，fi,j代表第i个候选区域中第j个图像块的HOG特征向量，1≤i≤M,1≤j≤r；3)用鉴别性稀疏表示模型对图像块的类别进行识别；首先，用OMP算法求取fi,j在鉴别性字典Dfinal下的稀疏编码系数xi,j；然后，通过线性变换矩阵Afinal将稀疏编码系数xi,j映射为具有高类鉴别能力的鉴别向量，即：q＝Afinalxi,j因为q中的元素值可能为正，也可能为负，故利用鉴别向量q中元素的绝对值进行分类识别工作；最后，统计每个候选区域被准确识别的子块个数，并将其存入集合Right，即：Right＝[Right1,...,RightM]其中，Righti代表第i个候选区域被正确识别的图像块数，1≤i≤M，M为目标候选区域的数量；4)选取被准确识别的图像块数最多的候选区域并用MS模型计算待跟踪目标在当前帧中的位置；首先，选取被准确识别的图像块数最多的候选区域，将它们作为理想区域；由于理想区域的数量通常不止1个，故先将选取的理想区域存入理想候选区域集idealset＝[ideal1,...,ideals]；其中，s代表理想候选区域的数量；接着，求取每个理想区域中所有图像块的鉴别度比值之和，即：其中，sum_i为第i个理想区域所有图像块的鉴别度比值总和，1≤i≤s，代表第i个理想区域中第j个图像块的鉴别向量中第p部分元素的类别标签值，1≤p≤r；然后，求取每个理想区域的鉴别度比值总和的权重，即：最后，通过ES模型预测当前帧图像目标可能的位置l，即：其中，li代表第i个理想区域的位置；5)通过迭代更新当前帧图像中目标的位置；令l为第iter次迭代中预测到的当前帧的目标位置；如果iter＝iterthr，其中iterthr是一个预先设定的阈值，则将l视为当前帧图像的最终目标位置；如果iter＜iterthr，则令iter＝iter+1，并在预测结果l的基础上重复执行步骤1)‑5)。